欢迎关注博主的微信公众号：“智能遥感”。
该公众号将为您奉上Python地学分析、爬虫、数据分析、Web开发、机器学习、深度学习等热门源代码。
本人的GitHub代码资料主页（持续更新中，多给Star，多Fork）：
https://github.com/xbr2017
CSDN也在同步更新：
https://blog.csdn.net/XBR_2014
“ NDVI是遥感领域最常见的植被指数，本节分享的内容主要是通过GDAL批量计算MODIS数据的NDVI参数。其中，新的知识点涉及路径以及路径下文件名的截取，对于分母为0得出的NAN如何处理等。”
首先，让我们来欣赏一下本节的封面图 — 冰盖消融后，奇幻北里海。不能够踏遍世界的每个角落，但可以遥感出地球的每个像元。
北里海 图像来自LandSat官网
NASA Landsat 8卫星上搭载的陆地成像仪（OLI）拍摄了这张大型自然彩色图像，该图显示了2016年4月16日Tyuleniy群岛周围的里海景观。美国海洋科学家诺曼·库灵从该图像中发现了一个令人费解的特征 — 纵横交错的北里海，就其图像本身而言，非常漂亮。Tyuleniy Archipelago周围的浅水区让您可以看到海底的深绿色植被。但问题是：导致出现这些线条的成因是什么？深绿色区域 — 可能是海草或底栖藻类 — 线条是海底的特征。
有些痕迹可能来自人类活动。由于拖网，类似的线条出现在世界的海洋中。但科学文献和1月的卫星图像表明，图像中大多数痕迹都是冰块的杰作。1月份，冰块位于许多线条的前端，最明显的是在图像的东北角。到了4月份，冰已消融，唯独留下冲刷的痕迹。
有科学家发表了关于这种现象的研究，他同意：“毫无疑问，这些痕迹大部分都是冰凿的结果。”奥戈罗多夫注意到里海的这一部分非常浅 — 大约3米深。冬天形成的冰通常约0.5米厚，因此大部分都不会接触到海底。但是相对较薄的冰盖，很容易受风和水流的影响导致变形。当冰块被推到一起时，一些冰被迫向上和向下进入所谓的“小丘”。冰原中小丘的脊梁可以深入海底并在冰块移动时冲刷海床（文字描述译自LandSat官网）。
使用多光谱图像的一个常见任务就是计算各种目标指数，例如区分燃烧和未燃烧的土地或测量植被中含有的氮。让我们看一下用于衡量“绿度”的指数，即归一化植被指数（NDVI）。NDVI是一个简单的指数，使用红色和近红外波长产生-1到1之间的数字。生长的植物使用红色波长进行光合作用，但反射近红外辐射，因此这两个测量的高比率可以表明光合作用和健康的植被。
对于图中的体育场内的场地，左边的自然彩色图中看起来像草，右边的假彩色图像看起来是灰色的，这表明它是人造的。另外，练习场在左侧的自然彩色图像中看起来像草，但在右侧的图像中看起来是红色，表示它们确实是草。
红色，近红外和NDVI图像是单一波段，较亮区域的值较高。请注意，红色波段图像中的植被是暗的，而近红外波段中的植被是明亮的。植被吸收红光并反射近红外线，这些像元值测量的是反射回传感器的信号，就像我们的眼睛看到反射回来的东西一样。彩色红外复合材料仅是视觉图像。我们的眼睛可以看到植被看起来是红色的，这就是NDVI的用武之地。NDVI图像中的练习场很明亮，这意味着它们具有很高的值并且代表了不断生长的植被。体育场很暗，很容易确定它是人造场地。
下面，我们就通过Python GDAL来批量计算MODIS NDVI，本数据由中国农业大学的一位热心小伙伴提供，她已经通过MRT对MODIS原始数据进行了几何校正与图像拼接、裁剪，所以本节直接用的是处理好后的ENVI标准格式的数据，而非hdf数据，该示例数据已上传到我的CSDN（https://download.csdn.net/download/xbr_2014/10854454），可以免费下载。具体代码如下（已给出关键解释）：
# _*_ coding: utf-8 _*_
__author__ = 'xbr'
__date__ = '2018/12/16 16:57'
import os
import numpy as np
from osgeo import gdal
import glob
list_tif = glob.glob('D:\data\*.tif')
out_path = 'D:/'
for tif in list_tif:
in_ds = gdal.Open(tif)
# 获取文件所在路径以及不带后缀的文件名
(filepath, fullname) = os.path.split(tif)
(prename, suffix) = os.path.splitext(fullname)
if in_ds is None:
print('Could not open the file ' + tif)
else:
# 将MODIS原始数据类型转化为反射率
red = in_ds.GetRasterBand(1).ReadAsArray() * 0.0001
nir = in_ds.GetRasterBand(2).ReadAsArray() * 0.0001
ndvi = (nir - red) / (nir + red)
# 将NAN转化为0值
nan_index = np.isnan(ndvi)
ndvi[nan_index] = 0
ndvi = ndvi.astype(np.float32)
# 将计算好的NDVI保存为GeoTiff文件
gtiff_driver = gdal.GetDriverByName('GTiff')
# 批量处理需要注意文件名是变量，这里截取对应原始文件的不带后缀的文件名
out_ds = gtiff_driver.Create(out_path + prename + '_ndvi.tif',
ndvi.shape[1], ndvi.shape[0], 1, gdal.GDT_Float32)
# 将NDVI数据坐标投影设置为原始坐标投影
out_ds.SetProjection(in_ds.GetProjection())
out_ds.SetGeoTransform(in_ds.GetGeoTransform())
out_band = out_ds.GetRasterBand(1)
out_band.WriteArray(ndvi)
out_band.FlushCache()
对于处理长时间序列的遥感影像，批量处理是遥感数据处理家常便饭的事。需要注意的是，批量输出文件名是通过截取对应的输入文件名（去掉后缀）加上ndvi.tif来进行命名。程序中的数据是整型，需要除以10000，转化为大气表观反射率，再进行公式计算。由于图像背景值为0，所以在计算NDVI时，会有像元为0的值出现在分母上，这时候对应像元的计算结果为NAN，程序中通过Numpy的isnan()将NAN替换为0，当然你也可以替换成其他有效数值作为背景值，如-99。最后展示一下NDVI结果图：
吉林省2000年4月1日NDVI结果图，红色（负值）表示水体、冰雪、云等
吉林省2000年4月9日NDVI结果图，红色（负值）表示水体、冰雪、云等