GDAL+scikit-learn 遥感定量回归模型

Python是目前最流行的机器学习工具之一，有很多开源的工具包可以使用。超越R语言，Python成为最受欢迎的机器学习语言。

因而，掌握Python语言，并将其用于遥感数据处理和定量反演，应该会是不错的。下面先介绍下GDAL，然后通过一个简单的例子实现在有地面采样值时构建遥感影像的回归模型。

• GDAL(Geospatial Data Abstraction Library)是一个操作各种栅格地理数据格式的库。包括读取、写入、转换、处理各种栅格数据格式（有些特定的格式对一些操作如写入等不支持）。它使用了一个单一的抽象数据模型就支持了大多数的栅格数据（GIS对栅格，矢量，3D数据模型的抽象能力实在令人叹服）。当然除了栅格操作，这个库还同时包括了操作矢量数据的另一个有名的库ogr（ogr这个库另外介绍），这样这个库就同时具备了操作栅格和矢量数据的能力。

• 接触遥感和GIS的，对GDAL这个库应该都不陌生，即时没上手用过，但也一定听过。有很多著名的GIS软件都使用了GDAL/OGR库， 包括商业公司ESRI的ArgGIS，Google的Google Earth和开源的GRASS GIS系统。 GDAL/OGR支持多种操作系统，可以同时对Linux和windows下的地理空间数据管理系统提供百余种矢量和栅格文件类型的支持。
• python版的GDAL和其他的python库结合的很好，最直接、明显的支持是使用Numeric库来进行数据读取和操作。各种矩阵魔术可以发挥得淋漓尽致（图像其实就是矩阵）。

参考：https://www.jianshu.com/p/f7536b314898(转载请在显著位置注明本人微信公众号stdrei)

>>支持多源遥感数据格式的抽象库DFAL：https://kd.nsfc.gov.cn/achievement-system/isisn/detailsPage/62a7ec6da85295b3c738d7ae4e135dd2在研究多种遥感数据格式及对应库GDAL、HDF4、HDF5的基础上,参考国家气象局的NOAA AVHRR 1B格式标准,利用工厂模式,设计和实现了一个具有统一操作接口的多源遥感数据格式抽象库..