大家好
我是瓶子~，又见面咯~
不知不觉假期余额又又又不足了，瓶子最近也面临着开学“危机”。不过这几天确实应该整理整理心情投入到新一轮的奋斗中了
。
屏幕前热爱学习的你不如动动小手滑动阅读一下小火的推文，把觉得有用的文章收藏一下方便后期阅读使用哦。
好啦言归正传，瓶子最近在学习的过程中，发现了一个容易忽略的科学问题。就是当我们把一整组影像放在arcgis中的时候，可能可以发现他的最大最小值的趋势是什么，但是其实很容易忽略其平均值。在一些研究中，我们是需要看平均值的趋势的，而最大最小值的趋势并不能代表平均值趋势，所以我们就需要制图分析。
于是，一篇（shuishuide）高质量推文就呼之欲出了！只需要修改一下数据所在的路径就可以实现影像统计值的可视化了！
废话不多说了，直接呈上代码！！！
# -*- encoding:utf-8 -*-import osimport numpy as npimport pandas as pdfrom osgeo import gdalimport matplotlib.pyplot as pltdef gdal_analysis(in_path, out_csv):# 获取.tif文件列表tifs = [os.path.join(in_path, i) for i in os.listdir(in_path) if i.endswith(".tif")]# 初始化用于存储统计数据的字典stat_data = {'fileName': [],'count': [],'min': [],'max': [],'sum': [],'mean': [],'median': [],'std': []}# 遍历每个.tif文件，计算统计数据for in_tif in tifs:bname = os.path.basename(in_tif)fname = os.path.splitext(bname)[0]rds = gdal.Open(in_tif) # 打开文件band = rds.GetRasterBand(1) # 获取第一个波段ndv = band.GetNoDataValue() # 获取无数据值values = np.array(band.ReadAsArray()).ravel() # 将波段数据读入数组values = values[values != ndv] # 排除无数据值# 计算统计量并添加到字典stat_data['fileName'].append(fname)stat_data['count'].append(len(values))stat_data['min'].append(np.min(values))stat_data['max'].append(np.max(values))stat_data['sum'].append(np.sum(values))stat_data['mean'].append(np.mean(values))stat_data['median'].append(np.median(values))stat_data['std'].append(np.std(values))# 将统计数据字典转换为DataFrameres_df = pd.DataFrame(stat_data)# 提取文件名和平均值作为图表数据file_names = np.array(res_df['fileName'])mean_values = res_df['mean'].values# 绘制折线图plt.figure(figsize=(12, 6))plt.plot(file_names, mean_values, label='Mean Value', marker='o', linestyle='-')plt.plot(file_names, res_df['median'].values, label='Median Value', marker='s', linestyle='--')plt.plot(file_names, res_df['min'].values, label='Min Value', marker='v', linestyle='-.')plt.plot(file_names, res_df['max'].values, label='Max Value', marker='^', linestyle=':')# 设置图例、标题、x轴和y轴标签plt.legend()plt.title('Raster Data Statistics Over Time')plt.xlabel('File Name')plt.ylabel('Statistic Value')# 优化x轴的显示，防止文件名重叠plt.xticks(rotation=45)# 显示网格plt.grid(True)# 显示图表plt.tight_layout() # 调整布局以适应所有标签plt.show()# 保存DataFrame到CSV文件res_df.to_csv(out_csv, index=False)# 输入输出路径path1 = r"J:\Geographic_data\2000-2022年逐年归一化植被指数（NDVI）数据河南省（1km）"csv1 = r"J:\Geographic_data\2000-2022年逐年归一化植被指数（NDVI）数据河南省（1km）\statistics.csv"# 执行函数gdal_analysis(path1, csv1)print("done")
输出的结果是：
表格一张
文件一个
数据案例下载：
2000-2022年逐年归一化植被指数（NDVI）数据河南省（1km）
链接: https://pan.baidu.com/s/1X8ZIf2pqVAzjr-kYrlvJMQ?pwd=msr3 提取码: msr3祝小火伴们开学开心~
宇宙级声明：以上风格仅代表本期小编
