linder是一种基于机器学习的土地利用/土地覆盖(LULC)分类器,使用哨兵图像。
linder的Python项目详细描述
土地利用指数
计算城市/农村地区土地覆盖的管道。在
如何使用?在
快速演示:
frompathlibimportPathimportlinderasld# get a list of CSV files of calculated land cover fractions of all downloaded imageslist_path_fraction=ld.get_land_cover(51.515070,-0.008555,51.489564,0.034932,"2016-01-01","2017-10-01",path_GUF="Data/GUF/WSF2015_v1_EPSG4326/WSF2015_v1_EPSG4326",path_save=Path("~/Downloads/linder_res").expanduser(),)# synthesise the above results to one `DataFrame`df_lc=ld.proc_fraction(list_path_fraction)
必需的库
草
对于macOS,请下载并安装grass软件包:
^{pr2}$其他python库
使用conda
为该管道创建一个新的环境:
conda env create -f GDAL.yml
依赖项详细信息请参阅^{
依赖关系数据集
nc_spm_08
数据集
此数据集包括GRASS
所需的投影文件。
下载它here。在
GUF
数据集(可选)
GUF (Global Urban Footprint)是由DLR制作的全球城市覆盖数据集。
这条管道使用GUF
来提高预测城市特征的准确性。在
配置
哨兵枢纽
请参阅this page for setting up a new configuration。
然后更新sentinelhub
实例ID,如下所示:
sentinelhub.config --instance_id [your-instance-ID]
细节
这是一条计算所需区域土地覆被的管道。它包括:
- 在
步骤1:获取区域的位置(
在lat
和lon
) - 在
第二步:获取所需区域的卫星图像
在 - 在
第三步:土地覆盖预测分为三类:
- 1-城市
- 2-绿色
- 3-水和
- 4-其他
- 在
步骤4:将GUF数据叠加到预测中。因此,土地覆被变为1-水2-绿色3-城市4-其他
在 - 在
步骤5:覆盖来自OSM或Microsoft data的建筑数据(仅适用于美国)。因此,最终土地覆盖包括1-水2-绿化3-建筑4-铺面5-其他
在
使用这个管道很简单,只需选择坐标,并提供GUF数据和/或建筑数据。用户可以选择可用的数据。例如,在没有GUF数据的情况下,管道使用预测,或者在没有Microsoft数据的情况下,管道使用OSM数据进行建筑物。请注意,添加GUF数据可以使土地覆盖的最终结果更加准确。在
一些技术细节:
- 在
不同的Python和GDAL包合并可能不是很有效。 管道使用python接口直接使用GRASS函数(例如
在v.overlay
)来加速合并过程。在 - 在
管道使用预先训练的模型来预测土地覆盖。 目前,该模型在科伦坡训练,但各种测试表明,它在其他地方也有很好的表现。 一个更复杂的模型可以通过使用更多的数据集进行训练。在
在 - 在
请注意,虽然OSM数据是自动从网站获取所需区域的,但需要手动下载所选位置的Microsoft数据。这可以在将来实现自动化。在
在
一些例子
斯里兰卡科伦坡
美国匹兹堡
- 项目
标签: