如果你的gdal版本是3.2.2及以上，那么只能：
from osgeo import gdal
ds = gdal.Open(data)
rows = ds.RasterYSize
cols = ds.RasterXSize
bandnum = ds.RasterCount
transform = ds.GetGeoTransform()
ds是一个对象，rows是影像的行，也是Y轴长度。对应的，cols则是影像的列，X轴的长度。bandnum代表影像的波段数。
transform是一个list，存储着栅格数据集的地理坐标信息。
#transform[0] /* top left x 左上角x坐标(经度)*/
#transform[1] /* w--e pixel resolution 东西方向上的像素分辨率*/
#transform[2] /* rotation, 0 if image is "north up" 如果北边朝上，地图的旋转角度*/
#transform[3] /* top left y 左上角y坐标（纬度）*/
#transform[4] ...
《断舍离》是一本书，2017年我买了它。但是我一直学不会断舍离。
原因很简单：例如物品A扔了就可惜，万一以后用得上呢？然后这件物品A，就被我留下来，被我放到某个角度，直到后来我并没有用到它。
我这两天在搬家，整理东西的时候才发现，我还有三张手机贴膜。分别是不同的时间购买的。
因为我需要用到手机贴膜的时候，我不知道它被我放到哪里了。甚至我已经忘了我有没用完的手机贴膜。
也是真的我需要用到它，我会打开购物软件软件，再买一次。
为什么会再买一次呢？因为我已经忘记了之前我有这个东西。
我的记性是不太好的。有次，我问我的朋友，我问她有没有容貌焦虑，她说没有。
我跟着说：我也没有，但是我有记忆焦虑。
我明明和自己的脑子说，记住XX事情，然后过了一会就忘了。
我迫切需要一个物品清单，记录了我家里有什么东西，放在了哪里。
现在我买了两个收纳箱子，后面记录清楚物品的位置。
这个需求是否可以制作成一个app,我正在思考。
我在搬家的时候，喊了一个搬家师傅，我问他：你的车能不能一车拉走，他看到我的东西后，直摇头：你东西太多了，这样不行。
他顿了一顿说：除非加钱。
他说要额外给80元。
我一听不行！我在平台上 ...
我是忘记了今天是2025年考研第一天，时间过得真快，记忆模糊到忘记了第一天要考什么科目。
难怪昨晚老妹发信息给我：考古。
她昨晚翻了翻我的朋友圈，然后给我发信息说：考古。
当时我在加班，一时之间不知道她为何说起考古的意思。
因为老妹连续几年都去当志愿者，今天也不例外。她今天六点多天没亮就出门了，给我们发了一张天色渐亮的照片。我八点半起床耍手机，看到群信息，才意识到今天是考研的第一天。
能在大学里，做一些有意思的事情，以后大学毕业了，出来工作回想以前大学生活总不至于全是灰色记忆。
每年考研的日子都是很有规律的，那就是在圣诞节附近的那个周末。
不知不觉间，距离我的考研，快十年过去了，时间是最无情的杀手。
我记得我考研分数是344分，数学考了九十多，然后其他科目分数都忘了。
由于我是临时考研的，报的学校不是优质学校，当时的想法就是“有书继续读就行，不干测量就行”。
乃至于，到9月份我才知道是先报学校，再去考试。
说起来，我是不后悔，因为当时大一大二大三，打游戏是真的“开心快乐，无忧无虑”。每天都是打游戏。
当然啦，这种无忧无虑的苦果，也是自己吃下：考不到好点的学校。
说起来也很奇怪，当年 ...
大家好，我是小白。
最近处理国产卫星数据（比如高分、吉林一号这些），经常遇到一个痛点： 拿到的原始数据（L1级）是不带地理坐标的 。
直接拖进ArcGIS或QGIS里？arcgis就自动使用同一个目录下的rpc文件对金字塔文件进行几何校正。如果你想看它到底覆盖了地球上哪块地，通常的做法是做“正射纠正”——但这玩意儿费时费力啊，几百景数据跑下来，电脑风扇都能起飞。
其实，如果我们只是想“知道它在哪”，完全不需要处理图像像素，只需要读懂它的“身份证”—— RPC文件 就够了。
今天给大家分享一段Python代码，逻辑很硬核，但用起来很爽。它的功能很简单： 读取原始影像的RPC参数，直接算出影像的四个角点坐标，生成一个Shapefile框框。
为什么要搞这么复杂？很多同学会问：“直接读Tiff里的元数据不行吗？”
对于已经纠正过的产品（L2级以上），当然可以。但对于原始影像，相机和地面的关系是非常复杂的几何投影，并没有简单的Affine Transform（仿射变换），而是通过有理多项式系数（RPC）来描述的。
简单说，RPC就是一个超级复杂的数学公式，告诉我们： 图像上的第几行第几列，对应 ...
从 os.path 转向 pathlib 是 Python 开发中的一个重要升级。虽然 os.path 已经服务了我们很多年，但 pathlib（自 Python 3.4 引入）采用了面向对象的设计，让代码从“字符串拼接”变成了“逻辑操作”，显著提升了代码的可读性和可维护性。
老实说，我在日常工作中，使用os.path更多，但是有必要学习一下pathlib,于是有了这篇文章。这也方便小白日后学习、查询。
以下是从 os.path 过渡到 pathlib 的核心指南。
1. 核心哲学：字符串 vs 对象os.path: 将路径视为字符串。你需要不断调用函数并传入这些字符串。
pathlib: 将路径视为对象。路径本身拥有属性（文件名、后缀）和方法（合并、移动、读取）。
基础导入：
import os
from pathlib import Path
2. 常用操作对照表这是最直观的迁移参考，涵盖了 90% 的日常使用场景。
操作类型
os.path / os
pathlib (Path 对象)
获取当前工作目录
os.getcwd()
Path.cwd()
当前用户 ...
在 GIS 开发中，我们经常需要从 Shapefile 或其他矢量文件中提取属性表的唯一值。今天分享一个简单的 Python 函数，使用 GDAL 的 OGR 模块来实现这个功能。
函数 get_names_from_vector 接收矢量文件路径和字段名作为参数。它首先打开文件，检查字段是否存在，然后遍历所有要素，收集唯一值到集合中。代码中加入了打印语句，便于调试。
这个小工具特别适合批量处理地理数据，比如提取行政区划名称列表。
from osgeo import ogr
def get_names_from_vector(vector_path, name_field):
"""
读取矢量文件属性表指定列的所有唯一值
"""
print(f"正在读取矢量文件: {vector_path}")
ogr.RegisterAll()
ds = ogr.Open(vector_path, 0)
if ds is None:
raise IOError(f"无法打开文件: {vector_path} ...
作为一名遥感行业从业者，深知获取高质量标注数据集的痛点。针对新物体类别的分割任务，往往需要手动收集并标注成千上万张图像。相比物体检测的边界框标注，像素级分割的精确度要求更高，工作量成倍增加。
Meta的Segment Anything Model (SAM) 模型提供了一种革命性方法，能大幅加速各种物体的标注过程。下面，我们来深入探讨这个出色模型的细节。
主要内容
什么是Segment Anything Model (SAM)？
为什么需要SAM？
SAM的架构
SAM模型训练
结果分析
SAM 2的新特性
什么是Segment Anything Model (SAM)？SAM 是Meta AI开发的最先进AI模型，能在图像或视频中识别并分割任意物体。作为计算机视觉的基础模型，它无需额外训练即可泛化到新物体类别和任务。
本质上，SAM 执行图像分割任务，即将图像分区成多个物体段落。但它超越传统分割模型的地方在于：
通用性：能分割任何物体，即使训练数据中未包含。
交互性：用户可通过点、框或文本等提示引导模型。
实时性：能实时生成高质量掩码，适合交互应用。
适应性：无需大量重训，即可微 ...
我有个哥们儿，最近老跟我聊起一个事儿。他说，好多人二十出头的时候，对未来没啥紧迫感，觉得日子还长着呢。可一过三十，那股危机感就跟开了闸似的，扑面而来，让人有点慌神。
他想了好久，觉得中年危机，其实不是真等到中年才冒出来的，早在大家年轻时候就埋下了种子，只不过很多人拖到中年才猛地醒过味儿来。
赚钱这事儿，说白了就是你得有能耐，给社会添点值钱的东西，然后别人心甘情愿拿钱跟你换。
公司呢？在我哥们儿看来，就是个中间商，抽水的那种。往往有个牛人，带领导范儿的，拉起一帮人给他干活儿，攒出价值，再打包卖给外面的人。
为啥打工总赚不到大钱？不是你没出力，而是你出力没直达市场。你帮公司、帮老板忙活，换来的就那点死工资，不是产品卖掉后的分成。
公司这玩意儿，本质上就是中介、抽成、打包整合。老板雇你和一堆人，合力搞出东西卖出去。你要明白这个，就比很多人清醒多了。
如果你自己能单枪匹马跟市场换东西，那干嘛还吊死在一家公司树上？打工的根儿上，是因为你还玩不转独立创值，这才是要害。
所以，赶紧挖挖自己有啥本事，能让其他人买单的点子。
现在好多人去摆摊，我哥们儿觉得这超赞，从不觉得丢人，还觉得他们聪明着呢。
就算 ...
大家好，我是小白说遥感！今天我们继续聊聊遥感图像处理中的“老朋友”——裁剪影像（image clipping）。这是地理信息和遥感领域最常见、最基础的操作之一，但别看它简单，里面的“坑”和“门道”一点也不少。
随着传感器分辨率越来越高，单张影像动辄几十 GB，上百 GB 也不稀奇。很多小伙伴处理大文件时，经常出现内存爆掉、程序卡死、电脑宕机的情况（尤其是笔记本用户）。
那么裁剪这么大体量的影像，到底该怎么选工具？今天我们就从 rasterio 和 GDAL 两个角度来聊聊。
先说 rasterio：简单好用，但有“内存短板”rasterio 是一个专注于栅格数据操作的 Python 库，API 友好得像在玩积木，非常适合做快速开发和小规模数据处理。
其中最常用的裁剪函数就是：
from rasterio.mask import mask
out_image, out_transform = mask(src, [geometry], crop=False)
只要提供一个矢量 polygon，rasterio 就能帮你把影像剪得干干净净，尤其适合做：
小范围试验
批量测试
快速 d ...
大家好，我是小白说遥感，今天我们来聊聊在地理空间工作流中，YOLO 与 SAM 的对比分析。1. 数据集要求：有监督的边界框 vs 无需训练的提示
YOLO (v3 至 v9、YOLOv8、YOLO-NAS、YOLO-World)YOLO 是一种典型的数据驱动型模型。它要求提供带有标注的边界框数据集进行训练。它最适用于 COCO 风格的标注格式。在地理空间领域，YOLO 擅长处理来自大型正射影像的数百万个瓦片数据，尤其适用于数据经过清晰整理和策展的情况。
SAM (SAM、FastSAM、MobileSAM、SAM2)SAM 是一种零样本分割模型。它最大的特点是无需训练数据集。它通过使用提示（Prompt），如点、边界框或粗略的掩膜，来引导模型生成精确的分割结果。SAM 是在缺乏现有多边形标注或需要进行快速分割实验时的理想工具。
数据集总结：
YOLO 依赖大量标注数据，但运行稳定，结果可预测。
SAM 无需数据集，但分割结果依赖于用户输入的提示质量。
2. 算法与架构差异：检测优先 vs 分割优先YOLO：一步式目标检测器YOLO 是一种一步式目标检测器（One-Stage ...
