파이썬에서 Rasterio 기반 래스터 데이터 다루기

2026.02.02 - [GIS/01. GIS TIL] - 파이썬에서 GeoPandas 기반 벡터 데이터 다루기

파이썬에서 GeoPandas 기반 벡터 데이터 다루기

이전 글에서는 GeoPandas 기반으로 벡터 데이터 다루기에 대해 알아봤고 이번 글에서는 래스터 데이터를 다룰 수 있는 Rasterio를 알아보자.

1️⃣ Rasterio 기초

1-1. 래스터 데이터란?

래스터 데이터는 세계를 픽셀(셀)의 격자로 나타내는 지리공간 데이터의 기본 유형입니다. 격자의 각 픽셀
은 다음과 같은 지리적 정보를 나타내는 값을 포함합니다:

• 고도 (디지털 고도 모델에서)
• 온도 (기후 데이터에서)
• 반사율 값 (위성 이미지에서)
• 토지 피복 유형 (분류 지도에서)

래스터 데이터의 주요 특성은 다음과 같습니다:

1. 공간 해상도: 실제 세계 단위로 각 픽셀의 크기 (예: 30미터)
2. 범위: 래스터가 커버하는 지리적 영역
3. 좌표 참조 시스템(CRS): 픽셀 격자가 실제 세계 좌표와 어떻게 관련되는지
4. 밴드 수: 일부 래스터는 여러 밴드를 가지고 (RGB 이미지처럼), 다른 것들은 단일 밴드를 가집니다 (고도
   데이터처럼)

1-2. Rasterio를 사용하는 이유

• 메모리 효율성 : 청크 단위로 데이터를 읽어 대용량 데이터셋 처리 가능
• 지리공간 인식 : 데이터의 공간 참조 정보를 유지
• 통합 : 다른 파이썬 라이브러리와 원활하게 작동
• 성능 : 지리공간 연산에 고도로 최적화된 GDAL로 구축

2️⃣ Rasterio 실습

2-1. 데이터 불러오기

import rasterio
import rasterio.plot
import geopandas as gpd
import numpy as np
import matplotlib.pyplot as plt
# Set font family to AppleGothic for Korean support
plt.rc('font', family='AppleGothic')
# Fix minus sign display issue
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams["figure.dpi"] = 150

raster_path = (
    "https://github.com/opengeos/datasets/releases/download/raster/dem_90m.tif"
)

src = rasterio.open(raster_path)
print(src)

# 전체 메타데이터 확인하기
print("raster's metadata")
for key, value in src.meta.items():
    print(f"{key}: {value}")

# 좌표계 확인하기
print(f"CRS: {src.crs}")

# 래스터의 픽셀 크기
print(f"pixel size (x, y): {src.res}")
# 래스터의 차원
print(f"rasters's dimension: {src.width} x {src.height} pixel")
# 바운더리 확인하기
print(f"geometry boundary: {src.bounds}")

# 데이터 타입
print(f"data type: {src.dtypes}")
# 밴드 개수
print(f"band count: {src.count}")

2-2. 아핀 변환(Affine Transformation)

GIS의 아핀 변환은 래스터 데이터에서 픽셀 좌표를 실제 공간상의 지리 좌표로 대응시키기 위한 변환 관계를 의미한다.

print("Affine Transformation")
print(src.transform)

행렬이 의미하는 실제 수식

• X=90.00*col + 0.00*row − 13442488.34
• Y=0.00*col − 90.00*row + 4668371.58

픽셀 해상도

• 한 픽셀 = 90m * 90m

좌표 원점

• 13442488.34 -> 좌상단 픽셀의 X좌표
• 4668371.58 -> 좌상단 픽셀의 Y좌표
• 즉, 래스터의 (0, 0) 픽셀이 이 위치에 있음

2-3. 래스터 데이터 시각화

rasterio.plot.show(src)

3️⃣ 컬러맵 시각화

컬러맵(cmap)은 래스터 데이터를 더욱 효과적으로 시각화 할 수 있게 만들어준다. 일반적인 컬러맵에는 다음과 같이 표현된다.

• `terrain` : 고도 데이터에 적합, 직관적인 색상으로 낮은 값에서 높은 값을 보여줌
• `viridis` : 지각적으로 균일한 컬러맵으로 일반적인 용도에 적합
• `gray` : 단일 밴드 데이터 시각화에 유용
• `RdYlBu` : 빨강-노랑-파랑으로 양수와 음수 값을 보여주는데 적합

(1) terrain 컬러맵

# 컬러바 추가
elev_band = src.read(1)
plt.figure(figsize=(8,8))
plt.imshow(elev_band, cmap="terrain")
plt.colorbar(label="고도(미터)", shrink=0.5)
plt.title("지형 컬러맵이 적용된 DEM")
plt.show()

(2) 다중 밴드 시각화(멀티 밴드)

다중 밴드 래스터(위성 이미지)로 작업할 때 개별 밴드를 시각화하거나 결합하여 합성 이미지를 만들 수 있다.

raster_path = "https://github.com/opengeos/datasets/releases/download/raster/LC09_039035_20240708_90m.tif"
src = rasterio.open(raster_path)

rasterio.plot.show((src, 1), cmap="gray", title="밴드 1")

(3) RGB 합성

위성 이미지의 경우 Red, Green, Blue를 결합하여 트루컬러 합성을 만들 수 있습니다.

nir_band = src.read(5)
red_band = src.read(4)
green_band = src.read(3)

# 밴드들을 단일 배열로 스택
rgb = np.dstack((nir_band, red_band, green_band)).clip(0, 1)

# 스택된 배열 플롯
plt.figure(figsize=(8, 8))
plt.imshow(rgb)
plt.title("NIR, Red, Green 밴드 결합")
plt.show()

(4) 다중 패널 플롯 생성

모든 밴드를 시각화하기 위해 각 밴드를 해당 이름과 함께 표시하는 다중 패널 플롯을 생성하기

band_names = ["Coastal Aerosol", "Blue", "Green", "Red", "NIR", "SWIR1", "SWIR2"]

fig, axes = plt.subplots(nrows=3, ncols=2, figsize=(8, 10))
axes = axes.flatten() # 효율적인 for문 반복을 위해 2D축 배열을 1D로 평탄화

for band in range(1, src.count):
    data = src.read(band)
    ax = axes[band - 1]
    im = ax.imshow(data, cmap="gray", vmin=0, vmax=0.5)
    ax.set_title(f"밴드 {band_names[band - 1]}")
    fig.colorbar(im, ax=ax, label="반사율(Reflectance)", shrink=0.5)

plt.tight_layout()
plt.show()

4️⃣ 벡터 데이터 오버레이

래스터 데이터와 벡터 데이터를 함께 올려서 시각화하는 방법

# 래스터 데이터 로드
raster_path = (
"https://github.com/opengeos/datasets/releases/download/raster/dem_90m.tif")
src = rasterio.open(raster_path)
# 벡터 데이터 로드
vector_path = ("https://github.com/opengeos/datasets/releases/download/places/dem_bounds.geojson")
gdf = gpd.read_file(vector_path)
gdf = gdf.to_crs(src.crs) # 래스터와 동일한 CRS 보장

# 플롯 생성
fig, ax = plt.subplots(figsize=(8,8))
rasterio.plot.show(src, cmap="terrain", ax=ax, title="벡터 오버레이가 있는 DEM")
gdf.plot(ax=ax, edgecolor="red", facecolor="none", linewidth=2)
plt.show()

5️⃣ NDVI(식생 지수) 시각화

여러 밴드를 조작해서 계산을 할 수 있다. 일반적으로 잘 알려진 식생지수 계산 공식은 다음과 같다.

• NDVI = (NIR - Red) / (NIR + Red)

# 여러 밴드 스택
raster_path = "https://github.com/opengeos/datasets/releases/download/raster/LC09_039035_20240708_90m.tif"
src = rasterio.open(raster_path)

nir_band = src.read(5)
red_band = src.read(4)
green_band = src.read(3)

# 밴드들을 단일 배열로 스택
rgb = np.dstack((nir_band, red_band, green_band)).clip(0, 1)
print(rgb.shape)

• NIR, Red, Green 밴드 값을 변수에 할당하고 단일 배열로 스택해준다.

# NDVI계산
ndvi = (nir_band - red_band) / (nir_band + red_band)
ndvi = ndvi.clip(-1, 1)

plt.figure(figsize=(8, 8))
plt.imshow(ndvi, cmap="RdYlGn", vmin=-1, vmax=1)
plt.colorbar(label="NDVI", shrink=0.75)
plt.title("NDVI")
plt.xlabel("열 번호")
plt.ylabel("행 번호")
plt.show()