如果您是地理空间数据处理领域的一员，那么 GDAL/OGR 库想必是您工具箱中不可或缺的瑞士军刀。多年来，我们习惯了使用一系列独立的命令行工具，如 gdalinfo、gdal_translate、gdalwarp 和 ogr2ogr。它们功能强大，但数量繁多，有时我们不得不去翻阅文档，才能记起那个特定任务到底该用哪个命令。
现在，这一切都将成为历史。随着 GDAL 3.11 的发布，一个全新的、革命性的功能登场了——统一命令行界面（Unified CLI）。这不仅仅是一次小修小补，而是一次彻底的重构，旨在为您提供一个更一致、更直观、更强大的 GDAL 体验。
核心理念：从分散到统一过去，每个工具都是一个独立的程序。而现在，所有的功能都被整合到了一个单一的入口点之下：gdal。
新的语法结构清晰明了，采用了分层设计：
gdal [领域] [操作] [选项] [参数]
这里的“领域”通常指代您正在处理的数据类型，如 raster（栅格）、vector（矢量）或 mdim（多维数据）。“操作”则是您想要执行的具体任务，如 info（获取信息）、convert（转换格式）或 reproject ...
GDAL（地理空间数据抽象库，Geospatial Data Abstraction Library）是一个开源库，用于读取、写入和处理多种栅格和矢量地理空间数据格式。它为地理信息系统（GIS）提供了强大而统一的数据访问方式。。简要介绍 GDAL 的架构、关键组件和功能。
GDAL核心架构GDAL 由多个相互连接的子系统组成，它们协同工作，提供全面的地理空间数据处理功能。其核心架构包括栅格 (GDAL) 和矢量 (OGR) 处理组件，以及用于可移植性、算法和虚拟文件系统的支持库。
关键组件GDAL 的架构可分为以下几个核心部分：
核心库（Core GDAL Library）
提供统一的数据模型和 I/O 接口
使用 CPL（Core Portability Library）实现平台兼容性
包含虚拟文件系统（Virtual File Interface）
2. 矢量与栅格支持
OGR（矢量库）：支持 GeoJSON、Shapefile、PostGIS 等矢量格式
栅格模块：支持 GeoTIFF、NetCDF、HDF5、JPEG2000 等格式
3. 驱动框架（Driver ...
GDAL_OGR简单的使用教程检测安装from osgeo import gdal
查看版本gdal.VersionInfo('VERSION_NUM')
# '2040100'
开启python异常默认情况下，发生错误时，GDAL/OGR Python绑定不会引发异常。相反，它们返回错误值（例如None），并将错误消息写入sys.stdout。你可以通过调用UseExceptions()函数来开启异常：
from osgeo import gdal
# 开启异常
gdal.UseExceptions()
# 打开不存在的数据集
ds = gdal.Open('test.tif')
# 开启异常前
ERROR 4: test.tif: No such file or directory
# 开启异常后
RuntimeError Traceback (most recent call last)
<ipython-input-5-6ef000fdc647> in <module>
----> ...
各位，今天我们来解构一下“遥感”这个专业。
一、遥感到底是个啥？核心定义： 遥感（Remote Sensing），顾名思义，即“遥远地感知”。它并非超能力，而是一门利用飞机、卫星等平台上的传感器，在不直接接触的情况下，获取地球及其他天体信息的科学与技术。
可以把它想象成给地球做一次全面的“健康体检”。我们使用的工具不是听诊器，而是各种传感器，它们能捕捉到肉眼看不见的光谱信息，比如：
可见光影像： 就是我们常见的“地球写真集”。
红外影像： 可以感知地表温度，监测火灾或农作物长势。
雷达影像： 能穿透云层，全天候无阻碍地“看”地表。
一言以蔽之，遥感的核心流程就两步：获取数据（拍片）和处理分析（修图解读）。
二、听着高大上，学遥感究竟有何用？学习遥感，你将解锁一个独特的视角——“上帝视角”。
当你的同学还在为一张地图上的等高线而苦恼时，你已经可以在电脑上拖动鼠标，以上帝的视角俯瞰山川湖海、城市变迁。这种体验，堪比在玩一款名为“地球Online”的即时战略游戏。
地理相关学科的魅力在于培养人的宏观思维和跨学科整合能力。遥感人，通过分析卫星影像，为国土规划、环境保护、灾害预警、国家安全 ...
正如之前我说的，遥感影像在深度学习的输入形式一般是RGB格式，而遥感影像的原始数据一般由多个波段组合。
所以，我们需要做的一个步骤的：把多波段的遥感影像转换为RGB遥感影像。
RGB，三个字母说明了这个文件由三个矩阵组成，它们的顺序是RED、GREEN、BLUE。也叫做红绿蓝波段。
以国产遥感影像高分一号为例，GF1的原始数据的波段顺序是BLUE、GREEN、RED、NIR。即蓝、绿、红、近红外。
所以把多波段的遥感影像转换为RGB遥感影像的原理很简单，我们只需要保留前三个波段，并且把1、3波段调换顺序即可完成此步骤。
具体的python代码如下：
from osgeo import gdal
import os
def convert_4band_to_rgb(input_tif, output_tif):
"""
Convert a 4-band (RGB+NIR) TIFF to a 3-band RGB TIFF.
Args:
input_tif (str): Path to the input 4-band TIFF file. ...
Bilibili 下载指南本指南提供使用 yt-dlp 下载 Bilibili 视频（ID：BV1n2j2zxEZk）的 ai-zh 字幕（SRT 格式）和 M4A 音频的命令，分别适用于单个视频部分和整个合集。
下载单个视频部分（字幕和音频）要下载某个特定部分（例如第 4 部分）的 ai-zh 字幕和 M4A 音频：
yt-dlp --cookies www.bilibili.com_cookies.txt --write-subs --sub-langs ai-zh -f "bestaudio[ext=m4a]" --restrict-filenames -o "%(title)s_p%(part_number)s.%(ext)s" https://www.bilibili.com/video/BV1n2j2zxEZk?p=4
注意事项：
将 ?p=4 替换为所需的视频部分编号（例如，?p=5 表示第 5 部分）。
确保 www.bilibili.com_cookies.txt 是从浏览器导出的有效 cookies 文件。
输出文件将命名为类似 有声书长生从娶妻开始_p04.m4 ...
landsat9影像下载的渠道有很多个，最常见的是USGS、GEE。
今天是演示怎么在USGS下载Landsat9影像。
下载数据本身是免费的、不收钱。但是最大的阻碍就是科学网上冲浪。
所以也导致了很多小白，跑去国内二手交易平台寻求帮助。
这些帮助不仅限于注册USGS，卖USGS成品号，帮下载数据。
如果你掌握了landsat9的下载全流程，你可以去赚这个辛苦的、繁琐的零花钱。
1. 注册USGS(⊙o⊙)…我在几年前注册过一个，现在为了演示，开始注册第二个USGS账号。
邮箱我使用的是网易的126邮箱。
邮箱是新注册的邮箱，13:55注册邮箱，然后开始在USGS注册，4分钟完成注册USGS。
即，13:59收到USGS注册确认邮箱，4分钟完成USGS账号注册，如下
登录账号地址是：https://ers.cr.usgs.gov/login
成功注册：
不想注册USGS，用我的：账户名：rs4xiaobai12密码：rs4xiaobai12
2. landsat9 数据下载数据下载的页面是https://earthexplorer.usgs.gov/
2.1 设置搜索条件首先要 ...
lee滤波对于sar影像去噪非常有用。且lee滤波也很容易理解，且看以下python代码编写的lee滤波函数。
import numpy as np
from scipy.ndimage import uniform_filter
def lee_filter(img, size, global_variance):
"""
Apply Lee filter for speckle noise reduction using a global variance.
"""
img_mean = uniform_filter(img, (size, size))
img_sqr_mean = uniform_filter(img ** 2, (size, size))
img_variance = img_sqr_mean - img_mean ** 2
# Avoid division by zero or invalid operations
denominator = img_variance + global_va ...
开门见山地回答这个问题，得看情况。
是否做大气校正由你的目的决定。
如果，你的目的是做遥感反演，如水质参数反演、指数计算等，此时需要做大气校正。
如果，若任务不涉及定量反演（如目视解译、粗略分类或相对变化监测），大气校正的必要性较低，可跳过以简化流程。
以上为个人观点，欢迎提出不同看法或进一步交流！
遥感数据是否需要进行大气校正取决于具体应用场景和数据使用目的。以下分两种情况进行说明：
反演,需要大气校正大气校正通常在以下情况下是必要的：定量分析（植被监测、环境监测）
常用的校正方法包括基于辐射传输模型（如MODTRAN、6S模型）或基于影像的经验方法（如DOST、FLAASH）。校正后可获得地表反射率或辐射率数据。
不反演，不需要大气校正不反演的情况有哪些？主要是定性分析、目视解译、深度学习的应用。
因为深度学习的输入一般是8bit图像，而遥感影像原始数据一般是16bit或者14bit（有些国产影像是10bit），所以，无论你是否进行大气校正都需要进行位深转换。
位深转换即非8位图像转换为8位图像。位深转换的方式有很多种，常用的线性拉伸，在arcgis中的位深转换方式如下：
在将遥 ...
