2、Python与遥感数据处理环境搭建

说实话，每次带新人入门遥感数据处理，我最怕的就是环境搭建这一步。明明代码逻辑都懂，结果卡在装库上，一卡就是半天。我自己当年也踩过不少坑，所以这一章咱们就把环境捋顺了，后面才能跑得痛快。

2.1 为什么选Python做遥感？

你可能会问：遥感数据处理不是有ENVI、ERDAS这些专业软件吗？干嘛非得用Python？

我的回答很简单：批量处理。你想想看，当你手上有100景Landsat影像，要逐景计算NDVI、做大气校正、拼接裁剪——用鼠标点100次？我反正受不了。Python脚本一跑，喝杯咖啡的功夫就完事了。

而且Python在生态评估领域有个天然优势：生态圈完整。从数据读取（GDAL/Rasterio）到科学计算（NumPy/SciPy）再到可视化（Matplotlib），一条龙搞定。我在做植被覆盖度评估项目时，经常是Rasterio读数据→NumPy做运算→Matplotlib出图，三个库无缝衔接。

2.2 Anaconda：一站式环境管理

我个人习惯用Anaconda来管理Python环境。为什么？因为它把Python解释器、包管理器（conda）、常用科学计算库打包在一起了。你不需要一个个去pip install，省心很多。

安装步骤：

  1. 去Anaconda官网下载对应系统的安装包（Windows/Mac/Linux）
  2. 双击安装，一路默认就行。但注意：安装路径不要有中文和空格。我曾经因为装在"Program Files (x86)"下，后面GDAL死活装不上，折腾了两小时才发现是路径问题。
  3. 安装完成后，打开终端（Windows下是Anaconda Prompt），输入conda --version，看到版本号就说明装好了。
小技巧：建议创建一个独立的遥感环境，别把库都装在base环境里。命令：conda create -n geo python=3.9。这样就算环境搞崩了，删掉重来也不影响其他项目。

2.3 核心库安装与配置

接下来是重头戏——装库。我按使用频率排序，一个个说。

2.3.1 GDAL：遥感数据的瑞士军刀

GDAL（Geospatial Data Abstraction Library）是遥感数据读取的底层库。几乎所有遥感格式（GeoTIFF、HDF、NetCDF等）都靠它解析。安装GDAL曾经是很多人的噩梦，因为用pip直接装经常报错。

推荐安装方式：

conda activate geo
conda install gdal

用conda装GDAL，它会自动处理依赖关系。我曾经试过用pip装，结果报了一堆dll缺失的错误，后来发现是C++运行时库版本不对。用conda就没这烦恼了。

2.3.2 Rasterio：更Pythonic的遥感库

Rasterio是在GDAL基础上封装的，接口更友好。说白了，GDAL像C语言风格，Rasterio更像Python风格。我个人更喜欢Rasterio，因为它读写数据时自动处理了地理坐标信息，代码写起来很简洁。

conda install rasterio

装完后可以测试一下：

import rasterio
print(rasterio.__version__)

2.3.3 NumPy：科学计算的基础

NumPy是Python科学计算的基石。遥感影像本质上就是多维数组（行×列×波段），NumPy正好处理这个。Anaconda默认装了NumPy，但建议更新到最新版：

conda install numpy

2.3.4 Matplotlib：出图必备

做生态评估，不出图怎么行？Matplotlib是Python最经典的可视化库。我习惯用它来快速查看影像效果、绘制植被指数直方图等。

conda install matplotlib
避坑指南：我曾经在Jupyter Notebook里用Matplotlib出图，结果图片显示不出来。后来发现是没加一行魔法命令：%matplotlib inline。加上就好了。

2.4 Jupyter Notebook：交互式编程利器

Jupyter Notebook是我做遥感数据分析时最常用的工具。它把代码、运行结果、图表、文字说明整合在一个文档里，特别适合做探索性分析。

安装很简单：

conda install jupyter

启动方式：在终端输入jupyter notebook，浏览器会自动打开一个页面。然后新建一个Python 3的Notebook，就可以开始写代码了。

嗯，这里要注意：Jupyter Notebook的单元格有两种模式——代码模式和Markdown模式。代码模式写Python代码，Markdown模式写说明文字。按Esc + M切换。

2.5 第一个遥感数据读取程序

环境搭好了，咱们来写第一个程序。我会用Rasterio读取一张GeoTIFF格式的遥感影像，并显示基本信息。

示例代码：

import rasterio
import matplotlib.pyplot as plt

# 读取影像
with rasterio.open('landsat8_sample.tif') as src:
    print("影像宽度（列数）:", src.width)
    print("影像高度（行数）:", src.height)
    print("波段数:", src.count)
    print("地理范围:", src.bounds)
    print("投影信息:", src.crs)
    
    # 读取第一个波段
    band1 = src.read(1)
    
    # 显示影像
    plt.figure(figsize=(8, 6))
    plt.imshow(band1, cmap='gray')
    plt.title('Landsat 8 Band 1 (Coastal)')
    plt.colorbar(label='DN值')
    plt.show()

这段代码做了三件事：

  1. 用rasterio.open()打开影像文件，with语句确保用完自动关闭
  2. 读取影像的元数据（宽、高、波段数、地理范围、投影）
  3. 读取第一个波段并用灰度图显示
注意：如果你手头没有测试影像，可以去USGS EarthExplorer下载一小块Landsat数据，或者用我提供的示例数据（课程配套资源包里有）。千万别用太大的影像测试，我第一次测试时用了整景Landsat影像，电脑直接卡死...

2.6 本章知识体系

为了让你更直观地理解本章内容，我画了一张流程图：

遥感数据处理环境搭建知识体系 Anaconda 环境管理 核心库安装与配置 GDAL Rasterio NumPy Matplotlib Jupyter Notebook 交互式编程 第一个遥感数据读取程序

这张图把本章的知识结构串起来了：从Anaconda环境管理出发，安装四个核心库，然后在Jupyter Notebook中编写第一个遥感数据读取程序。每一步都是下一环的基础，缺一不可。

2.7 环境验证清单

最后，我整理了一个验证清单。你按顺序检查一遍，确保环境没问题：

步骤 命令/操作 预期结果
1 conda --version 显示conda版本号
2 python --version 显示Python 3.9.x
3 import gdal 或 from osgeo import gdal 无报错
4 import rasterio 无报错
5 import numpy as np 无报错
6 import matplotlib.pyplot as plt 无报错
7 运行2.5节的示例代码 显示影像信息并弹出灰度图

如果哪一步卡住了，别急。我建议你先检查环境是否激活（conda activate geo），再检查库是否装对版本。实在不行，删掉环境重建一个——反正代码没几行，重来也快。

好了，环境搭好了，后面咱们就可以专心搞植被指数计算了。记住：环境搭建是磨刀不误砍柴工，这一步稳了，后面就顺了。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →