python 水域面积

### 归一化水域面积的方法 归一化水域面积是一种常见的数据分析技术，用于消除不同尺度或单位的影响，使得数据更加可比。对于水域面积的归一化处理，可以采用以下几种方法： #### 方法一：基于总区域的比例归一化 通过将水域面积除以整个研究区总面积来实现归一化。这种方法适用于需要对比多个区域之间相对水域覆盖的情况。 公式如下： \[ N_{area} = \frac{A_{water}}{A_{total}} \] 其中 \( A_{water} \) 是水域面积，\( A_{total} \) 是研究区总面积[^1]。 --- #### 方法二：基于 NDWI 的阈值分割法 NDWI（Normalized Difference Water Index）可以通过遥感影像提取水体信息，并将其转化为二值图表示是否有水体存在。随后统计水体像元数量并乘以单个像元面积得到实际水域面积。最后可通过上述比例归一化方式进一步标准化。 NDWI 计算公式为： \[ NDWI = \frac{(p(\text{Green}) - p(\text{NIR}))}{(p(\text{Google}) + p(\text{NIR}))} \] 设定合适的阈值（通常为 0 或其他经验值），筛选出水体部分[^2]。 --- #### 方法三：时间序列上的动态归一化 如果目标是对某一区域内不同时期的水域面积进行比较，则可以引入时间维度下的动态归一化策略。具体而言，选取某一年作为基准年份，其余各年的水域面积均以其为基础做比率变换。 假设第 i 年的水域面积记作 \( A_i \)，基准年份 j 对应的水域面积为 \( A_j \)，则有： \[ N_{i,j} = \frac{A_i}{A_j} \] 此过程能够揭示长期趋势变化特征[^3]。 --- #### 方法四：考虑生态服务价值加权的综合评估模型 当涉及多类生态系统的服务功能评价时，单纯依靠物理意义上的面积可能不足以全面反映实际情况。此时需结合各类用地类型对应的权重系数来进行调整后的归一化运算。例如，在某些场景下森林或者湿地所提供的环境效益远高于普通湖泊水库等自然开放型水源地所贡献的部分；因此有必要针对具体情况设计合理的赋分体系后再执行统一规范化操作[^4]。 --- #### Python 实现示例代码 以下是使用 Earth Engine API 进行简单水域面积计算的一个例子: ```python import ee ee.Initialize() def calculate_normalized_water_area(image_collection, region): # Select images within date range and filter by study area. filtered = image_collection.filterDate('2020-01-01', '2020-12-31').filterBounds(region) def maskWater(img): ndwi = img.normalizedDifference(['B3','B8']).rename('NDWI') waterMask = ndwi.gt(0).selfMask().rename('water_mask') return img.addBands(waterMask) masked_images = filtered.map(maskWater) totalPixels = ee.Image.pixelArea().reduceRegion(**{ 'reducer': ee.Reducer.sum(), 'geometry': region, 'scale': 10}) waterPixels = masked_images.select('water_mask').sum().multiply(ee.Image.pixelArea()).reduceRegion(**{ 'reducer': ee.Reducer.sum(), 'geometry': region, 'scale': 10}) normalizedValue = waterPixels.getNumber('water_mask').divide(totalPixels.getNumber('area')).getInfo() return normalizedValue region_of_interest = ee.Geometry.Rectangle([75.1, 18.7, 77.1, 20.0]) sentinel_2 = ee.ImageCollection("COPERNICUS/S2_SR") normalized_result = calculate_normalized_water_area(sentinel_2, region_of_interest) print(normalized_result) ``` ---

### 使用Python实现地表要素影像提取 对于地表要素影像提取的任务，通常涉及遥感图像处理。这可以通过多种Python库来完成，如`rasterio`用于读写栅格数据[^1]，以及`geopandas`配合矢量数据分析。下面提供一种基于这些工具的方法。 #### 方法概述 通过加载卫星或其他来源获取的地表覆盖区域的多光谱或高分辨率单波段影像作为输入源；定义感兴趣的目标类别（比如植被、水体等），并利用分类算法识别目标对象所在位置；最后输出标记有特定地理坐标的二值掩膜图或者矢量化后的边界形状文件表示检测到的对象轮廓。 #### 所需安装的库 为了执行此过程，需要预先安装几个重要的第三方模块： ```bash pip install rasterio geopandas shapely scikit-image matplotlib ``` #### 示例代码：简单阈值分割法提取水域范围 这里给出一段简单的例子，它采用固定阈值的方式从灰度级遥感图片中分离出可能代表水面的部分——这种方法适用于那些具有明显亮度差异特征之间的场景对比情况下的初步筛选工作。 ```python import numpy as np import rasterio from skimage import filters, measure import geopandas as gpd from shapely.geometry import Polygon def extract_water_bodies(image_path): with rasterio.open(image_path) as src: img = src.read(1).astype('float64') # 假设为单通道影像 threshold_value = filters.threshold_otsu(img) binary_img = (img > threshold_value) label_image = measure.label(binary_img) regions = measure.regionprops(label_image) polygons = [] for region in regions: coords = region.coords if len(coords) >= 3: # 至少三个顶点才能构成一个多边形 poly = Polygon(coords[:, ::-1]) # 注意坐标顺序转换 polygons.append(poly) water_bodies_gdf = gpd.GeoDataFrame({'geometry':polygons}) return water_bodies_gdf if __name__ == '__main__': result = extract_water_bodies('./path_to_your_raster_file.tif') result.to_file(driver='ESRI Shapefile', filename='./output.shp') ``` 这段脚本实现了如下功能： - 加载指定路径下的GeoTIFF格式影像； - 应用Otsu's自动选取最佳门限值来进行像素级别的黑白化处理； - 对连通域进行标注编号，并计算各部分几何属性； - 将符合条件的大面积连续白色区块转成Shapely中的Polygon实例集合； - 创建Geopandas GeoDataFrame保存上述结果集； - 输出Shapefile形式的空间向量数据成果供后续分析使用。