1.Cesium地形切片--CTB(cesium-terrain-builder)填坑指南
2.GDAL学习6--C++开发环境搭建（从库编译到环境配置）
3.windows编译GDAL+GEO+PROJ4(傻瓜教程)
4.Python 重采样遥感数据 Pyresample (一)
Cesium地形切片--CTB(cesium-terrain-builder)填坑指南
面临全中国Cesium地形数据制作需求，源码原计划使用cesiumlab进行操作，不同但处理数千张DEM数据时，源码面临性能和数据管理问题，不同导致项目效率低下。源码
随后发现CTB（cesium-terrain-builder）工具，不同新聚合直播源码能有效提升处理速度，源码且不占用个人办公资源，不同便于数据处理与后期发布。源码然而，不同使用过程中遇到编译问题，源码GDAL环境部署后，不同CTB的源码cmake编译不通过，经排查后发现是不同GDAL版本与CTB需求不符，调整至GDAL-2.4.4后，源码问题解决。
在验证CTB使用效果时，在线视频直播app源码发现cesium无法直接使用CTB输出的gzip压缩地形文件，为了解决瓦片压缩问题，通过修改CTB源代码，将CTBZFileOutputStream改为CTBFileOutputStream，完成对输出文件格式的调整，使cesium能直接利用输出结果进行数据展示。
对于多数据同时处理问题，采用Python脚本按顺序处理文件夹下数据，并结合GDAL生成虚拟数据集（vrt）的方法，以简化层.json文件的合并过程，提升工作效率。最终，通过此方案，不仅成功解决了技术难题，还有效提升了项目处理效率，实现自动化与标准化流程。Vue逐行级别的源码分析
GDAL学习6--C++开发环境搭建（从库编译到环境配置）
GDAL在C++环境下的开发配置是一个关键步骤，尤其需要注意空间参考处理函数与GEOS和Proj.4库的联合编译。本文将详细指导如何在VS环境下完成这一过程。
首要任务是编译和集成GEOS和Proj.4库。首先，确保下载正确的库源码，如我使用的版本。解压后，打开VS命令行窗口，并配置VS的nmake.exe工具和vcvars.bat文件，以便进行后续编译。对于Proj.4，执行nmake.exe -f makefile.vc命令，成功后查看src文件夹。同样的步骤应用于GEOS，但可能因VS版本新导致编译错误，H5智慧表单 源码需调整nmake.opt文件中的VS版本信息。
编译GDAL时，需要在gdal的opt文件中修改.lib文件路径，指向我们之前编译的src文件夹。接着，针对GDAL的配置进行必要的更改。在VS本地管理员命令窗口中，以管理员权限运行，执行nmake.exe -f make进行编译。
虽然这个过程可能会涉及多个步骤和一些调试，但按照这个顺序进行，应该能够顺利配置GDAL的C++开发环境。后续的环境配置会在后续更新中提供，因为篇幅较长，我们会分步骤逐步介绍。
windows编译GDAL+GEO+PROJ4(傻瓜教程)
一、大于15的源码怎么算编译GEOS库
编译GEOS库有nmake编译与cmake-gui编译两种方法。
nmake编译流程如下：
1. 解压源码到指定路径。
2. 修改nmake.opt文件，根据编译目标（位或位）、Debug或Release模式调整相关配置。
3. 打开VS的命令提示符，切换至指定路径，执行编译命令。
4. 编译完成后，会在特定目录生成geos相关的库文件。
cmake-gui编译流程如下：
1. 使用cmake-gui设置编译路径、输出目录。
2. 配置完成后，点击generate按钮。
3. 执行编译，编译完成的bin、include、lib文件将存储于设置的输出目录。
二、编译proj库
使用cmake-gui编译proj库，设置输出路径，确保生成动态库。
三、编译GDAL库
基于已编译的GEOS库，调整nmake.opt文件，配置GDAL_HOME路径与相关依赖。
针对debug版本，需在nmake.opt中添加特定配置。
设置Proj库相关参数，确保动态链接。
使用nmake命令执行编译、生成操作。
四、注意事项
在将geos库集成至GDAL时，确保geos库路径无空格，否则可能导致头文件无法识别。
Python 重采样遥感数据 Pyresample (一)
处理宽幅扫描遥感卫星数据时，如Sentinel-5、Ecostress和Modis等L1级或更低级别的数据，传统的影像重采样工具往往显得力不从心。GDAL虽然提供了将非规则化数据转换为规则化栅格的功能，但面对大规模数据时，其内存和CPU消耗问题令人头疼。在尝试过失败的编程实践后，Pyresample作为解决方案崭露头角。它依托于先进的kd-tree算法和Xarray、Dask等并行计算技术，尤其在应对大规模、非规则遥感数据重采样时表现出色。
Pyresample是一款专为地理空间影像数据重采样设计的Python包，是SatPy库的核心组件，也可独立使用。重采样是将位置数据点转化为目标投影和区域的过程。它支持栅格数据和经纬度采样数据，使用AreaDefinition和SwathDefinition等不同的“geometry”对象进行描述。
Pyresample提供多种重采样算法，如最近邻和双线性插值，采用由pykdtree库支持的快速KDTree算法。它支持numpy数组和numpy掩码数组，以及XArray对象（包括对dask数组的支持），并辅以Cartopy进行数据可视化。从版本1.开始，Pyresample不再支持Python 2和Python 3.4以下版本。
要使用Pyresample，需要安装pyproj、numpy（版本1.以上）、pyyaml、configobj和pykdtree（版本1.1.1以上）。为了使用绘图功能，还需安装Cartopy和matplotlib（版本1.0以上）。若需dask和xarray支持，还需额外安装相关库。测试Pyresample时，所有可选包（如rasterio、dask等）需已安装。
安装方法包括pip从PyPI获取、conda通过conda-forge通道安装或直接从源码安装。开发模式安装可通过`pip install -e .`命令进行。Pykdtree的多线程支持可通过环境变量控制，而numexpr会优化处理性能。
在Pyresample中，`pyresample.geometry`模块包含了描述不同地理区域的类，如AreaDefinition（用于均匀间隔像素的区域）和SwathDefinition（处理非均匀像素的区域）。创建AreaDefinition对象时，需要指定投影方法或EPSG代码，而GridDefinition则适合已知像素经纬度值的场景。所有几何定义对象都提供访问像素坐标的方法，如get_lonlats()获取经纬度数据。
总的来说，Pyresample是处理大规模、非规则遥感数据重采样的高效工具，它通过优化算法和并行计算技术，简化了遥感数据分析过程。
