Задание посвящено знакомству с техническими аспектами визуализации растровых данных,…
- User
Задание посвящено знакомству с техническими аспектами визуализации растровых данных, связанных с отображением в разных проекциях.
Напишите программу, которая:
- Прочитывает приложенный файл TIF, используя rasterio / gdal
- Узнает его систему координат.
- Инициализирует систему координат результирующей проекции средствами pyproj
- Определяет охват результирующего растра путем некоторой эвристики (приблизительной оценки).
- Создает регулярную сетку в вычисленном охвате.
- Интерполирует в узлах сетки значения с исходного растра средствами rasterio + pyproj
- Записывает значения в новый numpy array, маскирует NoData и визуализирует его
- Вычисляет в узлах сетки показатели искажений проекции, маскирует NoData и визуализирует их цветом + изолиниями (желательно с подписями). Целесообразно скомпоновать несколько показателей на одном рисунке.
- Экспортирует проецированный растр в файл формата TIFF с пространственной привязкой средствами rasterio / gdal. Вам придется самостоятельно разобраться с тем, как экспортировать перепроецированный растр в файл GeoTIFF с пространственной привязкой (читайте документацию, например, к rasterio.open). Экспортировать растры искажений в файл не нужно, только растр RGB.
Выполните эксперименты для трех выбранных вами проекций, которые относятся к классам равновеликих, равнопромежуточных и равноугольных. На выходе ваша программа должна экспортировать 3 файла TIFF в ту же папку.
В тексте ноутбука проанализируйте качество перепроецирования и полученные распределения показателей искажения проекции.
Есть начало кода программы, нужно его дописать:
import numpy as np import rasterio import matplotlib.pyplot as plt import math from pyproj import CRS, Transformer, Proj
img = rasterio.open('bluemarble.tif') arr = np.moveaxis(img.read().astype(int), 0, -1) plt.imshow(arr)
crs1 = img.crs
print(crs1.to_wkt())
crs2 = CRS('+proj=moll')
crs2 = CRS('ESRI:54027')
print(crs2.to_wkt(pretty=True))
trans12 = Transformer.from_crs(crs1, crs2) trans21 = Transformer.from_crs(crs2, crs1)
bbox = list(img.bounds)
lon = [bbox[0], (bbox[0] + bbox[2]) / 2, bbox[2]] lat = [bbox[1], (bbox[1] + bbox[3]) / 2, bbox[3]]
pts = [[B, L] for B in lat for L in lon] pts_prj = np.array([p for p in trans12.itransform(pts)])
bbox_prj = [np.min(pts_prj[:, 0]), np.max(pts_prj[:, 1]), np.max(pts_prj[:, 0]), np.min(pts_prj[:, 1])]
res = 100000
def baseround(x, base=10): return base * round(x / base)
def baseceil(x, base=10): return base * math.ceil(x / base)
def basefloor(x, base=10): return base * math.floor(x / base)
bbox_rnd = [ baseceil(bbox_prj[0], res), basefloor(bbox_prj[1], res), basefloor(bbox_prj[2], res), baseceil(bbox_prj[3], res) ]
print(bbox_rnd)
xrange = range(bbox_rnd[0], bbox_rnd[2] + res, res) yrange = range(bbox_rnd[1], bbox_rnd[3] - res, -res)
pts_fwd = [[X, Y] for Y in yrange for X in xrange]
pts_back = np.array([[p[1], p[0]] for p in trans21.itransform(pts_fwd)])
values = np.array(list(img.sample(pts_back))).reshape((len(yrange), len(xrange), 3)) / 255 values[values < 0] = np.nan
plt.imshow(values)
prj = Proj(crs2) factors = prj.get_factors(pts_back[:, 0], pts_back[:, 1])
conv = np.array(factors.meridian_convergence).reshape( (len(yrange),len(xrange)) ) conv = np.where(np.isnan(values[:, :, 0]), np.nan, conv)
plt.imshow(conv) plt.colorbar() plt.title('Meridian convergence')
- Assistant
Давайте продолжим написание программы. Вам уже удалось считать исходные данные, инициализировать системы координат, провести приближенную оценку охвата проецируемого растра и интерполировать значения в новую сетку. Это хорошее начало. Теперь давайте займемся экспортом результата в формат TIFF с пространственной привязкой, а затем приступим к вычислению и визуализации показателей искажения проекции.
Экспорт проецированного растра в файл TIFF
Чтобы экспортировать растр в файл GeoTIFF с пространственной привязкой, вам нужно создать новый файл с помощью
rasterio.openв режиме записи ('w'), задать параметры файла (такие как размеры, система координат, количество каналов и тип данных) и записать значения в файл.# Замените имя файла на подходящее для каждой из используемых проекций output_filename = 'projected_raster.tif' # Размеры выходного растра height, width = values.shape[0], values.shape[1] with rasterio.open(output_filename, 'w', driver='GTiff', height=height, width=width, count=3, dtype=values.dtype, crs=crs2, transform=trans21.transform) as dst: dst.write(values.astype(rasterio.uint8).transpose(2, 0, 1))Примечание: Здесь предполагается, что
valuesимеет размерность[высота, ширина, количество каналов]и содержит данные в формате, поддерживаемом для записи в файл GeoTIFF (uint8). Если формат данных отличается, возможно потребуется провести конвертацию типов.Вычисление и визуализация показателей искажения
Вы уже начали визуализировать один из показателей (склонение меридианов). Для полноты анализа искажений можно рассмотреть и другие показатели, например, масштабное искажение или искажение углов.
Вы можете вычислять эти величины на основе тех же факторов:
scale = np.array(factors.areal_scale).reshape( (len(yrange), len(xrange)) ) scale = np.where(np.isnan(values[:, :, 0]), np.nan, scale) angle = np.array(factors.angular_distortion).reshape( (len(yrange), len(xrange)) ) angle = np.where(np.isnan(values[:, :, 0]), np.nan, angle) # Визуализация масштабного искажения plt.figure() plt.imshow(scale, cmap='viridis') plt.colorbar() plt.title('Areal Scale Distortion') # Визуализация искажения углов plt.figure() plt.imshow(angle, cmap='viridis') plt.colorbar() plt.title('Angular Distortion')Выводы
После выполнения всех шагов программы для выбранных вами проекций, важно проанализировать результаты. Рассмотрите полученные проецированные растры и распределение показателей искажений. Обратите внимание на то, как различаются проекции в отношении искажений масштаба, углов и формы. Обдумайте, какие проекции предпочтительнее для различных целей использования геоданных.
Пожалуйста, учтите, что этот пример кода является лишь отправной точкой и может потребоваться его настройка под ваши конкретные задачи и данные.
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.