GDAL学习笔记（一）--GDAL简介
在我印象中一直是个单纯的python第三方库，在之前的数据处理过程中也完全是需求导向——需要了再查，拿来就用，一直停留在非常浅层的了解程度。最近看了几篇文章才慢慢了解到GDAL库的重要性，因此打算进行系统的学习整理。 首先是对GDAL做一个简单的了解，为什么要学习GDAL，GDAL有什么用处呢？
GDAL，全称Geospatial Data Abstraction Library，即地理空间数据抽象库，是一个在X/MIT许可协议下读写空间数据的开源库，可以通过命令行工具来进行数据的转换和处理。而在调用中我们常用的[OGR]则是GDAL的一个子项目，实现了一个对空间参考信息进行处理的类。这其中，GDAL主要支持对栅格数据的处理，而OGR主要进行矢量数据的处理，二者通过一个生成系统进行维护，合称为GDAL，用于很多著名的GIS产品（例如[ArcGIS]等）的底层，支持python、C、R等各种语言的API。
使用gdal能给我们带来什么呢？举一个很简单的例子，也是我在数据处理中常见的情况，如果我有一个区域的多年影像数据，我需要对他们进行相似的预处理步骤，那么使用GDAL编写程序进行处理显然要比一个一个操作快捷的多，可以省却重复的多步操作过程，高效地进行数据处理。另外我们也可以使用gdal在python中直接进行数据类型转换、数据读写等操作，这会大大提高提高我们数据处理的效率。
另外，在GDAL的应用中，涉及到投影和大地测量转换的问题时，可以使用[PROJ]库解决，他支持一百多种不同的地图投影，可以通过命令行或者API直接调用。下面简单介绍一下GDAL支持的三大类数据：栅格数据、矢量数据和地理网络数据。
栅格数据
GDAL中使用dataset表示一个栅格数据，其中包含了栅格数据的波段、空间参考、元数据等信息，共同构成了栅格数据集[GeoTIFF]。数据集含有栅格大小的概念，适用于所有波段，负责所有波段的地理参考变换和坐标系定义，本身也可以有关联的源数据。
矢量数据
OGR为矢量数据提供了矢量数据模型，其中主要包括：特征/特征定义（OGRGeometry）、层（OGRLayer）、数据集（GDALDataset）等。
地理网络数据（Geographic Network Model）
任何现实世界中的网络都可以表示为一组矢量数据，而矢量数据本身可以表示为dataset，由网络部分（网络的拓扑、网络的源数据等）和空间/属性部分（GDAL层、特征、几何图形）组成。
