1. Prepare input data of Kano River¶

Written by Men Vuthy, 2022

Import modules

[1]:

import os
import numpy as np
import pandas as pd

import matplotlib.pyplot as plt

import rasterio
import geopandas as gpd

Label

[2]:

kano_class_img = rasterio.open('data/kano_river/out_img/class/kano_class.tiff')

[3]:

kano_class = kano_class_img.read(1).reshape(-1)

[4]:

kano_label = pd.DataFrame({'label':kano_class})

Dataframe of Season 1

[5]:

season1_rgbn = rasterio.open('data/kano_river/out_img/rgbn/kano_20180429_rgbn.tiff')
season1_ndvi = rasterio.open('data/kano_river/out_img/ndvi/kano_20180429_ndvi.tiff')
season1_ndwi = rasterio.open('data/kano_river/out_img/ndwi/kano_20180429_ndwi.tiff')
season1_bsi = rasterio.open('data/kano_river/out_img/bsi/kano_20180429_bsi.tiff')

[6]:

blue_1 = season1_rgbn.read(1).reshape(-1)
green_1 = season1_rgbn.read(2).reshape(-1)
red_1 = season1_rgbn.read(3).reshape(-1)
nir_1 = season1_rgbn.read(4).reshape(-1)

ndvi_1 = season1_ndvi.read(1).reshape(-1)
ndwi_1 = season1_ndwi.read(1).reshape(-1)
bsi_1 = season1_bsi.read(1).reshape(-1)

[7]:

Season_1 = pd.DataFrame({'B1':blue_1, 'G1':green_1, 'R1':red_1, 'NIR1':nir_1, 'NDVI1':ndvi_1, 'NDWI1':ndwi_1, 'BSI1':bsi_1})

[8]:

Season_1

[8]:

	B1	G1	R1	NIR1	NDVI1	NDWI1	BSI1
0	0	0	0	0	NaN	NaN	NaN
1	0	0	0	0	NaN	NaN	NaN
2	0	0	0	0	NaN	NaN	NaN
3	0	0	0	0	NaN	NaN	NaN
4	0	0	0	0	NaN	NaN	NaN
...	...	...	...	...	...	...	...
23663796	0	0	0	0	NaN	NaN	NaN
23663797	0	0	0	0	NaN	NaN	NaN
23663798	0	0	0	0	NaN	NaN	NaN
23663799	0	0	0	0	NaN	NaN	NaN
23663800	0	0	0	0	NaN	NaN	NaN

23663801 rows × 7 columns

Dataframe of Season 2

[9]:

season2_rgbn = rasterio.open('data/kano_river/out_img/rgbn/kano_20180715_rgbn.tiff')
season2_ndvi = rasterio.open('data/kano_river/out_img/ndvi/kano_20180715_ndvi.tiff')
season2_ndwi = rasterio.open('data/kano_river/out_img/ndwi/kano_20180715_ndwi.tiff')
season2_bsi = rasterio.open('data/kano_river/out_img/bsi/kano_20180715_bsi.tiff')

[10]:

blue_2 = season2_rgbn.read(1).reshape(-1)
green_2 = season2_rgbn.read(2).reshape(-1)
red_2 = season2_rgbn.read(3).reshape(-1)
nir_2 = season2_rgbn.read(4).reshape(-1)

ndvi_2 = season2_ndvi.read(1).reshape(-1)
ndwi_2 = season2_ndwi.read(1).reshape(-1)
bsi_2 = season2_bsi.read(1).reshape(-1)

[11]:

Season_2 = pd.DataFrame({'B2':blue_2, 'G2':green_2, 'R2':red_2, 'NIR2':nir_2, 'NDVI2':ndvi_2, 'NDWI2':ndwi_2, 'BSI2':bsi_2})

[12]:

Season_2

[12]:

	B2	G2	R2	NIR2	NDVI2	NDWI2	BSI2
0	0	0	0	0	NaN	NaN	NaN
1	0	0	0	0	NaN	NaN	NaN
2	0	0	0	0	NaN	NaN	NaN
3	0	0	0	0	NaN	NaN	NaN
4	0	0	0	0	NaN	NaN	NaN
...	...	...	...	...	...	...	...
23663796	0	0	0	0	NaN	NaN	NaN
23663797	0	0	0	0	NaN	NaN	NaN
23663798	0	0	0	0	NaN	NaN	NaN
23663799	0	0	0	0	NaN	NaN	NaN
23663800	0	0	0	0	NaN	NaN	NaN

23663801 rows × 7 columns

Dataframe of Season 3

[13]:

season3_rgbn = rasterio.open('data/kano_river/out_img/rgbn/kano_20181029_rgbn.tiff')
season3_ndvi = rasterio.open('data/kano_river/out_img/ndvi/kano_20181029_ndvi.tiff')
season3_ndwi = rasterio.open('data/kano_river/out_img/ndwi/kano_20181029_ndwi.tiff')
season3_bsi = rasterio.open('data/kano_river/out_img/bsi/kano_20181029_bsi.tiff')

[14]:

blue_3 = season3_rgbn.read(1).reshape(-1)
green_3 = season3_rgbn.read(2).reshape(-1)
red_3 = season3_rgbn.read(3).reshape(-1)
nir_3 = season3_rgbn.read(4).reshape(-1)

ndvi_3 = season3_ndvi.read(1).reshape(-1)
ndwi_3 = season3_ndwi.read(1).reshape(-1)
bsi_3 = season3_bsi.read(1).reshape(-1)

[15]:

Season_3 = pd.DataFrame({'B3':blue_3, 'G3':green_3, 'R3':red_3, 'NIR3':nir_3, 'NDVI3':ndvi_3, 'NDWI3':ndwi_3, 'BSI3':bsi_3})

[16]:

Season_3

[16]:

	B3	G3	R3	NIR3	NDVI3	NDWI3	BSI3
0	0	0	0	0	NaN	NaN	NaN
1	0	0	0	0	NaN	NaN	NaN
2	0	0	0	0	NaN	NaN	NaN
3	0	0	0	0	NaN	NaN	NaN
4	0	0	0	0	NaN	NaN	NaN
...	...	...	...	...	...	...	...
23663796	0	0	0	0	NaN	NaN	NaN
23663797	0	0	0	0	NaN	NaN	NaN
23663798	0	0	0	0	NaN	NaN	NaN
23663799	0	0	0	0	NaN	NaN	NaN
23663800	0	0	0	0	NaN	NaN	NaN

23663801 rows × 7 columns

Dataframe of Season 4

[17]:

season4_rgbn = rasterio.open('data/kano_river/out_img/rgbn/kano_20190129_rgbn.tiff')
season4_ndvi = rasterio.open('data/kano_river/out_img/ndvi/kano_20190129_ndvi.tiff')
season4_ndwi = rasterio.open('data/kano_river/out_img/ndwi/kano_20190129_ndwi.tiff')
season4_bsi = rasterio.open('data/kano_river/out_img/bsi/kano_20190129_bsi.tiff')

[18]:

blue_4 = season4_rgbn.read(1).reshape(-1)
green_4 = season4_rgbn.read(2).reshape(-1)
red_4 = season4_rgbn.read(3).reshape(-1)
nir_4 = season4_rgbn.read(4).reshape(-1)

ndvi_4 = season4_ndvi.read(1).reshape(-1)
ndwi_4 = season4_ndwi.read(1).reshape(-1)
bsi_4 = season4_bsi.read(1).reshape(-1)

[19]:

Season_4 = pd.DataFrame({'B4':blue_4, 'G4':green_4, 'R4':red_4, 'NIR4':nir_4, 'NDVI4':ndvi_4, 'NDWI4':ndwi_4, 'BSI4':bsi_4})

[20]:

Season_4

[20]:

	B4	G4	R4	NIR4	NDVI4	NDWI4	BSI4
0	0	0	0	0	NaN	NaN	NaN
1	0	0	0	0	NaN	NaN	NaN
2	0	0	0	0	NaN	NaN	NaN
3	0	0	0	0	NaN	NaN	NaN
4	0	0	0	0	NaN	NaN	NaN
...	...	...	...	...	...	...	...
23663796	0	0	0	0	NaN	NaN	NaN
23663797	0	0	0	0	NaN	NaN	NaN
23663798	0	0	0	0	NaN	NaN	NaN
23663799	0	0	0	0	NaN	NaN	NaN
23663800	0	0	0	0	NaN	NaN	NaN

23663801 rows × 7 columns

Features and Label

[21]:

# concat dataframe of all seasons and label into one dataframe
Kano_dataframe = pd.concat([Season_1, Season_2, Season_3, Season_4, kano_label], axis=1)

[22]:

Kano_dataframe

[22]:

	B1	G1	R1	NIR1	NDVI1	NDWI1	BSI1	B2	G2	R2	...	NDWI3	BSI3	B4	G4	R4	NIR4	NDVI4	NDWI4	BSI4	label
0	0	0	0	0	NaN	NaN	NaN	0	0	0	...	NaN	NaN	0	0	0	0	NaN	NaN	NaN	0
1	0	0	0	0	NaN	NaN	NaN	0	0	0	...	NaN	NaN	0	0	0	0	NaN	NaN	NaN	0
2	0	0	0	0	NaN	NaN	NaN	0	0	0	...	NaN	NaN	0	0	0	0	NaN	NaN	NaN	0
3	0	0	0	0	NaN	NaN	NaN	0	0	0	...	NaN	NaN	0	0	0	0	NaN	NaN	NaN	0
4	0	0	0	0	NaN	NaN	NaN	0	0	0	...	NaN	NaN	0	0	0	0	NaN	NaN	NaN	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
23663796	0	0	0	0	NaN	NaN	NaN	0	0	0	...	NaN	NaN	0	0	0	0	NaN	NaN	NaN	0
23663797	0	0	0	0	NaN	NaN	NaN	0	0	0	...	NaN	NaN	0	0	0	0	NaN	NaN	NaN	0
23663798	0	0	0	0	NaN	NaN	NaN	0	0	0	...	NaN	NaN	0	0	0	0	NaN	NaN	NaN	0
23663799	0	0	0	0	NaN	NaN	NaN	0	0	0	...	NaN	NaN	0	0	0	0	NaN	NaN	NaN	0
23663800	0	0	0	0	NaN	NaN	NaN	0	0	0	...	NaN	NaN	0	0	0	0	NaN	NaN	NaN	0

23663801 rows × 29 columns

[23]:

# Remove all rows where NDVI1 is NaN
Kano_classified = Kano_dataframe.dropna(subset=['NDVI1'])

[24]:

Kano_classified

[24]:

	B1	G1	R1	NIR1	NDVI1	NDWI1	BSI1	B2	G2	R2	...	NDWI3	BSI3	B4	G4	R4	NIR4	NDVI4	NDWI4	BSI4	label
584636	890	992	995	1965	0.242947	-0.214166	0.303773	860	912	819	...	-0.328072	0.325482	655	745	768	1148	0.207700	-0.172238	0.307462	6
584637	900	990	990	2008	0.255461	-0.225427	0.306076	882	936	865	...	-0.304147	0.332129	652	722	735	1072	0.195912	-0.154165	0.310903	6
584638	901	972	958	1862	0.235430	-0.198141	0.307286	877	915	854	...	-0.293547	0.329432	636	709	733	983	0.155239	-0.120563	0.312732	6
584639	801	889	863	1576	0.205786	-0.160642	0.297341	846	857	799	...	-0.290226	0.319362	619	683	705	874	0.116680	-0.080891	0.314762	6
584640	842	893	896	1301	0.093848	-0.063836	0.315164	821	811	749	...	-0.234630	0.313164	572	642	652	739	0.072273	-0.028123	0.307235	6
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
22000430	794	947	990	1867	0.221129	-0.211906	0.298590	835	877	864	...	-0.229348	0.326820	410	524	555	902	0.247357	-0.225399	0.287725	6
22000431	926	1057	1110	1911	0.177388	-0.170195	0.309133	1047	1082	1071	...	-0.200432	0.322006	447	539	592	921	0.226740	-0.221894	0.308992	6
22000432	926	1057	1110	1911	0.177388	-0.170195	0.309133	1047	1082	1071	...	-0.200432	0.322006	447	539	592	921	0.226740	-0.221894	0.308992	6
22000433	978	1124	1212	1919	0.136559	-0.142256	0.313926	1235	1269	1296	...	-0.166199	0.318265	490	593	650	835	0.134188	-0.128185	0.307732	6
22004751	892	1018	1070	1819	0.171261	-0.164487	0.309384	889	937	920	...	-0.195760	0.313958	383	516	545	793	0.194771	-0.170939	0.275729	6

692246 rows × 29 columns

[25]:

# Data dir
data_dir = "data/kano_river/out_img/classified"

# Output dataframe
out_df = os.path.join(data_dir, 'kano_classified.csv')

# export dataframe to csv
Kano_classified.to_csv(out_df, index=False)

[26]:

# Data dir
data_dir = "data/kano_river/out_img/classified"

# Output dataframe
out_df = os.path.join(data_dir, 'kano_classified_index.csv')

# export dataframe to csv
Kano_classified.to_csv(out_df)