请利用下列数据统计各类土地利用类型的NDVI均值。NDVI值通常位于-1至1之间，请将该地区NDVI异常值发生的像元位置和具体数值，生成一个点shape文件。
数据：
(1) Landsat8地面反射率文件
LC08_L1TP_121041_121042_20190312_T1_sr_scale_mosaic_clip.tif
Landsat8的NDVI公式：NDVI = (Band5-Band4)/(Band5+Band4)
(2) 梅川江流域的土地利用图及其说明文件
landuse30_clip.tif
landuse_lookup.csv
landuse_readme.txt
考察要点：
栅格文件的读写、矢量shape文件的读写（比须掌握）
Numpy的熟练应用，巧用meshgrid函数（比须掌握）
Matplotlib绘图（本次作业可选用）
提交要求：
（1）基本的python代码文件，（2）在ArcMap中，以土地利用图为背景、以SHAPE点为前景（NDVI正的异常值点为红色，负的异常值点为蓝色）做一幅图，拷屏（或导出map）生成一个jpg文件。如果大家积极主动，可以用matplotlib把土地利用图和NDVI异常值shape文件叠置在一起，生成一个jpg文件。
（3）将上述两个文件压缩到一个rar文件中，命名为"学号_姓名.rar"提交到课程网站，如：2019001002_zhangwentian.rar。
请大家独立完成，作为结课成绩的一部分。
说明
landuse_lookup. csv 存储了“土地利用编码”和“SWAT内植被类型”的查找表。其中，
AGRL 农田
SWRN 草地
RNGB 灌丛
WATR 水体
URHD 建筑用地
FRSD 落叶林
FRSE 常绿林
FRST 混交林
landuse_code swat-vegname
10 AGRL
11 AGRL
12 AGRL
30 SWRN
40 RNGB
60 WATR
61 WATR
63 WATR
80 URHD
90 URHD
211 FRSD
221 FRSE
230 FRST
代码（python3）：
# -*- coding: utf-8 -*-
"""
Created on Sat Oct 19 23:27:54 2019
@author: Depei Bai
"""
from osgeo import gdal,ogr,osr
import numpy as np
import os
import osgeo
#选中代码，tab统一右进四格，shift+tab统一左退两格
#--------------------------------------read data------------------------------------
#读取土地利用数据
dataset_1 = gdal.Open("landuse30_clip.tif")
d1_samples = dataset_1.RasterXSize
d1_lines = dataset_1.RasterYSize
d1_bands = dataset_1.RasterCount
geotans_1 = dataset_1.GetGeoTransform()
proj_1 = dataset_1.GetProjection()
data_1 = dataset_1.ReadAsArray(0,0,d1_samples,d1_lines)
del dataset_1
#读取OLI数据，计算NDVI图像
dataset_2 = gdal.Open("LC08_L1TP_121041_121042_20190312_T1_sr_scale_mosaic_clip.tif")
d2_samples = dataset_2.RasterXSize
d2_lines = dataset_2.RasterYSize
d2_bands = dataset_2.RasterCount
geotans_2 = dataset_2.GetGeoTransform() #左上角像元的大地座标和图像分辨率
# 如果图像不含地理座标信息，默认返回值是：(0,1,0,0,0,1)
#In a north up image,
#padfGeoTransform即为dataset.GetGeoTransform()返回的值
#padfGeoTransform[0],padfGeoTransform[3]指左上角点座标(x，y)；
#padfGeoTransform[1]图像在x方向的空间分辨率，padfGeoTransform[5]是图像在y方向上的空间分辨率；
#padfGeoTransform[2]和padfGeoTransform[4]指正北方向旋转角度
#如果图像正上指北的,则这两个参数为0
#Fetches the coefficients for transforming between 列/行 (P,L) raster space, and projection coordinates (Xp,Yp) space
#Xp = padfTransform[0] + P*padfTransform[1] + L*padfTransform[2];
#Yp = padfTransform[3] + P*padfTransform[4] + L*padfTransform[5];
#————————————————
#版权声明：本文为CSDN博主「当空月」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
#原文链接：https://blog.csdn.net/yyt_enjoyvc/article/details/7828368
proj_2 = dataset_2.GetProjection() #指椭球体和投影方式
data_2 = dataset_2.ReadAsArray(0,0,d1_samples,d1_lines)#取了所有波段所有行列的数据
del dataset_2
#----------------------------------Calculate NDVI-------------------------------
NDVI = (data_2[4,:,:] * 1.0 - data_2[3,:,:] * 1.0)/(data_2[4,:,:] + data_2[3,:,:])
#----------------------------------calculate the meam_NDVI_value---------------
#每种地物类型统计其NDVI值的时候均需要取非异常值进行统计，剔除该类型中大于1和小于0的值
#np.where()无法在一个括号中单纯添加多个条件，而是要用多个括号，& 或 |
#APPEND无返回值，因此不能用赋值符号
#list to numpy.array强制转换时不能在原值的基础上改，只能重新给到新的变量
#用作索引的数组必须是整型或者布尔型，np.array型是不能作为下标的,元组也不可以
AGRL = np.where(((data_1 == 10)|(data_1 == 11)|(data_1 == 12))&(NDVI > -1)&(NDVI < 1))
mean_agrl = np.mean(NDVI[AGRL])
SWRN = np.where((data_1 == 30)&(NDVI > -1)&(NDVI < 1))
mean_swrn = np.mean(NDVI[SWRN])
RNGB = np.where((data_1 == 40)&(NDVI > -1)&(NDVI < 1))
mean_rngb = np.mean(NDVI[RNGB])
WATR = np.where(((data_1 == 60)|(data_1 == 61)|(data_1 == 63))&(NDVI > -1)&(NDVI < 1))
mean_watr = np.mean(NDVI[WATR])
URHD = np.where(((data_1 == 80)|(data_1 == 90))&(NDVI > -1)&(NDVI < 1))
mean_urhd = np.mean(NDVI[URHD])
FRSD = np.where((data_1 == 211)&(NDVI > -1)&(NDVI < 1))
mean_frsd = np.mean(NDVI[FRSD])
FRSE = np.where((data_1 == 221)&(NDVI > -1)&(NDVI < 1))
mean_frse = np.mean(NDVI[FRSE])
FRST = np.where((data_1 == 230)&(NDVI > -1)&(NDVI < 1))
mean_frst = np.mean(NDVI[FRST])
positive_outlier_index = np.where(NDVI > 1)
negative_outlier_index = np.where(NDVI < -1)
#---------------------------将异常值写入shape文件中------------------------------
osgeo.gdal.SetConfigOption('GDAL_FILENAME_IS_UTF8','NO')#解决中文路径
osgeo.gdal.SetConfigOption('SHAPE_ENCODING','gb2312')#解决SHAPE文件的属性值
filename = 'outlier_point.shp'
driver = ogr.GetDriverByName('ESRI Shapefile')
if os.access(filename,os.F_OK):
driver.DeleteDataSource(filename)
#以上，如果文件存在，就删除，重新创建
ds = driver.CreateDataSource(filename)
spatialref = osr.SpatialReference(proj_2) #空间参考
#如果直接写spatialref = proj_2会提示错误
#TypeError: in method 'DataSource_CreateLayer', argument 3 of type 'OSRSpatialReferenceShadow *'
#因此要通过osr.SpatialReference将proj_2字符串转为类
#attention: 如果原空间参考是投影座标那就是4666548,535646这种，如果
#原空间参考是经纬度座标，则是12.4366655349731,-70.0561218261719这种
#不同的空间参考给出的原点处的位置参数也是不一样的
geomtype = ogr.wkbPoint #shape类型是点
layer = ds.CreateLayer(filename[:-4],srs = spatialref,geom_type = geomtype)
#layer = ds.CreateLayer(filename[:-4],srs = spatialref,geom_type = geomtype)
#layer图层的名称即.shp之前的字符串，空间参考是spatialref，几何对象是点
loc_p1_line = positive_outlier_index[0][0]#第一个点的行号
loc_p1_sample = positive_outlier_index[1][0]#列号
geo_p1_x = geotans_2[0] +loc_p1_sample*geotans_2[1] + loc_p1_line*geotans_2[2]
geo_p1_y = geotans_2[3] + loc_p1_sample*geotans_2[4] + loc_p1_line*geotans_2[5]
pntp1_wkt = 'POINT('+str(geo_p1_x)+' '+str(geo_p1_y)+')'
#attention:中间的是空格，不能是逗号
loc_p2_line = positive_outlier_index[0][1]
loc_p2_sample = positive_outlier_index[1][1]
geo_p2_x = geotans_2[0] +loc_p2_sample*geotans_2[1] + loc_p2_line*geotans_2[2]
geo_p2_y = geotans_2[3] + loc_p2_sample*geotans_2[4] + loc_p2_line*geotans_2[5]
pntp2_wkt = 'POINT('+str(geo_p2_x)+' '+str(geo_p2_y)+')'
loc_p3_line = positive_outlier_index[0][2]
loc_p3_sample = positive_outlier_index[1][2]
geo_p3_x = geotans_2[0] + loc_p3_sample*geotans_2[1] + loc_p3_line*geotans_2[2]
geo_p3_y = geotans_2[3] + loc_p3_sample*geotans_2[4] + loc_p3_line*geotans_2[5]
pntp3_wkt = 'POINT('+str(geo_p3_x)+' '+str(geo_p3_y)+')'
loc_p4_line = positive_outlier_index[0][3]
loc_p4_sample = positive_outlier_index[1][3]
geo_p4_x = geotans_2[0] + loc_p4_sample*geotans_2[1] + loc_p4_line*geotans_2[2]
geo_p4_y = geotans_2[3] + loc_p4_sample*geotans_2[4] + loc_p4_line*geotans_2[5]
pntp4_wkt = 'POINT('+str(geo_p4_x)+' '+str(geo_p4_y)+')'
loc_p5_line = positive_outlier_index[0][4]
loc_p5_sample = positive_outlier_index[1][4]
geo_p5_x = geotans_2[0] + loc_p5_sample*geotans_2[1] + loc_p5_line*geotans_2[2]
geo_p5_y = geotans_2[3] + loc_p5_sample*geotans_2[4] + loc_p5_line*geotans_2[5]
pntp5_wkt = 'POINT('+str(geo_p5_x)+' '+str(geo_p5_y)+')'
#负异常值座标求解
loc_n1_line = negative_outlier_index[0][0]
loc_n1_sample = negative_outlier_index[1][0]
geo_n1_x = geotans_2[0] + loc_n1_sample*geotans_2[1] + loc_n1_line*geotans_2[2]
geo_n1_y = geotans_2[3] + loc_n1_sample*geotans_2[4] + loc_n1_line*geotans_2[5]
pntn1_wkt = 'POINT('+str(geo_n1_x)+' '+str(geo_n1_y)+')'
#-------------------------------write geomlist--------------------------
#geomlist是一个里面，里面存放着字符串，因此需要将此六个点放入这个list中
#geomlist存放的是几何形状，点线面的几何构成座标
geomlist = [pntp1_wkt,pntp2_wkt,pntp3_wkt,pntp4_wkt,pntp5_wkt,pntn1_wkt]
#---------------------write field list-------------------------------
#field list 是个列表，列表里面是每一个feature的属性，是个字典型，如下：
#{'name': 'FIPS_CNTRY', 'type': 4, 'width': 2, 'decimal': 0}
#因此只需将异常值点字段信息按照列表中字典的形式写入这个列表供后面使用即可
fieldlist = [{'name':'outlier_pt','type':4,'width':4,'decimal':0},\
{'name':'code','type':4,'width':2,'decimal':0},\
{'name':'color','type':4,'width':4,'decimal':0}] #创建字段list
#字段列表里每一个{}的内容即为shape属性表头一行的名称及其详细规定
#type: 0 int ；1 longinteger ；2 float ； 3 double； 4 text；5 date
#name 字段名称长度不能超过11个字母
#------------------------------------------------------------------
#本实验添加了三个字段，一个是“异常点”，一个是编码，一个是颜色
#用pi表示正异常值,i from 1 to n，代号1 ，颜色red
#用nj表示负异常值,j from 1 to m，代号-1，颜色blue
#python索引也是先行后列，大都是先行后列，只有IDL先
#---------------------write fieldlist into the lyer-------------------
for fd in fieldlist:
field = ogr.FieldDefn(fd['name'],fd['type'])
if 'width' in fd:
field.SetWidth(fd['width'])
if 'decimal' in fd:
field.SetPrecision(fd['decimal'])
layer.CreateField(field)
#-------------------------------write reclist-------------------------
#reclist为每个几何图形对应三个字段fieldlist的具体值
#如第一个图形outlierpoints叫p1，code为1，颜色是红色，是具体值
#如最后一个图形outlierpoints叫n1，code为-1，颜色是蓝色，是具体值
#本实验中的图形均为点
reclist = [{'outlier_pt':'p1','code':1,'color':'red'},\
{'outlier_pt':'p2','code':1,'color':'red'},\
{'outlier_pt':'p3','code':1,'color':'red'},\
{'outlier_pt':'p4','code':1,'color':'red'},\
{'outlier_pt':'p5','code':1,'color':'red'},\
{'outlier_pt':'n1','code':-1,'color':'blue'}]
#给出所创建好的图形(geomlist)中的字段(fieldlist)的具体值(reclist)
#----------------------------------write shape------------------------
for j in range(len(reclist)):
feat = ogr.Feature(layer.GetLayerDefn())
geom = ogr.CreateGeometryFromWkt(geomlist[j])
feat.SetGeometry(geom)
for f_d in fieldlist:
feat.SetField(f_d['name'],reclist[j][f_d['name']])
layer.CreateFeature(feat)
ds.Destroy()
为简化过程，将其中的geomlist写入过程和reclist写入过程写为循环，如下：
（笔者很讨厌没有注释的代码，为保证代码可读性，依然保留了全部注释）
# -*- coding: utf-8 -*-
"""
Created on Sat Oct 19 23:27:54 2019
@author: Depei Bai
"""
from osgeo import gdal,ogr,osr
import numpy as np
import os
import osgeo
#选中代码，tab统一右进四格，shift+tab统一左退两格
#--------------------------------------read data------------------------------------
#读取土地利用数据
dataset_1 = gdal.Open("landuse30_clip.tif")
d1_samples = dataset_1.RasterXSize
d1_lines = dataset_1.RasterYSize
d1_bands = dataset_1.RasterCount
geotans_1 = dataset_1.GetGeoTransform()
proj_1 = dataset_1.GetProjection()
data_1 = dataset_1.ReadAsArray(0,0,d1_samples,d1_lines)
del dataset_1
#读取OLI数据，计算NDVI图像
dataset_2 = gdal.Open("LC08_L1TP_121041_121042_20190312_T1_sr_scale_mosaic_clip.tif")
d2_samples = dataset_2.RasterXSize
d2_lines = dataset_2.RasterYSize
d2_bands = dataset_2.RasterCount
geotans_2 = dataset_2.GetGeoTransform() #左上角像元的大地座标和图像分辨率
# 如果图像不含地理座标信息，默认返回值是：(0,1,0,0,0,1)
#In a north up image,
#padfGeoTransform即为dataset.GetGeoTransform()返回的值
#padfGeoTransform[0],padfGeoTransform[3]指左上角点座标(x，y)；
#padfGeoTransform[1]图像在x方向的空间分辨率，padfGeoTransform[5]是图像在y方向上的空间分辨率；
#padfGeoTransform[2]和padfGeoTransform[4]指正北方向旋转角度
#如果图像正上指北的,则这两个参数为0
#Fetches the coefficients for transforming between 列/行 (P,L) raster space, and projection coordinates (Xp,Yp) space
#Xp = padfTransform[0] + P*padfTransform[1] + L*padfTransform[2];
#Yp = padfTransform[3] + P*padfTransform[4] + L*padfTransform[5];
#————————————————
#版权声明：本文为CSDN博主「当空月」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
#原文链接：https://blog.csdn.net/yyt_enjoyvc/article/details/7828368
proj_2 = dataset_2.GetProjection() #指椭球体和投影方式
data_2 = dataset_2.ReadAsArray(0,0,d1_samples,d1_lines)#取了所有波段所有行列的数据
del dataset_2
#----------------------------------Calculate NDVI-------------------------------
NDVI = (data_2[4,:,:] * 1.0 - data_2[3,:,:] * 1.0)/(data_2[4,:,:] + data_2[3,:,:])
#----------------------------------calculate the meam_NDVI_value---------------
#每种地物类型统计其NDVI值的时候均需要取非异常值进行统计，剔除该类型中大于1和小于0的值
#np.where()无法在一个括号中单纯添加多个条件，而是要用多个括号，& 或 |
#APPEND无返回值，因此不能用赋值符号
#list to numpy.array强制转换时不能在原值的基础上改，只能重新给到新的变量
#用作索引的数组必须是整型或者布尔型，np.array型是不能作为下标的,元组也不可以
AGRL = np.where(((data_1 == 10)|(data_1 == 11)|(data_1 == 12))&(NDVI > -1)&(NDVI < 1))
mean_agrl = np.mean(NDVI[AGRL])
SWRN = np.where((data_1 == 30)&(NDVI > -1)&(NDVI < 1))
mean_swrn = np.mean(NDVI[SWRN])
RNGB = np.where((data_1 == 40)&(NDVI > -1)&(NDVI < 1))
mean_rngb = np.mean(NDVI[RNGB])
WATR = np.where(((data_1 == 60)|(data_1 == 61)|(data_1 == 63))&(NDVI > -1)&(NDVI < 1))
mean_watr = np.mean(NDVI[WATR])
URHD = np.where(((data_1 == 80)|(data_1 == 90))&(NDVI > -1)&(NDVI < 1))
mean_urhd = np.mean(NDVI[URHD])
FRSD = np.where((data_1 == 211)&(NDVI > -1)&(NDVI < 1))
mean_frsd = np.mean(NDVI[FRSD])
FRSE = np.where((data_1 == 221)&(NDVI > -1)&(NDVI < 1))
mean_frse = np.mean(NDVI[FRSE])
FRST = np.where((data_1 == 230)&(NDVI > -1)&(NDVI < 1))
mean_frst = np.mean(NDVI[FRST])
positive_outlier_index = np.where(NDVI > 1)
negative_outlier_index = np.where(NDVI < -1)
#---------------------------将异常值写入shape文件中------------------------------
osgeo.gdal.SetConfigOption('GDAL_FILENAME_IS_UTF8','NO')#解决中文路径
osgeo.gdal.SetConfigOption('SHAPE_ENCODING','gb2312')#解决SHAPE文件的属性值
filename = 'outlier_point.shp'
driver = ogr.GetDriverByName('ESRI Shapefile')
if os.access(filename,os.F_OK):
driver.DeleteDataSource(filename)
#以上，如果文件存在，就删除，重新创建
ds = driver.CreateDataSource(filename)
spatialref = osr.SpatialReference(proj_2) #空间参考
#如果直接写spatialref = proj_2会提示错误
#TypeError: in method 'DataSource_CreateLayer', argument 3 of type 'OSRSpatialReferenceShadow *'
#因此要通过osr.SpatialReference将proj_2字符串转为类
#attention: 如果原空间参考是投影座标那就是4666548,535646这种，如果
#原空间参考是经纬度座标，则是12.4366655349731,-70.0561218261719这种
#不同的空间参考给出的原点处的位置参数也是不一样的
geomtype = ogr.wkbPoint #shape类型是点
layer = ds.CreateLayer(filename[:-4],srs = spatialref,geom_type = geomtype)
#layer = ds.CreateLayer(filename[:-4],srs = spatialref,geom_type = geomtype)
#layer图层的名称即.shp之前的字符串，空间参考是spatialref，几何对象是点
#------------calculate geolocations of the outlier_points&write geomlist-------
geomlist = []
#geomlist是一个列表，里面存放着座标字符串，因此需要将此六个点的字符串座标放入这个list中
#geomlist存放的是几何形状，点线面的几何构成座标
for k in range(len(positive_outlier_index[0])):
loc_pk_line = positive_outlier_index[0][k]#第k个正异常值点的行号
loc_pk_sample = positive_outlier_index[1][k]#第k个正异常值点的列号
#根据左上角像元及geotrans参数求正异常值点的地理座标（或投影座标）
#而具体是地理座标还是投影座标则由原来的遥感图像projection决定
#而本实验proj_2为投影座标，如某点座标为38395m,295705m
#查看data_2座标为PROJCS["WGS 84 / UTM zone 50N",GEOGCS["WGS 84",DATUM["WGS_1984",SPHEROID[...]]]]
geo_pk_x = geotans_2[0] +loc_pk_sample*geotans_2[1] + loc_pk_line*geotans_2[2]
geo_pk_y = geotans_2[3] + loc_pk_sample*geotans_2[4] + loc_pk_line*geotans_2[5]
pntpk_wkt = 'POINT('+str(geo_pk_x)+' '+str(geo_pk_y)+')'
#attention:中间的是空格，不能是逗号
geomlist.append(pntpk_wkt)
for x in range(len(negative_outlier_index[0])):
loc_nx_line = negative_outlier_index[0][x]#第n个负异常值点的行号
loc_nx_sample = negative_outlier_index[1][x]#第kn个负异常值点的列号
geo_nx_x = geotans_2[0] +loc_nx_sample*geotans_2[1] + loc_nx_line*geotans_2[2]
geo_nx_y = geotans_2[3] + loc_nx_sample*geotans_2[4] + loc_nx_line*geotans_2[5]
pntnx_wkt = 'POINT('+str(geo_nx_x)+' '+str(geo_nx_y)+')'
geomlist.append(pntnx_wkt)
#---------------------write field list-------------------------------
#field list 是个列表，列表里面是每一个feature的属性，是个字典型，如下：
#{'name': 'FIPS_CNTRY', 'type': 4, 'width': 2, 'decimal': 0}
#因此只需将异常值点字段信息按照列表中字典的形式写入这个列表供后面使用即可
fieldlist = [{'name':'outlier_pt','type':4,'width':4,'decimal':0},\
{'name':'code','type':4,'width':2,'decimal':0},\
{'name':'color','type':4,'width':4,'decimal':0}] #创建字段list
#字段列表里每一个{}的内容即为shape属性表头一行的名称及其详细规定
#type: 0 int ；1 longinteger ；2 float ； 3 double； 4 text；5 date
#name 字段名称长度不能超过11个字母
#------------------------------------------------------------------
#本实验添加了三个字段，一个是“异常点”，一个是编码，一个是颜色
#用pi表示正异常值,i from 1 to n，代号1 ，颜色red
#用nj表示负异常值,j from 1 to m，代号-1，颜色blue
#python索引也是先行后列，大都是先行后列，只有IDL先
#---------------------write fieldlist into the lyer-------------------
for fd in fieldlist:
field = ogr.FieldDefn(fd['name'],fd['type'])
if 'width' in fd:
field.SetWidth(fd['width'])
if 'decimal' in fd:
field.SetPrecision(fd['decimal'])
layer.CreateField(field)
#-------------------------------write reclist-------------------------
reclist = []
#reclist为每个几何图形对应三个字段fieldlist的具体值
#如第一个点图形outlierpoints叫p1，code为1，颜色是红色，是具体值
#如最后一个点图形outlierpoints叫n1，code为-1，颜色是蓝色，是具体值
#本实验中的图形均为点
#给出所创建好的图形(geomlist)中的字段(fieldlist)的具体值(reclist)
for i in range(len(geomlist)):
if i<len(positive_outlier_index[0]):
attribute = {'outlier_pt':'p'+str(i),'code':1,'color':'red'}
reclist.append(attribute)
else:
attribute = {'outlier_pt':'n'+str(i),'code':-1,'color':'blue'}
reclist.append(attribute)
#----------------------------------write shape------------------------
for j in range(len(reclist)):
#给图层创建图形
feat = ogr.Feature(layer.GetLayerDefn())
#调入geomlist中所存的所有图形的几何座标
geom = ogr.CreateGeometryFromWkt(geomlist[j])
#给图形赋予上述位置
feat.SetGeometry(geom)
#给图形写入字段具体值，由f_d[name]引导
for f_d in fieldlist:
feat.SetField(f_d['name'],reclist[j][f_d['name']])
#正式将图形信息写入图层
layer.CreateFeature(feat)
ds.Destroy()
结果
版权归作者 小白是哪个小白_ 所有，转载、引用请注明链接出处。