首先，本次重采样使用的是GDAL方法完成

参考了以下博客，并根据自己的需要进行了删改以及原理的探究：
重采样：栅格影像重采样

我使用了下该代码，发现是可行的，但是仍然存在一定的问题，即他的采样方式不是我想要的（最邻近采样，对于采样间隔较大的数据十分不友好），因此又探索了下，在此记录，也方便后续自己再次学习。

再次说明，这个代码不是我写的，原创我找不到，网上大家发布的都是一个代码，我只是对这个代码加了一个参数，然后分析了下！重要参数如下：resample_alg = gdalconst.GRIORA_Average，这个代表的是重采样过程每个重采样后的像元内所有数据求平均，还有双线性插值，最邻近插值等。

from osgeo import gdal, gdalconst
import os
import numpy as np
import glob
 
def resampling(source_file, target_file, scale):
    """
    影像重采样
    :param source_file: 源文件
    :param target_file: 输出影像
    :param scale: 像元缩放比例
    :return:
    """
    dataset = gdal.Open(source_file, gdalconst.GA_ReadOnly)
    band_count = dataset.RasterCount  # 波段数
 
    if band_count == 0 or not scale > 0:
        print("参数异常")
        return
 
    cols = dataset.RasterXSize  # 列数
    rows = dataset.RasterYSize  # 行数
    cols = int(cols * scale)  # 计算新的行列数
    rows = int(rows * scale)
 
    geotrans = list(dataset.GetGeoTransform())
    # print(dataset.GetGeoTransform())
    # print(geotrans)
    geotrans[1] = geotrans[1] / scale  # 像元宽度变为原来的scale倍
    geotrans[5] = geotrans[5] / scale  # 像元高度变为原来的scale倍
    print(geotrans)
 
    if os.path.exists(target_file) and os.path.isfile(target_file):  # 如果已存在同名影像
        os.remove(target_file)  # 则删除之
 
    band1 = dataset.GetRasterBand(1)
    data_type = band1.DataType
    target = dataset.GetDriver().Create(target_file, xsize=cols, ysize=rows, bands=band_count,
                                        eType=data_type)
    target.SetProjection(dataset.GetProjection())  # 设置投影坐标
    target.SetGeoTransform(geotrans)  # 设置地理变换参数
    total = band_count + 1
    for index in range(1, total):
        # 读取波段数据
        # print("正在写入" + str(index) + "波段")
        data = dataset.GetRasterBand(index).ReadAsArray(buf_xsize=cols, buf_ysize=rows, resample_alg = gdalconst.GRIORA_Average)
        out_band = target.GetRasterBand(index)
        # out_band.SetNoDataValue(dataset.GetRasterBand(index).GetNoDataValue())
        out_band.WriteArray(data)  # 写入数据到新影像中
        out_band.FlushCache()
        out_band.ComputeBandStats(False)  # 计算统计信息
    # print("正在写入完成")
    del dataset
    del target
 
 
if __name__ == "__main__":
    dir_in=r'D:\dataset\ours'
    dir_out=r'D:\dataset\our_1_average'
    for file_i in glob.glob(os.path.join(dir_in,'*.tiff')):
        file_name=os.path.split(file_i)[1]
        source_file=file_i
        target_file=os.path.join(dir_out,file_name)
        resampling(source_file, target_file, scale=0.1)
        print(file_name)

其他的几个重采样方式关键字：

'GRIORA_Average',
 'GRIORA_Bilinear',
 'GRIORA_Cubic',
 'GRIORA_CubicSpline',
 'GRIORA_Gauss',
 'GRIORA_Lanczos',
 'GRIORA_Mode',
 'GRIORA_NearestNeighbour'

下面讲讲这个的平均大概是什么样的方式：

原始栅格如下：生成的一个10*10大小的顺序数组
在这里插入图片描述

1 重采样的分辨率刚好同原始分辨率成倍数关系：将其重采样成5*5

在这里插入图片描述
这里我们可以看到：第一个数字5.5 刚好就是（0+1+10+11）/4的结果其他的数据也是对应位置求平均，很好理解。

2 降采样成4*4呢？

在这里插入图片描述
那么这个是怎么计算的呢？以第一个数字为例：他的结果应该是这样，重采样后的像元将原始的前四个像元都是完全包了的（数值为0，1，10，11）然后（数值为2，12，20，21）四个像元都只能包含一半，数值为22的像元只能包含1/4。所以同理，如果不等分，就是按照原始像元的覆盖率来进行求得平均：这儿的例子来讲：
8.8=（（0+1+10+11）+（（2+12+20+21）/2）+（22/4））/（4+4/2+1/4）
（0+1+10+11）代表四个完整的像元值
（2+12+20+21）四个像元只覆盖了一半，所以他的值应该只算一半
（22）只覆盖了1/4，所以只能算成22/4