随着空间技术的飞速发展，卫星观测数据已成为地理空间分析领域不可或缺的信息来源。 从高分辨率光学影像到全天候雷达数据，各类卫星传感器以前所未有的规模和频率持续记录着地球表面的变化。 这些海量数据蕴含着丰富的地理空间信息，为环境监测、城市规划、农业管理、灾害应急等诸多领域提供了强有力的数据支撑。然而，有效利用这些庞大而复杂的数据集，特别是将其转化为易于理解和分析的可视化形式，是地理空间专业人员面临的关键挑战。
Python 库在卫星数据可视化领域发挥着至关重要的作用，它们正是在这样的背景下应运而生，为地理空间数据的处理、分析和显示提供了强大的工具。这些库支持广泛的数据格式，实现交互式可视化，并与地理信息系统 (GIS) 和遥感工作流程良好集成，使其成为地理空间专业人员不可或缺的工具。
通过利用这些库，用户可以无缝处理大型卫星数据集，应用先进的图像处理技术，并生成富有洞察力的可视化表示。 无论是处理多光谱、高光谱还是雷达影像，这些工具都能实现高效的数据操作、增强和解译。 此外，它们还促进了与机器学习框架的无缝集成，从而为地球观测研究中的预测建模和模式识别提供了便利。
本文列出20个用于卫星数据可视化的必备Python库，并简要介绍其功能和应用。
1. Matplotlib
Matplotlib 是 Python 中最常用的绘图库，适用于卫星影像的静态可视化。它支持假彩色可视化和色彩映射。
import matplotlib.pyplot as plt
import rasterio
from rasterio.plot import show
with rasterio.open("satellite_image.tif") as src:
plt.figure(figsize=(10, 6))
show(src)
GitHub 链接:
https://github.com/matplotlib/matplotlib
官方网站:
https://matplotlib.org/
2. Seaborn
Seaborn 构建于 Matplotlib 之上，提供更美观的绘图效果。它擅长可视化统计分布、热图和相关矩阵。
import seaborn as sns
import numpy as np
# 模拟栅格数据作为热图
data = np.random.rand(10, 10)
sns.heatmap(data, cmap="coolwarm")
GitHub 链接:
https://github.com/mwaskom/seaborn
官方网站:
https://seaborn.pydata.org/
3. Plotly/
Plotly Express
Plotly 及其高级 API 库 Plotly Express 拥有强大的地理空间数据可视化能力。 非常适合地形模型和多波段影像。
该库拥有丰富的地图类型和易于使用的
API。 Plotly Express 的推出，使得使用Plotly创建地理空间可视化变得更加容易。
例如，使用 Plotly Express 仅需一行代码即可完成动态 Choropleth 地图的创建。 与其他库相比，实现同样的效果可能需要编写大量的代码并尝试各种不同的解决方案。
1import plotly.express as px
2import xarray as xr
3
4dataset = xr.open_rasterio("satellite_image.tif")
5fig =
px.imshow(dataset[0], color_continuous_scale='viridis')
6fig.show()
结合 Dash (数据科学领域广泛使用且下载量最多的Web应用程序框架)，Plotly提供了一整套用于部署 Web 应用程序的完整解决方案。 借助 Plotly Express 直观的 API 和 Dash Plotly，您可以将您的地理空间 Web 应用程序和可视化提升到一个新的水平。
GitHub 链接:
https://github.com/plotly/plotly.py
官方网站:
https://plotly.com/python/
4. Folium
Folium 用于创建交互式 Web 地图，与 OpenStreetMap 和 Google Earth Engine (GEE) 配合良好。
import folium
m = folium.Map(location=[0, 0], zoom_start=2)
folium.Marker(location=[-1.28, 36.82], popup="内罗毕, 肯尼亚").add_to(m)
GitHub 链接:
https://github.com/python-visualization/folium
官方网站:
https://python-visualization.github.io/folium/
5. Geopandas
Geopandas 扩展了 Pandas，用于处理矢量数据（shapefile、GeoJSON），可用于将栅格数据与行政边界叠加显示。
import geopandas as gpd
import matplotlib.pyplot as plt
gdf = gpd.read_file("boundaries.geojson")
gdf.plot(figsize=(10, 6), color="blue", edgecolor="black")
plt.show()
GitHub 链接:
https://github.com/geopandas/geopandas
官方网站:
https://geopandas.org/en/stable/
6. Rasterio
Rasterio 是读取和写入栅格数据集（TIFF、NetCDF）的关键库，用于裁剪、重投影和掩膜栅格数据。
import rasterio
from rasterio.plot import show
with rasterio.open
("satellite_image.tif") as src:
show(src)
GitHub 链接:
https://github.com/rasterio/rasterio
官方网站:
https://rasterio.readthedocs.io/en/stable/
7. Xarray
Xarray 最适合处理大型、多维栅格数据集，常用于海洋、大气和遥感数据（NetCDF、HDF5）。
import xarray as xr
dataset = xr.open_rasterio("satellite_image.tif")
dataset[0].plot()
GitHub 链接:
https://github.com/pydata/xarray
官方网站:
https://docs.xarray.dev/en/stable/
8. Cartopy
Cartopy 专门用于地图投影和地理空间可视化，支持shapefile、卫星影像叠加和网格变换。
import cartopy.crs as ccrs
import cartopy.feature as cfeature
import matplotlib.pyplot as plt
fig, ax = plt.subplots(subplot_kw={'projection': ccrs.PlateCarree()})
ax.coastlines()
GitHub 链接:
https://github.com/SciTools/cartopy
官方网站:
https://scitools.org.uk/cartopy/docs/latest/
9. GDAL (地理空间数据抽象库)
GDAL是一个用于地理空间数据处理的基础库，支持处理栅格变换、格式转换和投影。
import cartopy.crs as ccrs
import cartopy.feature as cfeature
import matplotlib.pyplot as plt
fig, ax = plt.subplots(subplot_kw={'projection': ccrs.PlateCarree()})
ax.coastlines()
ax.add_feature(cfeature.BORDERS, linestyle=':')
plt.show()
GitHub 链接:
https://github.com/OSGeo/gdal
官方网站:
https://gdal.org/
10. Leaflet (通过 ipyleaflet)
Leaflet类似于Folium，但在Jupyter notebook中更具可定制性，非常适合添加交互式标记、热图和叠加层。
from ipyleaflet import Map, Marker
m =
