多个影像同时处理,适合下班后自动处理,提高效率
1 L1C级别的哨兵批量大气校正
- 首先得安装Sen2Cor,可搜索下载,并将安装目录添加到环境变量中。
- 其次需要有Python的运行环境
2 数据准备
- 处理前把L1C级别的数据解压到一个文件夹中,
- 文件夹结构如下,由于篇幅所限,只列举了三个影像:
.
├── S2A_MSIL1C_20190731T024551_N0208_R132_T51TUF_20190731T073437.SAFE
│ ├── 00Readme_Sentinel_Data_Terms_and_Conditions.txt
│ ├── AUX_DATA
│ ├── DATASTRIP
│ ├── GRANULE
│ ├── HTML
│ ├── INSPIRE.xml
│ ├── MTD_MSIL1C.xml
│ ├── manifest.safe
│ └── rep_info
├── S2A_MSIL1C_20190731T024551_N0208_R132_T51TUG_20190731T073437.SAFE
│ ├── 00Readme_Sentinel_Data_Terms_and_Conditions.txt
│ ├── AUX_DATA
│ ├── DATASTRIP
│ ├── GRANULE
│ ├── HTML
│ ├── INSPIRE.xml
│ ├── MTD_MSIL1C.xml
│ ├── manifest.safe
│ └── rep_info
└── S2A_MSIL1C_20190731T024551_N0208_R132_T51TVG_20190731T073437.SAFE
├── 00Readme_Sentinel_Data_Terms_and_Conditions.txt
├── AUX_DATA
├── DATASTRIP
├── GRANULE
├── HTML
├── INSPIRE.xml
├── MTD_MSIL1C.xml
├── manifest.safe
└── rep_info
3 python多进程批量处理
- 修改下面的变量
path
为上面的文件夹 - 变量
parelle
为同时处理的数量,视CPU的核数和内存的数量而定,个人以为最大为int(min(cpu_cores,memory_GB/2))
从而最大程度利用CPU,读者可根据自己配置调整。
# -*- coding: utf-8 -*-
import os
from multiprocessing import Pool
def process(filepath):
os.system("""start L2A_Process %s --resolution=10 """ % (filepath))
if __name__=='__main__':
# 存数据的目录
path = r"D:\yuntu\L1C"
# 同时处理的个数
parelle = 4
#获取全部数据
files=[i for i in os.listdir(path) if (("L1C" in i)&(i.endswith(".SAFE")))]
pool = Pool(parelle)
for i in range(len(files)):
pool.apply_async(process, args=(os.path.join(path,files[i]),))
pool.close()
pool.join()
运行后可以四个同时处理,到此结束。