ಪರಿಸರದ ಮೇಲ್ವಿಚಾರಣೆ, ಕೃಷಿ, ನಗರ ಯೋಜನೆ, ವಿಪತ್ತು ನಿರ್ವಹಣೆ ಮತ್ತು ಹವಾಮಾನ ಬದಲಾವಣೆಯ ಅಧ್ಯಯನಗಳು ಉಪಗ್ರಹ ಚಿತ್ರಣ ವಿಶ್ಲೇಷಣೆಯಿಂದ ಪ್ರಯೋಜನ ಪಡೆದಿವೆ.
ಭೂಮಿಯನ್ನು ವೀಕ್ಷಿಸುವ ಉಪಗ್ರಹಗಳು ದಾಖಲಿಸಿದ ಬೃಹತ್ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಮೂಲಕ ನಾವು ನಮ್ಮ ಗ್ರಹದ ಗುಣಲಕ್ಷಣಗಳು, ಬದಲಾವಣೆಗಳು ಮತ್ತು ಡೈನಾಮಿಕ್ಸ್ಗೆ ಗಮನಾರ್ಹ ಒಳನೋಟಗಳನ್ನು ಪಡೆಯಬಹುದು.
ಪೈಥಾನ್, ಬಹುಮುಖ ಮತ್ತು ಬಲವಾದ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆ, ಕ್ಷಿಪ್ರ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ಉಪಗ್ರಹ ಚಿತ್ರಣ ಪ್ರಕ್ರಿಯೆಗಾಗಿ ಗ್ರಂಥಾಲಯಗಳು ಮತ್ತು ಸಾಧನಗಳ ಸಮೃದ್ಧ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯನ್ನು ನೀಡುತ್ತದೆ.
ಅದರ ಉಪಯೋಗ ಉಪಗ್ರಹ ಚಿತ್ರಣ ವಿಶ್ಲೇಷಣೆ ಸಾಧ್ಯತೆಗಳ ಜಗತ್ತನ್ನು ತೆರೆಯುತ್ತದೆ. ಭೂ ಕವರ್ ವರ್ಗೀಕರಣ, ಸಸ್ಯವರ್ಗದ ಆರೋಗ್ಯ ಮೌಲ್ಯಮಾಪನ, ನಗರ ವಿಸ್ತರಣೆಯನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುವುದು ಮತ್ತು ತೀರದ ನಕ್ಷೆಯಂತಹ ಉಪಗ್ರಹ ಫೋಟೋಗಳಿಂದ ಉಪಯುಕ್ತ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯಲು ಇದು ನಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ಪೈಥಾನ್ನ ಬಹುಮುಖತೆ ಮತ್ತು ರಾಸ್ಟೆರಿಯೊ, ನಂಬಿ ಮತ್ತು ಮ್ಯಾಟ್ಪ್ಲಾಟ್ಲಿಬ್ನಂತಹ ಮಾಡ್ಯೂಲ್ಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಮೂಲಕ ನಾವು ಉಪಗ್ರಹ ಚಿತ್ರಗಳನ್ನು ಸುಲಭವಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದು, ಪ್ರದರ್ಶಿಸಬಹುದು ಮತ್ತು ವಿಶ್ಲೇಷಿಸಬಹುದು.
ಉಪಗ್ರಹ ಚಿತ್ರಣ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಪೈಥಾನ್ ಅನ್ನು ಬಳಸುವ ಒಂದು ಪ್ರಾಥಮಿಕ ಪ್ರಯೋಜನವೆಂದರೆ ಅದರ ವಿಶಾಲ ವ್ಯಾಪ್ತಿಯ ಜಿಯೋಸ್ಪೇಷಿಯಲ್ ಡೇಟಾ ಸಂಸ್ಕರಣಾ ಮಾಡ್ಯೂಲ್ಗಳು.
ಉದಾಹರಣೆಗೆ, Rasterio, ರಾಸ್ಟರ್ ಮಾಹಿತಿಯನ್ನು ಓದಲು ಮತ್ತು ಮಾರ್ಪಡಿಸಲು ಸರಳವಾದ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಹೊಂದಿದೆ, ಇದು ಉಪಗ್ರಹ ಚಿತ್ರಣ ಫೈಲ್ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಸೂಕ್ತವಾಗಿದೆ.
ಚಿತ್ರ ಡೇಟಾದಲ್ಲಿ ವೇಗದ ಲೆಕ್ಕಾಚಾರಗಳು ಮತ್ತು ಅಂಕಿಅಂಶಗಳನ್ನು ನಿರ್ವಹಿಸಲು ನಂಬಿ ಮಾಡ್ಯೂಲ್ ಅತ್ಯಾಧುನಿಕ ರಚನೆಯ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಮ್ಯಾಟ್ಪ್ಲಾಟ್ಲಿಬ್ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಫಲಿತಾಂಶಗಳ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ಸಂವಹನದಲ್ಲಿ ಸಹಾಯ ಮಾಡಲು ಸಂಬಂಧಿತ ದೃಶ್ಯಗಳನ್ನು ರಚಿಸಲು ನಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ಕೆಳಗಿನ ವಿಭಾಗಗಳಲ್ಲಿ, ಉಪಗ್ರಹ ಫೋಟೋಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಪೈಥಾನ್ ಅನ್ನು ಹೇಗೆ ಬಳಸಬಹುದು ಎಂಬುದನ್ನು ತೋರಿಸಲು ನಾವು ನಿಜವಾದ ಉದಾಹರಣೆಗಳು ಮತ್ತು ಕೋಡ್ ತುಣುಕುಗಳನ್ನು ನೋಡುತ್ತೇವೆ.
ಉಪಗ್ರಹ ಫೋಟೋಗಳನ್ನು ತೆರೆಯುವುದು, ಇಮೇಜಿಂಗ್ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು, ಮೆಟಾಡೇಟಾವನ್ನು ಹೊರತೆಗೆಯುವುದು, ಬ್ಯಾಂಡ್ ಅಂಕಿಅಂಶಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಿಸಿದ ವ್ಯತ್ಯಾಸ ಸಸ್ಯವರ್ಗ ಸೂಚ್ಯಂಕ (NDVI) ನಂತಹ ನಿರ್ದಿಷ್ಟ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಹೇಗೆ ನಡೆಸುವುದು ಎಂಬುದರ ಕುರಿತು ನಾವು ಹೋಗುತ್ತೇವೆ.
ಪೈಥಾನ್ನೊಂದಿಗೆ ಉಪಗ್ರಹ ಚಿತ್ರಗಳ ವಿಶ್ಲೇಷಣೆಯ ಕುತೂಹಲಕಾರಿ ವಿಷಯವನ್ನು ಪ್ರಾರಂಭಿಸಲು ಈ ಉದಾಹರಣೆಗಳು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತವೆ.
ಮೊದಲಿಗೆ, ನಮ್ಮ ಕಾರ್ಯದಲ್ಲಿ ನಮಗೆ ಸಹಾಯ ಮಾಡಲು ನಾವು ಕೆಲವು ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳಬೇಕು.
import rasterio
import matplotlib.pyplot as plt
import numpy as np
1. ಉಪಗ್ರಹ ಚಿತ್ರವನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು ಮತ್ತು ತೆರೆಯುವುದು
satellite_image_path ಮೂಲಕ ಒದಗಿಸಲಾದ ಉಪಗ್ರಹ ಚಿತ್ರವನ್ನು ಪ್ರವೇಶಿಸಲು ನಾವು ಈ ವಿಭಾಗದಲ್ಲಿ Rasterio ಲೈಬ್ರರಿಯನ್ನು ಮಾಡುತ್ತೇವೆ.
ಇಮೇಜ್ ಫೈಲ್ ಅನ್ನು rasterio.open() ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ತೆರೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಪರಿಣಾಮವಾಗಿ ವಸ್ತು, satellite_image, ತೆರೆದ ಚಿತ್ರವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.
ಈ ಕಾರ್ಯಕ್ಕಾಗಿ, ನಾನು ಈ ಲಿಂಕ್ನಿಂದ ಚಿತ್ರವನ್ನು ಬಳಸಿದ್ದೇನೆ: https://unsplash.com/photos/JiuVoQd-ZLk ಮತ್ತು ಅದನ್ನು ನನ್ನ ಕಂಪ್ಯೂಟರ್ನಲ್ಲಿ "satellite.jpg" ಎಂದು ಉಳಿಸಿದ್ದೇನೆ.
# Open the satellite image using rasterio
satellite_image_path = 'satellite.jpg'
satellite_image = rasterio.open(satellite_image_path)
ಚಿತ್ರವನ್ನು ತೆರೆದ ನಂತರ, ಸ್ಯಾಟಲೈಟ್_ಇಮೇಜ್ ಆಬ್ಜೆಕ್ಟ್ನ ರೀಡ್() ಕಾರ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು ಅದನ್ನು ಒಂದು ಶ್ರೇಣಿಯಾಗಿ ಓದುತ್ತೇವೆ. ಉಪಗ್ರಹ ಚಿತ್ರಗಳ ಪ್ರತಿ ಬ್ಯಾಂಡ್ಗೆ ಪಿಕ್ಸೆಲ್ ಮೌಲ್ಯಗಳನ್ನು ಚಿತ್ರ ರಚನೆಯಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ.
# Read the image as an array
image_array = satellite_image.read()
ಉಪಗ್ರಹ ಚಿತ್ರವನ್ನು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು, ನಾವು 10×10-ಇಂಚಿನ ಚಿತ್ರವನ್ನು ರಚಿಸಲು matplotlib.pyplot ಉಪಕರಣವನ್ನು ಬಳಸುತ್ತೇವೆ.
ಚಿತ್ರ ರಚನೆಯನ್ನು imshow () ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ತೋರಿಸಲಾಗಿದೆ. ಚಿತ್ರ ರಚನೆಯ ಆಯಾಮಗಳನ್ನು imshow() ಮೂಲಕ ನಿರೀಕ್ಷಿತ ಕ್ರಮಕ್ಕೆ ಸರಿಹೊಂದುವಂತೆ ಮರುಹೊಂದಿಸಲು ಟ್ರಾನ್ಸ್ಪೋಸ್(1, 2, 0) ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ಅಂತಿಮವಾಗಿ, ಆಕ್ಸಿಸ್ ('ಆಫ್') ಅಕ್ಷದ ಲೇಬಲ್ಗಳನ್ನು ಮರೆಮಾಡುತ್ತದೆ, ಇದು ಉಪಗ್ರಹ ಚಿತ್ರದ ಸ್ಪಷ್ಟ ನೋಟವನ್ನು ನೀಡುತ್ತದೆ.
# Visualize the image
plt.figure(figsize=(10, 10))
plt.imshow(image_array.transpose(1, 2, 0))
plt.axis('off')
plt.show()
2. ಮೆಟಾಡೇಟಾ ಹೊರತೆಗೆಯುವಿಕೆ
ಉಪಗ್ರಹ ಚಿತ್ರವನ್ನು ತೆರೆದು ಪ್ರದರ್ಶಿಸಿದ ನಂತರ ನಾವು ಅದರ ಪ್ರಮುಖ ಮೆಟಾಡೇಟಾ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯುತ್ತೇವೆ. ಈ ಮಾಹಿತಿಯು ಚಿತ್ರದ ಗುಣಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ ಮತ್ತು ಭವಿಷ್ಯದ ತನಿಖೆಗೆ ಸಂದರ್ಭವನ್ನು ನೀಡುತ್ತದೆ.
image_width = satellite_image.width
image_height = satellite_image.height
image_crs = satellite_image.crs
image_count = satellite_image.count
print("Image Width:", image_width)
print("Image Height:", image_height)
print("Coordinate Reference System:", image_crs)
print("Number of Bands:", image_count)
ಸ್ಯಾಟಲೈಟ್_ಇಮೇಜ್ ಆಬ್ಜೆಕ್ಟ್ನ ಅಗಲ ಮತ್ತು ಎತ್ತರದ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ನಾವು ಚಿತ್ರದ ಅಗಲ ಮತ್ತು ಎತ್ತರವನ್ನು ಹೊರತೆಗೆಯುತ್ತೇವೆ. ಚಿತ್ರದ ನಿರ್ದೇಶಾಂಕ ಉಲ್ಲೇಖ ವ್ಯವಸ್ಥೆಯನ್ನು (CRS) ಹಿಂಪಡೆಯಲು crs ಆಸ್ತಿಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
CRS ಚಿತ್ರದ ಪ್ರಾದೇಶಿಕ ಉಲ್ಲೇಖ ವ್ಯವಸ್ಥೆಯ ಮಾಹಿತಿಯನ್ನು ನೀಡುತ್ತದೆ, ಇದು ನೈಜ-ಪ್ರಪಂಚದ ಸ್ಥಳಗಳಿಗೆ ಚಿತ್ರದ ನಿರ್ದೇಶಾಂಕಗಳನ್ನು ಹೊಂದಿಸಲು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.
ಅಂತಿಮವಾಗಿ, ಚಿತ್ರದಲ್ಲಿನ ಬ್ಯಾಂಡ್ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಸ್ಯಾಟಲೈಟ್_ಇಮೇಜ್ ಆಬ್ಜೆಕ್ಟ್ನ ಎಣಿಕೆ ಗುಣಲಕ್ಷಣವನ್ನು ನಾವು ಬಳಸುತ್ತೇವೆ. ಈ ಡೇಟಾವು ನಂತರದ ವಿಶ್ಲೇಷಣೆಗೆ ನಿರ್ಣಾಯಕವಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಚಿತ್ರ ರಚನೆಯಲ್ಲಿನ ಪ್ರತಿ ಬ್ಯಾಂಡ್ಗೆ ಪಿಕ್ಸೆಲ್ ಮೌಲ್ಯಗಳನ್ನು ಪಡೆಯಲು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.
3. ಬ್ಯಾಂಡ್ ಅಂಕಿಅಂಶಗಳ ಲೆಕ್ಕಾಚಾರ
ಈ ಭಾಗದಲ್ಲಿ ಚಿತ್ರ ರಚನೆಯಲ್ಲಿ ಪ್ರತಿ ಬ್ಯಾಂಡ್ಗೆ ನಾವು ಅಂಕಿಅಂಶಗಳನ್ನು ಲೆಕ್ಕ ಹಾಕುತ್ತೇವೆ. ಪ್ರತಿ ಬ್ಯಾಂಡ್ನಾದ್ಯಂತ ಒಂದು ಲೂಪ್ ಪುನರಾವರ್ತನೆಯಾಗುತ್ತದೆ ಮತ್ತು ಈ ಅಂಕಿಅಂಶಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು numpy ಲೈಬ್ರರಿಯ ನಿಮಿಷ, ಗರಿಷ್ಠ, ಸರಾಸರಿ ಮತ್ತು std ಕಾರ್ಯಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ನಿಘಂಟುಗಳ ಪಟ್ಟಿಯು ಪ್ರತಿ ಬ್ಯಾಂಡ್ನ ಅಂಕಿಅಂಶಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ.
band_stats = []
for band in range(image_count):
band_data = image_array[band]
band_min = np.min(band_data)
band_max = np.max(band_data)
band_mean = np.mean(band_data)
band_std = np.std(band_data)
band_stats.append({'Band': band+1, 'Min': band_min, 'Max': band_max, 'Mean': band_mean, 'Std': band_std})
print("Band Statistics:")
for stats in band_stats:
print(stats)
ಬ್ಯಾಂಡ್ ಸೂಚ್ಯಂಕವನ್ನು ಪ್ರತಿನಿಧಿಸುವ ವೇರಿಯಬಲ್ ಬ್ಯಾಂಡ್ನೊಂದಿಗೆ ಪ್ರತಿ ಬ್ಯಾಂಡ್ನಾದ್ಯಂತ ಲೂಪ್ ಚಕ್ರಗಳು. image_array[band] ಅನ್ನು ಬಳಸಿಕೊಂಡು, ನಾವು ಪ್ರತಿ ಬ್ಯಾಂಡ್ಗಾಗಿ ಚಿತ್ರ ರಚನೆಯಿಂದ ಪಿಕ್ಸೆಲ್ ಮೌಲ್ಯಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತೇವೆ.
ನಂತರ, ಪ್ರಸ್ತುತ ಬ್ಯಾಂಡ್ಗಾಗಿ, ಪಿಕ್ಸೆಲ್ನ ಕನಿಷ್ಠ, ಗರಿಷ್ಠ, ಸರಾಸರಿ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ನಿರ್ಧರಿಸಲು np.min(), np.max(), np.mean(), ಮತ್ತು np.std() ಕಾರ್ಯಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಮೌಲ್ಯಗಳನ್ನು.
ಪ್ರತಿ ಬ್ಯಾಂಡ್ಗೆ ಲೆಕ್ಕಹಾಕಿದ ಡೇಟಾವನ್ನು ನಿಘಂಟಿನಲ್ಲಿ 'ಬ್ಯಾಂಡ್,' 'ಮಿನ್,' 'ಮ್ಯಾಕ್ಸ್,' 'ಮೀನ್,' ಮತ್ತು 'ಸ್ಟಡಿ. ಪ್ರತಿ ನಿಘಂಟನ್ನು ಬ್ಯಾಂಡ್ ಅಂಕಿಅಂಶಗಳ ಪಟ್ಟಿಗೆ ಸೇರಿಸಲಾಗುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಪ್ರತಿ ಬ್ಯಾಂಡ್ನ ಡೇಟಾವನ್ನು ಕನ್ಸೋಲ್ಗೆ ಮುದ್ರಿಸಲಾಗುತ್ತದೆ.
4. NDVI (ಸಾಮಾನ್ಯಗೊಳಿಸಿದ ವ್ಯತ್ಯಾಸ ಸಸ್ಯವರ್ಗ ಸೂಚ್ಯಂಕ) ಲೆಕ್ಕಾಚಾರ
NDVI ಸಸ್ಯಗಳ ಆರೋಗ್ಯವನ್ನು ಅಳೆಯಲು ಜನಪ್ರಿಯ ಅಳತೆಯಾಗಿದೆ. ಈ ವಿಭಾಗದಲ್ಲಿ, NDVI ಕಂಪ್ಯೂಟೇಶನ್ಗೆ ಅಗತ್ಯವಿರುವ ಕನಿಷ್ಠ ನಾಲ್ಕು ಬ್ಯಾಂಡ್ಗಳನ್ನು ಚಿತ್ರ ಒಳಗೊಂಡಿದೆಯೇ ಎಂದು ನಾವು ಪರಿಶೀಲಿಸುತ್ತೇವೆ.
red_band = None
nir_band = None
if image_count >= 4:
red_band = image_array[2] # assuming red band is at index 2
nir_band = image_array[3] # assuming near-infrared band is at index 3
if red_band is not None and nir_band is not None:
ndvi = (nir_band - red_band) / (nir_band + red_band)
# Visualize the NDVI
plt.figure(figsize=(10, 10))
plt.imshow(ndvi, cmap='RdYlGn')
plt.colorbar(label='NDVI')
plt.title('Normalized Difference Vegetation Index (NDVI)')
plt.axis('off')
plt.show()
else:
print("Error: The satellite image does not have the required bands for NDVI calculation.")
ಪ್ರಾರಂಭಿಸಲು, ನಾವು red_band ಮತ್ತು nir_band ವೇರಿಯೇಬಲ್ಗಳನ್ನು ಯಾವುದೂ ಇಲ್ಲ ಎಂದು ಹೊಂದಿಸಿದ್ದೇವೆ. ಚಿತ್ರವು ಕನಿಷ್ಠ ನಾಲ್ಕು ಬ್ಯಾಂಡ್ಗಳನ್ನು ಹೊಂದಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು image_count ವೇರಿಯೇಬಲ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ಹಾಗಿದ್ದಲ್ಲಿ, ನಾವು ಕೆಂಪು ಬ್ಯಾಂಡ್ ಸೂಚ್ಯಂಕ 2 ಮತ್ತು ಸಮೀಪದ-ಇನ್ಫ್ರಾರೆಡ್ (NIR) ಬ್ಯಾಂಡ್ ಸೂಚ್ಯಂಕ 3 ಎಂದು ಊಹಿಸುತ್ತೇವೆ. ಚಿತ್ರ ರಚನೆಯಿಂದ ಹೊಂದಾಣಿಕೆಯ ಬ್ಯಾಂಡ್ಗಳನ್ನು ವೇರಿಯೇಬಲ್ಸ್ red_band ಮತ್ತು nir_band ಗೆ ನಿಯೋಜಿಸಲಾಗಿದೆ.
ಕೆಂಪು ಮತ್ತು NIR ಎರಡೂ ಬ್ಯಾಂಡ್ಗಳನ್ನು ಪ್ರವೇಶಿಸಬಹುದಾದರೆ, NDVI ಅನ್ನು ಸೂತ್ರವನ್ನು (NIR - Red) / (NIR + Red) ಬಳಸಿ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. ಫಲಿತಾಂಶದ NDVI ಸಂಖ್ಯೆಗಳು ಚಿತ್ರದಲ್ಲಿನ ಪ್ರತಿ ಪಿಕ್ಸೆಲ್ಗೆ ಸಸ್ಯವರ್ಗದ ಸೂಚಿಯನ್ನು ಸೂಚಿಸುತ್ತವೆ.
ನಾವು ನಂತರ ಹೊಸ ಫಿಗರ್ ಅನ್ನು ರಚಿಸುವ ಮೂಲಕ NDVI ಅನ್ನು ನೋಡುತ್ತೇವೆ ಮತ್ತು imshow () ಅನ್ನು ಬಳಸಿಕೊಂಡು NDVI ಅರೇ ಅನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ. ಕಲರ್ಬಾರ್() ವಿಧಾನವು ಕಥಾವಸ್ತುವಿಗೆ ಕಲರ್ಬಾರ್ ಅನ್ನು ಸೇರಿಸುತ್ತದೆ, ಇದು NDVI ಮೌಲ್ಯಗಳಿಗೆ ದೃಶ್ಯ ಉಲ್ಲೇಖವನ್ನು ನೀಡುತ್ತದೆ.
NDVI ಪ್ರದರ್ಶನದ ಮೇಲೆ ಸಂಪೂರ್ಣವಾಗಿ ಕೇಂದ್ರೀಕರಿಸಲು, ನಾವು ಹೆಚ್ಚುವರಿಯಾಗಿ ಪ್ಲಾಟ್ಗಾಗಿ ಶೀರ್ಷಿಕೆಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುತ್ತೇವೆ ಮತ್ತು ಆಕ್ಸಿಸ್ ('ಆಫ್') ಜೊತೆಗೆ ಅಕ್ಷದ ಲೇಬಲ್ಗಳನ್ನು ತೆಗೆದುಹಾಕುತ್ತೇವೆ. ಅಂತಿಮವಾಗಿ, ಕಥಾವಸ್ತುವನ್ನು plt.show() ನೊಂದಿಗೆ ತೋರಿಸಲಾಗಿದೆ.
ಚಿತ್ರದಲ್ಲಿ NDVI ಕಂಪ್ಯೂಟೇಶನ್ಗೆ ಅಗತ್ಯವಾದ ಬ್ಯಾಂಡ್ಗಳ ಕೊರತೆಯಿದ್ದರೆ (ಅಂದರೆ, ನಾಲ್ಕು ಬ್ಯಾಂಡ್ಗಳಿಗಿಂತ ಕಡಿಮೆ) ದೋಷ ಸಂದೇಶವನ್ನು ಕನ್ಸೋಲ್ಗೆ ಬರೆಯಲಾಗುತ್ತದೆ.
5. ಉಪಗ್ರಹ ಚಿತ್ರವನ್ನು ಹತ್ತಿರಕ್ಕೆ ತರುವುದು
ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ವೀಕ್ಷಣೆಯನ್ನು ನಡೆಸಿದ ನಂತರ ಉಪಗ್ರಹ ಚಿತ್ರ ಫೈಲ್ ಅನ್ನು ಮುಚ್ಚಲು ಕ್ಲೋಸ್() ಕಾರ್ಯವನ್ನು ಬಳಸುವುದು ಉತ್ತಮ ಅಭ್ಯಾಸವಾಗಿದೆ. ಇದು ಚಿತ್ರ ಫೈಲ್ಗೆ ಲಿಂಕ್ ಮಾಡಲಾದ ಯಾವುದೇ ಸಿಸ್ಟಮ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಮುಕ್ತಗೊಳಿಸುತ್ತದೆ.
satellite_image.close()
ನನ್ನ ಪರಿಹಾರ ಇಲ್ಲಿದೆ:
ಅದು ಇಲ್ಲಿದೆ!
ಅಂತಿಮ ಟಿಪ್ಪಣಿಗಳು
ಉಪಗ್ರಹ ಚಿತ್ರಗಳ ಲಭ್ಯತೆ ಮತ್ತು ರೆಸಲ್ಯೂಶನ್ ಹೆಚ್ಚಾದಂತೆ ಈ ಬೃಹತ್ ಡೇಟಾಸೆಟ್ಗಳ ಅಧ್ಯಯನಕ್ಕೆ ಸಹಾಯ ಮಾಡುವಲ್ಲಿ ಪೈಥಾನ್ನ ಪಾತ್ರವು ಹೆಚ್ಚು ಮಹತ್ವದ್ದಾಗಿದೆ.
ಉಪಗ್ರಹ ಚಿತ್ರಗಳನ್ನು ಪ್ರವೇಶಿಸಲು, ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು, ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ತೋರಿಸಲು ಪೈಥಾನ್ ಅನ್ನು ಬಳಸುವ ಸಾಮರ್ಥ್ಯವು ಸೃಜನಾತ್ಮಕ ಅಪ್ಲಿಕೇಶನ್ಗಳು ಮತ್ತು ಒಳನೋಟಗಳಿಗೆ ಉತ್ತಮ ಬದಲಾವಣೆಯನ್ನು ಮತ್ತು ನಮ್ಮ ಪ್ರಪಂಚದ ಹೆಚ್ಚಿನ ಜ್ಞಾನವನ್ನು ಉಂಟುಮಾಡುವ ಮಾರ್ಗವನ್ನು ನೀಡುತ್ತದೆ.
ಪೈಥಾನ್ ಬಳಸಿಕೊಂಡು ಉಪಗ್ರಹ ಚಿತ್ರಣ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ನಿಮ್ಮ ಸಾಹಸವನ್ನು ನೀವು ಮುಂದುವರಿಸಿದಾಗ ನಿಮ್ಮ ಜ್ಞಾನ ಮತ್ತು ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೆಚ್ಚಿಸಲು ಲಭ್ಯವಿರುವ ಸಂಪನ್ಮೂಲಗಳು, ಟ್ಯುಟೋರಿಯಲ್ಗಳು ಮತ್ತು ಲೈಬ್ರರಿಗಳ ದೊಡ್ಡ ಆಯ್ಕೆಯನ್ನು ಅನ್ವೇಷಿಸಲು ಮರೆಯದಿರಿ.
ಆಸಕ್ತಿಯನ್ನು ಮುಂದುವರಿಸಿ, ಅನ್ವೇಷಿಸಿ ಮತ್ತು ಉಪಗ್ರಹ ಚಿತ್ರಗಳೊಳಗೆ ಹೂತುಹೋಗಿರುವ ರಹಸ್ಯಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಲು ಪೈಥಾನ್ನ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಬಳಸಿ.
ಪ್ರತ್ಯುತ್ತರ ನೀಡಿ