4.2. Rasterio - Raster Input/Output

Muitos sistemas de informação geográfica utilizam o formato GeoTIFF para organizar as imagens. A biblioteca Rasterio (geralmente utilizada com rio nos scripts) fornece métodos para ler e escrever imagens de satélite em formatos conhecidos.

De acordo com os autores, o propósito da Rasterio é ser uma biblioteca de acesso a dados Raster, baseada nos modelos de dados disponíveis na biblioteca GDAL, porém com comandos mais próximos da linguagem Python do que os oferecidos pela GDAL (em geral baseados no código original da linguagem, para C++).

4.2.1. Importando a Biblioteca Rasterio

Para acessar a API rasterio, que permitirá manipular as imagens, devemos importar a biblioteca:

import rasterio as rio

Desta forma teremos sempre os métodos disponíveis a partir do nome rio.

Nota

No Google Colab, por exemplo, a biblioteca precisa ser instalada a cada vez, por meio do comando:

!pip install rasterio

4.2.2. Abertura de um arquivo raster

A função open é utilizada para abrir um conjunto de dados (ou dataset). Para abrir o mesmo arquivo GeoTIFF anterior, com a imagem (faça o download da imagem de teste), podemos fazer:

dataset = rio.open('crop_rapideye.tif')

Repare o tipo de objeto retornado pela operação rio.open:

type(dataset)

Saída:

rasterio.io.DatasetReader

4.2.3. Estrutura do Dataset

4.2.3.1. Sistema de Referência Espacial

Para conhecer o sistema de coordenadas de referência (CRS) de um dataset, deve ser utilizada a propriedade dataset.crs:

dataset.crs

4.2.4. Transformação Afim

Para saber os metadados da imagem sobre extensão espacial e transformação afim, podemos conferir outras propriedades de um dataset:

dataset.bounds

para obter as coordenadas dos 4 cantos da imagem:

dataset.transform

para obter os 6 coeficientes da transformação afim (conferir o significado de cada termo no material sobre GDAL).

4.2.4.1. Dimensões (Número de linhas e colunas)

Para saber o número de linhas e colunas do dataset que está sendo utilizado, devemos utilizar as propriedades height e width:

linhas = dataset.height
colunas = dataset.width

print ("Número de linhas:", linhas)
print ("Número de colunas:", colunas)

4.2.4.2. Bandas

Para saber o número de bandas de um dataset, podemos utilizar a propriedade indexes:

>>> dataset.indexes
(1, 2, 3, 4, 5)

Veja que é uma tupla com os índices das 5 bandas disponíveis. Como cada banda pode ter um tipo de dados diferente, é possível consultar a propridade dtypes para receber uma tupla com o tipo de dado de cada banda:

>>> dataset.dtypes
('uint16', 'uint16', 'uint16', 'uint16', 'uint16')

Nota

A GDAL e a Rasterio numeram as bandas de 1 até \(n\), onde \(n\) é o número total de bandas contidas no dataset.

4.2.5. Leitura dos dados de uma banda

Para gerar uma matriz NumPy para cada banda, pode-se usar diretamente o método read:

matriz_nir = dataset.read(5)
matriz_red = dataset.read(3)

Essa operação retornará uma matriz do NumPy:

>>> type(matriz_red)
numpy.ndarray

Para computar um índice de vegetação, o NDVI, a partir das matrizes com os valores das bandas RED e NIR, aplicamos uma operação matricial, envolvendo as 2 matrizes obtidas a partir das bandas da imagem:

# geracao de array derivado das bandas
matriz_ndvi = (matriz_nir - matriz_red) / (matriz_nir + matriz_red + 0.000000001)

Podemos combinar as bibliotecas NumPy e Matplotlib para visualizar as matrizes como imagens:

import matplotlib.pyplot as plt

plt.figure(figsize=(16, 8))

plt.subplot(131)
plt.title("Banda RED")
plt.imshow(matriz_red, cmap='gray')

plt.subplot(132)
plt.title("Banda NIR")
plt.imshow(matriz_nir, cmap='gray')

plt.subplot(133)
plt.title("NDVI")
plt.imshow(matriz_ndvi, cmap='gray', vmin=-1.0, vmax=1.0)