基于遥感数据计算NDVI的植被变化检测

基于遥感数据计算NDVI的植被变化检测与基于图像的计算方法类似，只是需要先将遥感数据进行预处理。以下是一个基于Python和GDAL库的示例代码：

from osgeo import gdal
import numpy as np

# 读取红光和近红外波段的数据
red1 = gdal.Open('path/to/red1.tif').ReadAsArray().astype(np.float32)
nir1 = gdal.Open('path/to/nir1.tif').ReadAsArray().astype(np.float32)
red2 = gdal.Open('path/to/red2.tif').ReadAsArray().astype(np.float32)
nir2 = gdal.Open('path/to/nir2.tif').ReadAsArray().astype(np.float32)

# 计算NDVI图像
ndvi1 = (nir1 - red1) / (nir1 + red1)
ndvi2 = (nir2 - red2) / (nir2 + red2)

# 计算NDVI变化图像
ndvi_diff = ndvi2 - ndvi1

# 对NDVI变化图像进行阈值分割
thresh = np.where(ndvi_diff > 0.1, 1, 0)

# 保存植被变化区域
driver = gdal.GetDriverByName('GTiff')
out_ds = driver.Create('path/to/output.tif', ndvi_diff.shape[1], ndvi_diff.shape[0], 1, gdal.GDT_Byte)
out_ds.GetRasterBand(1).WriteArray(thresh)
out_ds.SetProjection(gdal.Open('path/to/red1.tif').GetProjection())
out_ds.SetGeoTransform(gdal.Open('path/to/red1.tif').GetGeoTransform())
out_ds = None

在这个例子中，我们使用`gdal.Open`函数读取红光和近红外波段的数据，并使用`astype`函数将像素值转换为浮点数。然后，我们计算每个时间点的NDVI图像，并将它们相减得到NDVI变化图像。最后，我们使用NumPy的`where`函数进行阈值分割，并使用GDAL库保存植被变化区域。请注意，这个例子仅适用于灰度图像。如果您要读取彩色图像，请使用`gdal.Open`函数读取图像，并使用`cv2.cvtColor`函数将其转换为灰度图像。