Python影像分析-根据卫星图像估算土壤湿度

在这篇文章中，我将讨论用于估计土壤湿度的最流行的模型，称为梯形模型。该模型源自卫星，这些卫星以一致的比例和分辨率提供地表温度和植被指数，例如归一化植被指数 (NDVI)。”

目录

1. 🌟简介
2. 📥下载 Sentinel-3 表面温度和 NDVI 图像
3. 📉绘制 NDVI 与 LST（梯形空间）的图
4. 📏 从梯形空间估计土壤湿度
5. 🗺️ 在地图上可视化土壤湿度估计值
6. 📝 结论

🌟简介

从现场收集土壤湿度数据可能非常耗时，特别是考虑到薄弱的互联网网络和手动检索的必要性等挑战。为了克服这些限制，研究人员致力于开发能够利用遥感信息估算土壤湿度的模型，以减少劳动力和设备成本。

该领域最流行的模型是梯形模型，它基于植被指数（例如归一化植被指数（NDVI））和卫星图像中的地表温度（LST）之间形成的梯形空间。在这个空间内，出现两个边缘，称为干边缘（代表 0% 土壤湿度）和湿边缘（代表 100% 土壤湿度）。该空间中任何点（卫星像素）与这两个边缘的相对位置可作为土壤湿度的指标。

在这个故事中，我们将编写一个 Python 脚本，将 Sentinel-3 图像导入 Google Colab 并探索 LST-NDVI 图中的梯形空间。最后，我们将计算每个卫星像素的土壤湿度值，并根据此分析生成土壤湿度图。

📥 下载 Sentinel-3 温度和 NDVI 图像

由于梯形模型仅依赖于卫星图像中的两个变