【数据分享】1992年-2022年ESA CCI 300米土地覆盖数据简介+下载教程+处理代码+数据分享

今天分享的是

1992年-2022年 ESA CCI土地覆盖

数据已经处理好，结尾链接可获取哦~

01 数据介绍

1. 数据简介：

欧洲航天局气候变化倡议（ESA Climate Change Initiative, CCI）项目提供1992-2015年（2.0.7版）、 2016 至 2022 年（2.1 版）的全球土地覆盖（LC）地图，其空间分辨率为 0.002778°（在赤道附近约为 300 米）。全球土地覆盖数据库所使用的坐标参考系统（CRS）是基于世界大地测量系统 84 (WGS84) 参考椭球体的地理坐标系统（GCS）。

2.土地覆盖分类图例：

3.网页可视化链接：

ESA提供ESA_CCI数据的网页端可视化内容

https://maps.elie.ucl.ac.be/CCI/viewer/

02 1992-2015年数据下载

v.2.0.7

📌下载链接：

https://data.ceda.ac.uk/neodc/esacci/land_cover/data/land_cover_maps

03 v.2.1.1 2016-2020年下载

v2.1.1（v2.0.7 的延续）——2016 年至 2020 年每年 300 米空间分辨率的全球土地覆盖图，与欧洲航天局 (ESA) 气候变化倡议 (CCI) 制作的 1992 年至 2015 年全球年度 LC 地图系列一致。

📌下载链接：

https://cds.climate.copernicus.eu/datasets/satellite-land-cover?tab=overview

04 nc转tif处理

1.单个数据转tif

import xarray as xr
import rasterio
from rasterio.transform import from_origin
import numpy as np
import os
# 1. 读取 NetCDF 文件
ORIGINAL_DATA_DIR = "E:/你的原始数据路径"
PROCESSED_DATA_DIR = "E:/你的保存路径"
nc_path = os.path.join(ORIGINAL_DATA_DIR, "ESA_CCI", "C3S-LC-L4-LCCS-Map-300m-P1Y-2020-v2.1.1.nc")
tif_path = os.path.join(PROCESSED_DATA_DIR, "lccs_class_2020.tif")
os.makedirs(os.path.dirname(tif_path), exist_ok=True)  
ds = xr.open_dataset(nc_path)
# 2. 提取变量（只取第一个时间片）
data = ds['lccs_class'].isel(time=0)
# 3. 转换为 numpy 数组
array = data.values.astype(np.uint8)
# 4. 获取空间信息
lat = ds['lat'].values
lon = ds['lon'].values
res_lat = abs(lat[1] - lat[0])  
res_lon = abs(lon[1] - lon[0])
# 注意 lat 是从北到南，所以起点是左上角
transform = from_origin(west=lon[0], north=lat[0], xsize=res_lon, ysize=res_lat)
with rasterio.open(
    tif_path,
    'w',
    driver='GTiff',
    height=array.shape[0],
    width=array.shape[1],
    count=1,
    dtype=array.dtype,
    crs="EPSG:4326",  # 通常地理坐标使用这个
    transform=transform,
) as dst:
    dst.write(array, 1)
print(f"✅ 成功保存为: {tif_path}")

2.批量处理nc转tif

import xarray as xr
import rasterio
from rasterio.transform import from_origin
import numpy as np
import os

# 设置原始数据路径和保存路径
ORIGINAL_DATA_DIR = "E:/你的原始数据路径"
PROCESSED_DATA_DIR = "E:/你的保存路径"

# 创建保存路径
os.makedirs(PROCESSED_DATA_DIR, exist_ok=True)

# 获取所有 NetCDF 文件
nc_files = [f for f in os.listdir(os.path.join(ORIGINAL_DATA_DIR, "ESA_CCI")) if f.endswith('.nc')]

for nc_file in nc_files:
    # 从文件名中提取年份
    year = nc_file.split('-')[3]  # 提取年份部分（例如 "2020"）

    # 构造输入文件路径和输出文件路径
    nc_path = os.path.join(ORIGINAL_DATA_DIR, "ESA_CCI", nc_file)
    tif_filename = f"{year}.tif"  # 使用年份作为输出文件名
    tif_path = os.path.join(PROCESSED_DATA_DIR, tif_filename)

    # 创建保存路径的文件夹
    os.makedirs(os.path.dirname(tif_path), exist_ok=True)

    # 打开 NetCDF 数据集
    ds = xr.open_dataset(nc_path)

    # 2. 提取变量（只取第一个时间片）
    data = ds['lccs_class'].isel(time=0)

    # 3. 转换为 numpy 数组
    array = data.values.astype(np.uint8)

    # 4. 获取空间信息
    lat = ds['lat'].values
    lon = ds['lon'].values
    res_lat = abs(lat[1] - lat[0])   
    res_lon = abs(lon[1] - lon[0])

    # 注意 lat 是从北到南，所以起点是左上角
    transform = from_origin(west=lon[0], north=lat[0], xsize=res_lon, ysize=res_lat)

    # 5. 保存为 GeoTIFF 文件
    with rasterio.open(
        tif_path,
        'w',
        driver='GTiff',
        height=array.shape[0],
        width=array.shape[1],
        count=1,
        dtype=array.dtype,
        crs="EPSG:4326",  # 通常地理坐标使用这个
        transform=transform,
    ) as dst:
        dst.write(array, 1)

    print(f"✅ 成功保存为: {tif_path}")

05 保存部分分类数据

很多时候我们的研究只需要其中的部分分类内容（如：草地，森林，灌木等），这时候就需要我们从原始的土地覆盖数据中提取出我们需要的内容，以下代码可以帮助我们直接提取，保存需要的分类部分，并输出为新的tif文件。

import os
import numpy as np
import rasterio
import geopandas as gpd
from rasterio.features import shapes
from shapely.geometry import shape
from multiprocessing import Pool

ORIGINAL_DATA_DIR = "E:/你的原始数据路径"
PROCESSED_DATA_DIR = "E:/你的保存路径"

# 输入和输出路径
input_tif = os.path.join(PROCESSED_DATA_DIR, "lccs_class_2020.tif")
output_tif = os.path.join(PROCESSED_DATA_DIR, 'LUCC', "lccs_class_2020_mask.tif")

# 打开原始 TIF 文件
with rasterio.open(input_tif) as src:
    data = src.read(1)  # 读取第一个波段（假设是单波段分类图）
    profile = src.profile  # 获取元信息
    # 创建掩码：保留值在10到130之间，其余设为 nodata (255)
    filtered_data = np.where(((data >= 10) & (data <= 130) & (data != 20)), data, 255)
    # 更新元信息，设置 nodata 为 255
    profile.update(dtype=rasterio.uint8, nodata=255)
    # 注释掉生成新的 TIF 文件的部分
    with rasterio.open(output_tif, 'w', **profile) as dst:
        dst.write(filtered_data, 1)
    print("✔ 新的 TIF 文件已保存：", output_tif)

修改这一句就可以直接保存你需要的内容

如：需要分类数据大于10，小于130且不等于20的部分，nodata设置为255

# 创建掩码：保留值在10到130之间，其余设为 nodata (255)
    filtered_data = np.where(((data >= 10) & (data <= 130) & (data != 20)), data, 255)
    # 更新元信息，设置 nodata 为 255
    profile.update(dtype=rasterio.uint8, nodata=255)

❤

欢迎大家交流学习

我们一起成长进步

~后台回复003获取数据链接~

点击关注遥感代码星球