(轉(zhuǎn)載請(qǐng)?jiān)陲@著位置注明本人微信公眾號(hào)stdrei)
Python是目前最流行的機(jī)器學(xué)習(xí)工具之一，有很多開源的工具包可以使用。超越R語言，Python成為最受歡迎的機(jī)器學(xué)習(xí)語言
在過去4年庐橙，Python 機(jī)器學(xué)習(xí)職位」上升趨勢(shì)和與R的對(duì)比。
因而借嗽，掌握Python語言，并將其用于遙感數(shù)據(jù)處理和定量反演转培，應(yīng)該會(huì)是不錯(cuò)的恶导。下面先介紹下GDAL，然后通過一個(gè)簡單的例子實(shí)現(xiàn)在有地面采樣值時(shí)構(gòu)建遙感影像的回歸模型浸须。
GDAL(Geospatial Data Abstraction Library)是一個(gè)操作各種柵格地理數(shù)據(jù)格式的庫惨寿。包括讀取、寫入删窒、轉(zhuǎn)換裂垦、處理各種柵格數(shù)據(jù)格式（有些特定的格式對(duì)一些操作如寫入等不支持）。它使用了一個(gè)單一的抽象數(shù)據(jù)模型就支持了大多數(shù)的柵格數(shù)據(jù)（GIS對(duì)柵格肌索，矢量蕉拢，3D數(shù)據(jù)模型的抽象能力實(shí)在令人嘆服）。當(dāng)然除了柵格操作诚亚，這個(gè)庫還同時(shí)包括了操作矢量數(shù)據(jù)的另一個(gè)有名的庫ogr（ogr這個(gè)庫另外介紹）晕换，這樣這個(gè)庫就同時(shí)具備了操作柵格和矢量數(shù)據(jù)的能力。
接觸遙感和GIS的站宗，對(duì)GDAL這個(gè)庫應(yīng)該都不陌生闸准，即時(shí)沒上手用過，但也一定聽過梢灭。有很多著名的GIS軟件都使用了GDAL/OGR庫夷家， 包括商業(yè)公司ESRI的ArgGIS，Google的Google Earth和開源的GRASS GIS系統(tǒng)敏释。 GDAL/OGR支持多種操作系統(tǒng)库快，可以同時(shí)對(duì)Linux和windows下的地理空間數(shù)據(jù)管理系統(tǒng)提供百余種矢量和柵格文件類型的支持。
python版的GDAL和其他的python庫結(jié)合的很好颂暇，最直接缺谴、明顯的支持是使用Numeric庫來進(jìn)行數(shù)據(jù)讀取和操作。各種矩陣魔術(shù)可以發(fā)揮得淋漓盡致（圖像其實(shí)就是矩陣）。
1. 獲取數(shù)據(jù)
根據(jù)采樣點(diǎn)坐標(biāo)湿蛔，利用QGIS或ArcGIS矢柵計(jì)算膀曾，得到每個(gè)采樣點(diǎn)對(duì)應(yīng)的遙感像素及其在不同波段的數(shù)值。
比如阳啥，在本例子中用到的數(shù)據(jù)添谊，遙感每個(gè)pixel對(duì)應(yīng)的值：
采樣值：
2. GDAL讀取遙感數(shù)據(jù)
GDAL是由C++開發(fā)的，直接封裝的python接口察迟，用起來會(huì)多少有些別扭斩狱。在此基礎(chǔ)上，Mapbox又開發(fā)了Rasterio的工具包扎瓶，用起來更方便所踊，更pythonic。不過概荷，在本文中還是直接用GDAL秕岛。
Rasterio is a GDAL and Numpy-based Python library designed to make your work with geospatial raster data more productive, more fun — more Zen. It’s a new open source project from the satellite team at Mapbox.
import osgeo.gdal as gdal
driver = gdal.GetDriverByName('ENVI')
driver.Register()
raster = gdal.Open(filePath,gdal.GA_ReadOnly)
raster_array = raster.ReadAsArray()
遙感數(shù)據(jù)使用Landsat5數(shù)據(jù)，一共七個(gè)波段误证，顯示第一個(gè)波段的圖像
imshow(raster_array[0])
3. Scikit-Learn構(gòu)建簡單線性模型
用python的继薛，對(duì)Scikit-Learn這個(gè)機(jī)器學(xué)習(xí)包應(yīng)該不陌生，提供了從預(yù)處理到監(jiān)督學(xué)習(xí)非監(jiān)督學(xué)習(xí)的算法愈捅，并且可以進(jìn)行網(wǎng)格調(diào)參和Pipline遏考。對(duì)Pandas的Dataframe也非常友好。
線性模型是最簡單蓝谨，也是最方便有用的工具了灌具。
from sklearn import linear_model
clf = linear_model.LinearRegression()
clf.fit(bands,moist)
模型的參數(shù)
clf.coef_
輸出：
array([[-0.00321884, 0.02964046, -0.01374858, 0.00107655, -0.00228321,
-0.00152347, 0.00388506]])`
clf.score(bands,moist)
輸出：
0.23889843856396475
(⊙o⊙)？R2才這么點(diǎn)譬巫。稽亏。。
這只是個(gè)例子而已缕题，重要的是過程截歉，能夠充分利用Python機(jī)器學(xué)習(xí)生態(tài)圈中的豐富的工具包用于遙感等空間數(shù)據(jù)處理中。
4. 模型應(yīng)用
首先需要對(duì)遙感圖像的矩陣進(jìn)行變換烟零，每個(gè)pixel的數(shù)據(jù)變?yōu)橐恍杏涗洷袼桑@樣才可以直接用Sklearn的模型預(yù)測(cè)每個(gè)pixel上的采樣值。直接用predict()方法锨阿，就可以根據(jù)將構(gòu)建的模型應(yīng)用于每個(gè)pixel上了宵睦。
b,w,h = shape(raster_array)
TMdata=raster_array.reshape(b,(w*h)).T
shape(TMdata)
(196L, 7L)
TM_predict=clf.predict(TMdata)
imshow(TM_predict.reshape(w,h))
plt.colorbar()
5. 代碼和示例數(shù)據(jù)下載
百度網(wǎng)盤下載鏈接：http://pan.baidu.com/s/1skJtePJ 密碼菊卷，請(qǐng)關(guān)注個(gè)人微信公眾號(hào)阐虚，在公眾號(hào)內(nèi)回復(fù)gdalsklearn獲取。
