Exemplos
- Projetos com o cbers4asat
- Buscando produtos com bounding box
- Buscando produtos com órbita e ponto
- Buscando produtos com geometria
- Buscando produto(s) por ID
- Download de produtos
- Converter coleção de produtos para GeoDataFrame
- Download de produtos no GeoDataFrame
- Empilhamento de bandas
- Pansharpening
- Download do grid do CBERS-04A ou AMAZONIA1
- Recortando raster com GeoJSON
- Recortando raster com GeoDataFrame
Projetos que utilizam a biblioteca cbers4asat
:
Caso você tenha um projeto que utiliza a biblioteca, me envie um email para adicioná-lo aqui. gabrielrusso@protonmail.com
1 - Mosaico de imagens do Estado de Rondônia automatizado.
2 - Baixar a cena mais recente do Rio Madeira (RO), criar composição RGB e gerar XYZ tiles.
Buscando produtos com Bounding Box:
# Importar biblioteca do cbers4asat e datetime
from cbers4asat import Cbers4aAPI
from datetime import date
# (Requisito apenas para download)
# Login utilizado no http://www.dgi.inpe.br/catalogo/explore
# Pode ser adicionado depois com o setter: api.user('meu@email.com')
api = Cbers4aAPI('seu.login@email.com')
# Bouding Box escolhido
# O bounding box é formado por 4 coordenadas: [x_min, y_min, x_max, y_max],
# correspondendo respectivamente a: [oeste, sul, leste, norte].
# Sendo essa ordem um fator importante para o funcionamento da busca
bbox = [-63.92944335937501, # Oeste
-8.819260401678381, # Sul
-63.79211425781251, # Leste
-8.722218306198739] # Norte
# Intervalo de data para a busca
data_inicial = date(2021, 8, 25)
data_final = date(2021, 9, 25)
# Fazer uma busca no catálogo e exibir resultados
produtos = api.query(location=bbox,
initial_date=data_inicial,
end_date=data_final,
cloud=100,
limit=100,
collections=['AMAZONIA1_WFI_L2_DN', 'CBERS4A_WPM_L4_DN']) # Opcional
print(produtos)
# {'type': 'FeatureCollection', 'features': [{'type': 'Feature', 'id': 'AMAZONIA1_WFI03901620210911CB11', ...
Buscando produtos com órbita e ponto:
from cbers4asat import Cbers4aAPI
from datetime import date
api = Cbers4aAPI('seu.login@email.com')
# Órbita ponto (respectivamente) escolhida
path_row = (229, 124)
data_inicial = date(2021, 8, 25)
data_final = date(2021, 9, 25)
produtos = api.query(location=path_row,
initial_date=data_inicial,
end_date=data_final,
cloud=100,
limit=100,
collections=['AMAZONIA1_WFI_L2_DN', 'CBERS4A_WPM_L4_DN'])
print(produtos)
# {'type': 'FeatureCollection', 'features': [{'type': 'Feature', 'id': 'CBERS4A_WPM22912420210830', ...
Buscando produtos com geometria:
from cbers4asat import Cbers4aAPI
from datetime import date
from shapely.geometry import Polygon
api = Cbers4aAPI('seu.login@email.com')
# A geometria deve ser do tipo Polygon, caso seja do tipo MultiPolygon, deve
# utilizar o método "unary_union" para converter de MultiPolygon -> Polygon
bbox = Polygon(
[
[-63.911934, -8.738337],
[-63.912621, -8.805859],
[-63.912621, -8.805859],
[-63.798294, -8.738337],
]
)
data_inicial = date(2021, 8, 25)
data_final = date(2021, 9, 25)
produtos = api.query(location=bbox,
initial_date=data_inicial,
end_date=data_final,
cloud=100,
limit=1,
collections=['CBERS4A_WPM_L4_DN'])
print(produtos)
# {'type': 'FeatureCollection', 'features': [{'type': 'Feature', 'id': 'CBERS4A_WPM22912420210830', ...
Buscando produtos por ID
from cbers4asat import Cbers4aAPI
api = Cbers4aAPI('meu@email.com')
# Nota: após a versão 0.7 você deve especificar a coleção que a imagem pertence,
# segue a mesma lógica da função query
# Nota2: Não é possível misturar coleções neste método
# Buscando pelo ID de uma cena
produto = api.query_by_id(scene_id='CBERS4A_WPM22912420210830', collection="CBERS4A_WPM_L4_DN")
print(produto)
# Para mais de um produto:
produtos = api.query_by_id(scene_id=['CBERS4A_WPM22912420210830', 'CBERS4A_WPM22912420220706'], collection="CBERS4A_WPM_L4_DN")
print(produtos)
Download de produtos:
from cbers4asat import Cbers4aAPI
from datetime import date
api = Cbers4aAPI('seu.login@email.com')
path_row = (229, 124)
data_inicial = date(2021, 8, 25)
data_final = date(2021, 9, 25)
produtos = api.query(location=path_row,
initial_date=data_inicial,
end_date=data_final,
cloud=100,
limit=1,
collections=['CBERS4A_WPM_L4_DN'])
# Bandas escolhidas: vermelha, verde e azul
# Output do download é opcional e caso omitido será usado o diretório atual
api.download(products=produtos,
bands=['red', 'green', 'blue'],
threads=3, # Numero de downloads simultâneos
outdir='./downloads',
with_folder=True) # Agrupar bandas de uma cena(s) em subpasta(s) no diretório ./downloads
# O diretório downloads ficará assim com o with_folder=true :
# downloads/
# +- CBERS4A_WPM22912420210830/
# ++- CBERS_4A_WPM_20210830_229_124_L4_BAND3.tif
# ++- CBERS_4A_WPM_20210830_229_124_L4_BAND2.tif
# ++- CBERS_4A_WPM_20210830_229_124_L4_BAND1.tif
Converter coleção de produtos para GeoDataFrame:
from cbers4asat import Cbers4aAPI
from datetime import date
import geopandas as gpd
api = Cbers4aAPI('seu.login@email.com')
path_row = (229, 124)
data_inicial = date(2021, 8, 25)
data_final = date(2021, 9, 25)
produtos = api.query(location=path_row,
initial_date=data_inicial,
end_date=data_final,
cloud=100,
limit=3,
collections=['CBERS4A_WPM_L4_DN'])
# Converter os produtos para GeoDataFrame
gdf = api.to_geodataframe(produtos, 'EPSG:4674')
print(gdf.to_string())
Download de produtos no GeoDataFrame:
from cbers4asat import Cbers4aAPI
from datetime import date
import geopandas as gpd
api = Cbers4aAPI('seu.login@email.com')
bbox = [-63.92944335937501,
-8.819260401678381,
-63.79211425781251,
-8.722218306198739]
data_inicial = date(2021, 8, 25)
data_final = date(2021, 9, 25)
produtos = api.query(location=bbox,
initial_date=data_inicial,
end_date=data_final,
cloud=100,
limit=3,
collections=['CBERS4A_WPM_L4_DN'])
gdf = api.to_geodataframe(produtos)
# Utiliza a mesma lógica que o download de produtos no formato dicionário
api.download(products=gdf, bands=['red'], outdir='./downloads', with_folder=False)
Empilhamento de bandas
from cbers4asat.tools import rgbn_composite
import rasterio as rio
from rasterio.plot import show
# Criando uma composição COR VERDADEIRA
# Cada parâmetro de cor representa o canal da imagem de saída
# Banda NIR é opcional
rgbn_composite(red='./CBERS4A_WPM22812420210704/CBERS_4A_WPM_20210704_228_124_L4_BAND3.tif',
green='./CBERS4A_WPM22812420210704/CBERS_4A_WPM_20210704_228_124_L4_BAND2.tif',
blue='./CBERS4A_WPM22812420210704/CBERS_4A_WPM_20210704_228_124_L4_BAND1.tif',
nir='./CBERS4A_WPM22812420210704/CBERS_4A_WPM_20210704_228_124_L4_BAND4.tif',
filename='CBERS4A_WPM22812420210704_TRUE_COLOR.tif',
outdir='./STACK')
raster = rio.open("./STACK/CBERS4A_WPM22812420210704_TRUE_COLOR.tif")
show(raster.read(), transform=raster.transform)
Resultado
Pansharpening
from cbers4asat.tools import pansharpening
import rasterio as rio
from rasterio.plot import show
# ATENÇÃO
## O algoritmo do pansharpening utiliza uma grande quantidade de memória,
## sendo proporcional ao tamanho da imagem pancromática.
pansharpening(
panchromatic="./CBERS4A_WPM22312920210829/CBERS_4A_WPM_20210829_223_129_L4_BAND0.tif",
multispectral="./MULTISPECTRAL.tif",
filename="PANSHARP.tif",
outdir="./OUTPUT",
)
raster = rio.open("./OUTPUT/PANSHARP.tif")
show(raster.read(), transform=raster.transform)
Resultado
Download do grid do cbers4a ou amazonia1
from cbers4asat.tools import grid_download
# Download do grid: CBERS-04A WFI
grid_download(satellite='cbers4a', sensor='wfi')
# Download do grid: CBERS-04A MUX
grid_download(satellite='cbers4a', sensor='mux')
# Download do grid: AMAZONIA-1 WFI
grid_download(satellite='amazonia', sensor='wfi')
Recortando raster a partir de uma máscara - GeoJSON
from cbers4asat.tools import clip, read_geojson
geo = read_geojson("area_de_interesse.geojson")
clip(
raster="./downloads/BANDA_3.tif",
mask=geo,
outdir="./recortados",
filename="BANDA_3_CLIP.tif",
)
Recortando raster a partir de uma máscara - GeoDataFrame
from cbers4asat.tools import clip
import geopandas as gpd
gdf = gpd.read_file("area_de_interesse.shp")
geo = gdf.geometry[0] # Pega a primeira geometria do GeoDataFrame
clip(
raster="./downloads/BANDA_3.tif",
mask=geo,
outdir="./recortados",
filename="BANDA_3_CLIP.tif",
)