Rasterio，一个强大的 Python项目！

? 读取影像，看见数据

处理栅格数据，无论你是面对卫星影像还是高程模型，第一步总是要把它“打开”看清楚。在Python生态里，rasterio模块就是这个任务的得力助手。它本质上封装了强大的GDAL库，但提供了一套更现代、更符合Python开发者直觉的接口。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

怎么入门？不妨从一个最基础的操作开始：打开一张GeoTIFF影像，看看它的“身份证”信息。

import rasteriowith rasterio.open('example.tif') as src: print(f“宽度: {src.width}, 高度: {src.height}”) print(f“波段数: {src.count}”) print(f“地理范围: {src.bounds}”) print(f“坐标参考系: {src.crs}”) print(f“数据类型: {src.dtypes[0]}”)

这段代码的精髓在于那个with语句，它能确保文件资源被妥当管理，用完即关。打开之后，通过src这个对象，影像的核心属性便一目了然：从像素尺寸到地理边界，再到它遵循的坐标规则。这些信息是后续所有分析的基石。

运行一下，你可能会看到类似这样的输出：

宽度: 800， 高度: 600
波段数: 3
地理范围: BoundingBox(left=100.0, bottom=30.0, right=110.0, top=40.0)
坐标参考系: CRS.from_epsg(4326)
数据类型: uint8

看，几行代码，数据的全貌就展现在眼前了。

⚙️ 波段运算，提取信息

仅仅“看见”数据还不够，地理空间分析的魅力在于从数据中“提取”信息。很多时候，我们需要对不同的波段进行数学运算，生成新的洞察。一个经典的例子就是计算归一化植被指数（NDVI），它利用红光和近红外波段的反射特性来评估植被的茂密程度。

实现起来其实很直接：

import numpy as npwith rasterio.open('example.tif') as src: red = src.read(3).astype('float32') nir = src.read(4).astype('float32') np.seterr(divide='ignore', invalid='ignore') ndvi = (nir - red) / (nir + red)print(f“NDVI 数组形状: {ndvi.shape}”)print(f“NDVI 统计: 最小值={ndvi.min():.2f}, 最大值={ndvi.max():.2f}”)

这里有几个细节值得注意。首先，用astype('float32')转换数据类型是为了保证后面除法运算的精度。其次，np.seterr那行代码是个实用的小技巧，它能暂时忽略计算中可能出现的除零警告，让输出更整洁。计算得到的NDVI值域通常在-1到1之间，越接近1表示植被越茂盛。

输出结果大致会告诉你：

NDVI 数组形状: (600， 800)
NDVI 统计: 最小值=-0.34， 最大值=0.87

? 写入成果，保存数据

分析出了结果，自然要把它妥善保存下来，方便后续使用或分享。rasterio的一个强大之处在于，它能将计算得到的内存数组（比如我们刚算出的NDVI）连同原始的地理坐标信息，一并写入一个新的栅格文件。

整个过程非常流畅：

with rasterio.open('example.tif') as src: profile = src.profile profile.update(dtype=rasterio.float32, count=1) with rasterio.open('ndvi_output.tif', 'w', **profile) as dst: dst.write(ndvi, 1)

这里的profile可以理解为原始数据的“元数据模板”，它包含了坐标系、变换参数等关键信息。我们只需根据新数据的特点（比如现在是单波段浮点数）更新这个模板，然后用它作为蓝图去创建新文件并写入数据。这样一来，生成的新TIFF文件就自带了正确的地理参考，可以直接导入到GIS软件中使用了。

? 优势对比与建议

说到栅格数据处理，难免会与经典的gdal模块进行比较。客观来看，rasterio的优势在于其API设计更加精简和Pythonic，学习曲线相对平缓。它能无缝对接NumPy进行数组计算，也能和Matplotlib等可视化库协同工作，生态融合度很高。

当然，它并非全能。对于某些非常古老或小众的栅格格式，底层的GDAL库可能支持得更全面。但就绝大多数现代GIS应用场景而言，rasterio已经完全能够胜任。它的出现，确实让开发者能从繁琐的底层调用中解放出来，更专注于业务逻辑的实现。因此，对于Python生态下的GIS开发者和数据分析师，将其作为处理栅格数据的首选工具，是一个高效且务实的选择。

? 结语

通过以上三个循序渐进的案例——从读取元数据、执行波段运算到保存成果——rasterio模块在栅格数据处理上的便捷性与高效性已经展现得比较清晰。它将复杂的地理空间数据操作封装成直观的Python指令，大大降低了技术门槛。可以说，无论是学术研究、行业应用还是个人项目，掌握rasterio都意味着你拿到了一把高效处理遥感与空间数据的钥匙。