基本概念可參考上一篇文章 https://learncropmodel.blogspot.com/2025/05/blog-post.html 上一篇文章提及碳排係數在Tier1當中的拆解方式如下，我們來看看文獻裡的參數吧 $EF_i = EF_c \cdot SF_w \cdot SF_p \cdot SF_o$ EF i : i條件的每日排放係數 EF c : 無施用有機肥料下持續灌溉水田的排放係數 SF w : 不同水分管理區域的調整因子(表 5.12) SF p : 不同種植前水分管理調整因子(表 5.13) SF o : 有機質肥料型態或施用量之調整因子(Eq. 5.3, 表5.14) Baseline emission factor 也就是EF c 的預設係數來自於表5.1 (page 5.53) 表5.1 預設水田甲烷排放係數，假設水稻栽培時間小於180天、連續淹水、未施用有機質 World Regional Emission factor (kg CH 4 ha -1 d -1 ) Error range (kg CH 4 ha -1 d -1 ) Region Emission factor (kg CH 4 ha -1 d -1 ) Error range (kg CH 4 ha -1 d -1 ) 1.19 0.80 - 1.76 Africa 1.19 0.80 - 1.76 East Asia 1.32 0.89 - 1.96 Southeast Asia 1.22 0.83 - 1.81 South Asia 0.85 0.58 - 1.26 Europe 1.56 1.06 - 2.31 ...
接下來我們就試著用Python畫出NDVI的作品 一樣的，先載入必要的套件，並設定working directory import os import matplotlib.pyplot as plt import numpy as np import rasterio as rio import geopandas as gpd import earthpy as et from earthpy import spatial as es from earthpy import plot as ep path = "D:\Python\multispectral" os.chdir(path) 接著，利用rasterio載入影像，用shape函式查看影像基本特性 pine_path = os.path.join("pineapple","pineapple0808.tif") with rio.open(pine_path) as msi: pine0808 = msi.read() pine0808.shape (6, 4604, 9634) 再來就利用earthpy 的 normalized_diff 函式來算 NDVI，再使用ep.plot_bands來畫圖 pine_ndvi = es.normalized_diff(pine0808[4], pine0808[2]) ep.plot_bands(pine_ndvi, cmap='PiYG', scale=True, vmin=-1,vmax=1, title="NDVI of Pineapple 0808") plt.show() 我們來觀察一下 es.normalized_diff 這一個函式吧。 help(es.normalized_diff) normalized_diff(b1, b2) Take two n-dimensional numpy arrays and calculate the normalized difference. Mat...