Skip to content
TheChatArchiveThe Chat Archive
o1-preview-2024-09-12· OpenAIAi2 WildChat-4.8M (AI2)

我现在有2份GeoTIFF图像数据集,精度分别是0.1度和0.5度,一份nc数据集,精度是0.25度,经度分别从70.050,72.475,72.125开始,纬度从55.325,…

  1. User

    我现在有2份GeoTIFF图像数据集,精度分别是0.1度和0.5度,一份nc数据集,精度是0.25度,经度分别从70.050,72.475,72.125开始,纬度从55.325,54.950,53.875开始,读取后的shape分别为 (400,700)、(78, 127)、(144, 256) 请你使用裁剪、差值、采样等方法,统一数据纬度,并且保证维度统一后经纬度坐标一一对应 tif文件使用tifffile读取,nc文件使用netCDF4读取

    文件路径

    geotiff_0_1 = './data/test_merge/20180101_avg.tif' geotiff_0_5 = './data/test_merge/wetland-2018.tif' netcdf_data = './data/jiangshui/CHM_PRE_0.25dg_19612022.nc'

  2. Assistant

    好的,针对您的需求,我将为您提供一个Python脚本,使用tifffile和netCDF4读取您的数据集,然后通过裁剪、插值等方法统一数据的纬度和尺寸,确保经纬度坐标一一对应。

    以下是完整的代码:

    import tifffile
    import netCDF4 as nc
    import numpy as np
    import xarray as xr
    
    # 文件路径
    geotiff_0_1 = './data/test_merge/20180101_avg.tif'
    geotiff_0_5 = './data/test_merge/wetland-2018.tif'
    netcdf_data = './data/jiangshui/CHM_PRE_0.25dg_19612022.nc'
    
    # 1. 使用tifffile读取GeoTIFF数据
    data_tif_0_1 = tifffile.imread(geotiff_0_1)
    data_tif_0_5 = tifffile.imread(geotiff_0_5)
    
    # 2. 使用netCDF4读取nc数据
    nc_data = nc.Dataset(netcdf_data)
    # 假设变量名为'precipitation',您需要根据实际变量名进行修改
    data_nc = nc_data.variables['precipitation'][:]
    
    # 获取数据维度信息
    shape_0_1 = data_tif_0_1.shape  # (400, 700)
    shape_0_5 = data_tif_0_5.shape  # (78, 127)
    shape_nc = data_nc.shape        # (时间维度, 144, 256),如果无时间维度,请调整索引
    
    # 定义各数据的起始经纬度和分辨率
    # GeoTIFF 0.1度数据
    lon0_1 = 70.050
    lat0_1 = 55.325
    res_1 = 0.1
    
    # GeoTIFF 0.5度数据
    lon0_5 = 72.475
    lat0_5 = 54.950
    res_5 = 0.5
    
    # NetCDF 0.25度数据
    lon0_nc = 72.125
    lat0_nc = 53.875
    res_nc = 0.25
    
    # 生成各自的经纬度坐标
    def generate_coords(lat0, lon0, res, shape):
        nlat, nlon = shape
        lats = lat0 - np.arange(nlat) * res
        lons = lon0 + np.arange(nlon) * res
        return lats, lons
    
    lats_0_1, lons_0_1 = generate_coords(lat0_1, lon0_1, res_1, shape_0_1)
    lats_0_5, lons_0_5 = generate_coords(lat0_5, lon0_5, res_5, shape_0_5)
    lats_nc, lons_nc = generate_coords(lat0_nc, lon0_nc, res_nc, shape_nc[-2:])
    
    # 3. 将数据转换为xarray DataArray以便于处理
    data_tif_0_1_da = xr.DataArray(data_tif_0_1,
                                   coords={'lat': lats_0_1, 'lon': lons_0_1},
                                   dims=['lat', 'lon'])
    
    data_tif_0_5_da = xr.DataArray(data_tif_0_5,
                                   coords={'lat': lats_0_5, 'lon': lons_0_5},
                                   dims=['lat', 'lon'])
    
    # 对于nc数据,可能有时间维度
    if data_nc.ndim == 3:
        times = nc_data.variables['time'][:]
        data_nc_da = xr.DataArray(data_nc,
                                  coords={'time': times, 'lat': lats_nc, 'lon': lons_nc},
                                  dims=['time', 'lat', 'lon'])
    else:
        data_nc_da = xr.DataArray(data_nc,
                                  coords={'lat': lats_nc, 'lon': lons_nc},
                                  dims=['lat', 'lon'])
    
    # 4. 定义目标网格,选择最精细的0.1度分辨率
    res_target = 0.1
    
    # 计算各数据的经纬度范围
    lat_min = max(lats_0_1.min(), lats_0_5.min(), lats_nc.min())
    lat_max = min(lats_0_1.max(), lats_0_5.max(), lats_nc.max())
    lon_min = max(lons_0_1.min(), lons_0_5.min(), lons_nc.min())
    lon_max = min(lons_0_1.max(), lons_0_5.max(), lons_nc.max())
    
    # 生成目标经纬度坐标
    lat_target = np.arange(lat_min, lat_max + res_target, res_target)
    lon_target = np.arange(lon_min, lon_max + res_target, res_target)
    
    # 5. 对各数据进行插值,统一到目标网格
    data_tif_0_1_interp = data_tif_0_1_da.interp(lat=lat_target, lon=lon_target, method='nearest')
    data_tif_0_5_interp = data_tif_0_5_da.interp(lat=lat_target, lon=lon_target, method='nearest')
    if 'time' in data_nc_da.coords:
        data_nc_interp = data_nc_da.interp(lat=lat_target, lon=lon_target, method='nearest')
    else:
        data_nc_interp = data_nc_da.interp(lat=lat_target, lon=lon_target, method='nearest')
    
    # 6. 确保纬度递减(从北到南),经度递增(从西到东)
    data_tif_0_1_interp = data_tif_0_1_interp.sortby('lat', ascending=False)
    data_tif_0_5_interp = data_tif_0_5_interp.sortby('lat', ascending=False)
    data_nc_interp = data_nc_interp.sortby('lat', ascending=False)
    
    # 7. 现在,数据的纬度和经度坐标已经统一,可以进行进一步的分析和处理
    # 您可以检查维度是否一致
    print('Unified shape:', data_tif_0_1_interp.shape)
    print('Latitude coordinates match:', np.array_equal(data_tif_0_1_interp['lat'], data_tif_0_5_interp['lat']))
    print('Longitude coordinates match:', np.array_equal(data_tif_0_1_interp['lon'], data_tif_0_5_interp['lon']))
    
    # 如果需要,可以将统一后的数据保存为新的文件,或者继续进行分析
    

    代码说明:

    • 读取数据: 使用tifffile读取GeoTIFF文件,使用netCDF4读取nc文件。
    • 生成经纬度坐标: 根据起始经纬度、分辨率和数据的形状,计算出每个数据的经纬度坐标。
    • 转换为xarray DataArray: 将数据和对应的经纬度坐标打包成xarray.DataArray,便于后续处理。
    • 定义目标网格: 使用最精细的0.1度分辨率,计算出统一的经纬度坐标网格。
    • 插值数据: 使用xarray的interp方法,将每个数据插值到目标网格上。
    • 统一纬度顺序: 为了确保纬度从北到南,经度从西到东,使用sortby方法对数据进行排序。
    • 验证结果: 检查统一后的数据形状,并验证经纬度坐标是否一致。

    注意事项:

    • 插值方法可以根据需要选择,这里使用了'nearest',即最近邻插值,您也可以使用'linear'等其他方法。
    • 如果您的nc数据有时间维度,代码已经考虑了这种情况,并将在插值后保留时间维度。
    • 如果数据范围不完全重叠,插值后的数据中,对于超出原始数据范围的区域,值将为NaN,您可以根据需要进行填充或剪裁。

    希望这能满足您的需求!