1 L1C级别的哨兵批量大气校正

首先得安装Sen2Cor，可搜索下载，并将安装目录添加到环境变量中。
其次需要有Python的运行环境

2 数据准备

处理前把L1C级别的数据解压到一个文件夹中，
文件夹结构如下，由于篇幅所限，只列举了三个影像：

.
├── S2A_MSIL1C_20190731T024551_N0208_R132_T51TUF_20190731T073437.SAFE
│   ├── 00Readme_Sentinel_Data_Terms_and_Conditions.txt
│   ├── AUX_DATA
│   ├── DATASTRIP
│   ├── GRANULE
│   ├── HTML
│   ├── INSPIRE.xml
│   ├── MTD_MSIL1C.xml
│   ├── manifest.safe
│   └── rep_info
├── S2A_MSIL1C_20190731T024551_N0208_R132_T51TUG_20190731T073437.SAFE
│   ├── 00Readme_Sentinel_Data_Terms_and_Conditions.txt
│   ├── AUX_DATA
│   ├── DATASTRIP
│   ├── GRANULE
│   ├── HTML
│   ├── INSPIRE.xml
│   ├── MTD_MSIL1C.xml
│   ├── manifest.safe
│   └── rep_info
└── S2A_MSIL1C_20190731T024551_N0208_R132_T51TVG_20190731T073437.SAFE
    ├── 00Readme_Sentinel_Data_Terms_and_Conditions.txt
    ├── AUX_DATA
    ├── DATASTRIP
    ├── GRANULE
    ├── HTML
    ├── INSPIRE.xml
    ├── MTD_MSIL1C.xml
    ├── manifest.safe
    └── rep_info

3 python多进程批量处理

修改下面的变量path为上面的文件夹
变量parelle为同时处理的数量，视CPU的核数和内存的数量而定，个人以为最大为int(min(cpu_cores,memory_GB/2))从而最大程度利用CPU，读者可根据自己配置调整。

# -*- coding: utf-8 -*-
import os
from  multiprocessing import Pool

def process(filepath):
    os.system("""start L2A_Process %s  --resolution=10 """ % (filepath))

if __name__=='__main__':
    # 存数据的目录
    path = r"D:\yuntu\L1C"
    # 同时处理的个数
    parelle = 4
    #获取全部数据
    files=[i for i in os.listdir(path) if (("L1C" in i)&(i.endswith(".SAFE")))]
    pool = Pool(parelle)
    for i in range(len(files)):
        pool.apply_async(process, args=(os.path.join(path,files[i]),))
    pool.close()
    pool.join()