与 Sentinel-2 和 Landsat 等卫星的光学图像相比，下载和处理 Sentinel-3 图像，尤其是地表温度 (LST) 具有挑战性。这是由于存储数据的特定 NetCDF 格式造成的，并且 LST 值的正确投影需要一些额外的工作。在本教程中，我将在 Google Colab 环境中提供 Python 代码，以便于下载 NetCDF 格式的 Sentinel-3 图像、提取并解压缩这些文件、读取各种图层或矩阵（例如 LST、NDVI、Flags 等） ，并并排创建无云 NDVI 和 LST 的视觉表示。该可视化将展示 Sentinel-3 于 2023 年 6 月在加利福尼亚州捕获的数据。
目录
- 🌟简介
- 🚀 注册“哥白尼数据空间生态系统”
- 🔍 安装并导入库
- ⏳ 过滤并提交查询
- 📥 下载“NetCDF”文件
- 🛠️ 转换为 Geotiff（地表温度和 NDVI）
- 📈 绘制地表温度与 NDVI 的关系图
- 📈 绘制地表温度与 NDVI（无云）的关系图
🌟简介
Sentinel-3 是欧洲航天局哥白尼计划的关键组成部分，在监测地球环境方面发挥着关键作用。它提供的重要数据集之一是地表温度 (LST)。LST 是地球表面热状态的关键指标，为气候研究、农业监测和城市热岛分析等各种应用提供了宝贵的信息。
与捕获可见光谱信息的光学图像不同，Sentinel-3 的 LST 产品深入研究红外领域。通过测量地球表面发出的热辐射，Sentinel-3 能够推导地表温度，有助于我们了解不同地形的温度变化。
地表温度 (LST) 图像提供覆盖全球的每日时间分辨率，空间分辨率约为 1 公里。本教程提供了用于下载和处理 Sentinel-3 图像的分步 Python 脚本。
🚀 注册“哥白尼数据空间生态系统”
第一步需要在欧洲航天局哥白尼计划的新网站上创建一个帐户。关于
🔍 安装并导入库
要设置环境，需要安装并导入以下库：
pip install pandas rasterio netCDF4 rioxarrayimport os
import re
import sys
import random
from pathlib import Pathimport requests
import json
import xml.etree.ElementTree as ET
import certifiimport pandas as pd
import numpy as npimport rasterio
import matplotlib.pyplot as plt
import matplotlib.image
from rasterio.windows import Windowimport netCDF4 as ncimport rioxarray
from rasterio.control import GroundControlPoint⏳ 过滤并提交查询
安装并导入必要的库后，下一步涉及通过指定某些参数来探索数据目录。这些参数包括卫星名称 (SENTINEL-3)、产品级别（LST 表示地表温度）、AOI（点或多边形）以及开始和结束日期。
url_dataspace = "https://catalogue.dataspace.copernicus.eu/odata/v1"# Filtering
satellite = "SENTINEL-3"
level= "LST"
cloud_cover_max = 0.2aoi_point ="POINT(-120.9970 37.6393)"
aoi_polygon = "POLYGON ((-121.0616 37.6391, -120.966 37.6391, -120.966 37.6987, -121.0616 37.6987, -121.0616 37.6391))"start_date = "2023-06-01"
end_date = "2023-06-10"
start_date_full =start_date+"T00:00:00.000Z"
end_date_full = end_date +"T00:00:00.000Z"使用这些参数，我们可以提交查询来获取可用图像的列表：
query = f"{url_dataspace}/Products?$filter=Collection/Name eq '{satellite}' and Attributes/OData.CSC.StringAttribute/any(att:att/Name eq 'productType' and att/OData.CSC.StringAttribute/Value eq '{level}') and OData.CSC.Intersects(area=geography'SRID=4326;{aoi_point}') and ContentDate/Start gt {start_date_full} and ContentDate/Start lt {end_date_full}"
response = requests.get(query).json()
result = pd.DataFrame.from_dict(response["value"])# print first 10 results
result.head(10)数据框将是：
