python地理空间_在 Python 中处理地理空间栅格数据 – IBM Developer

本教程已纳入使用 Python 执行数据分析学习路径。级别主题类型100在 Python 中使用 pandas 执行数据分析教程

101使用 Python 处理地理空间数据的简介文章

201a在 Python 中处理地理空间矢量数据教程

201b在 Python 中处理地理空间栅格数据教程

栅格数据是一种地理空间数据，其中包含网格和矩阵形式的几何位置相关信息。根据属性的类型和数量，这些矩阵可以是多维的，每个维度表示一个特性，并且其中的每个像素都包含表示特性的值。例如，以多维数组形式表示的城市天气信息的数据集可以包含有关温度、相对湿度和风速的详细信息。卫星图像或任何表示地理位置的图像都是栅格数据形式。

netCDF、PNG、JPEG、TIFF 和二进制文件都是栅格数据类型的示例。可以在此处找到大量的数据类型列表。“使用 Python 处理地理空间数据的简介”一文中介绍了有关栅格数据以及使用 Python 表示和访问栅格数据的不同方法的详细信息。在本教程中，我们提供代码示例来解释如何在 Python 中处理栅格数据。

前提条件

要完成本教程，您需要：

一个 IBM Cloud 帐户

Watson Studio

步骤

设置

注册或登录至 IBM Cloud。

单击 Resources 页面顶部的 Create resource。您可以在左上角的汉堡菜单下看到资源。

搜索 Watson Studio，然后单击该卡片。

选择 Lite 套餐，然后单击 Create。

返回到 Resources 列表，单击 Watson Studio 服务，然后单击 Get Started。

您现在应该已经进入 Watson Studio 中了。

单击 Create a project 或 New project。

选择 Create an empty project。

为项目提供一个名称。

选择现有的对象存储服务实例或创建一个新实例。这用于存储 Notebook 和数据。注意：返回到 Project 页面后，别忘了单击刷新。

单击 Create。

创建项目访问令牌

要将数据载入 Notebook，您需要一个访问令牌。

转至项目顶部的 Settings 选项卡，然后向下滚动至 Access tokens。

单击 New token。

命名新令牌，选择 Editor，然后单击 Create。

稍后在 Notebook 中需要此访问令牌。

创建定制 Python 环境

由于默认 Python 环境中未安装所需的库，因此必须使用 conda create 创建定制环境。但是，由于该环境正在 IBM Cloud 中运行，因此需要执行一些步骤。

转至项目顶部的 environments 选项卡。

单击 New environment definition。

命名您的新环境。

保留默认值，选择免费硬件配置 Free – 1 vCPU and 4 GB RAM、Default Python 3.6，然后单击 Create。

定制新环境。向下滚动，然后单击 Customization 下的 Create 链接

这将打开您可以编辑的文本字段。删除所有文本，然后将以下代码复制粘贴到该文本字段中。

channels:-defaults-conda-forge#Pleaseaddcondapackagesheredependencies:-mapclassify==1.0.1-netcdf4-xarray-numpy=1.16.4-tensorboard=1.13.0-basemap=1.2.1-cartopy#Pleaseaddpippackageshere#Toaddpippackages,pleasecommentoutthenextline#-pip:

单击 Apply。

现在，您可以使用该新环境来运行 Notebook

载入并运行一个 Notebook

添加新的 Notebook：

单击 Add to project，然后选择 Notebook。

选择 New notebook from URL。

命名您的 Notebook，然后复制 URL https://github.com/IBM/data-analysis-using-python/blob/master/notebooks/raster-data-using-python.ipynb。

选择您创建的 Custom runtime environment，然后单击 Create Notebook。

此时将加载 Notebook。遵循 Notebook 中的指示信息，然后运行所有单元。接着返回至本教程。

Notebook 概述

关于数据集

数据集包含一个 5° x 5° 的网格，其中具有 1961 到 1990 年的绝对温度。采用 NetCDF 格式表示数据。

netCDF4 和 matplotlib

使用 netCDF 执行数据分析

在本教程的前半部分，您将了解如何使用 Python 的 netCDF4 模块从数据集中抽取数据。以下代码样本显示了我们在整个 Notebook 中使用的导入内容的显式列表。

首先，我们使用 helper 函数导入数据集，该函数使用了先前步骤中创建的项目令牌。

然后，我们使用 netCDF4 Dictionary 集合来分析数据以及构成 netCDF 文件的字段之间的关系。

为提取 netCDF 文件的数据模型版本，我们使用了 data_model 变量。数据模型可以是 NETCDF3_CLASSIC、NETCDF4、NETCDF4_CLASSIC、NETCDF3_64BIT_OFFSET 或 NETCDF3_63BIT_DATA 数据模型版本之一。

dimensions 将返回一个字典，其中包含来自映射到 Dimensions 类实例的数据集的变量名称。它提供变量的名称及其大小。

variables 将返回一个字典，用于将来自数据集的变量名称映射为 Variable 类的实例。

以下代码示例演示了如何将来自数据集的变量作为 variables 代码样本中所返回字典的键进行访问。

使用 matplotlib 绘图

现在，让我们看看如何在 Python 中使用 matplotlib 及其扩展来绘制 2D 地图。我们在此处使用 matplotlib basemap 工具包。为在 2D 平面上绘制点，basemap 类支持 24 种不同类型的投影。在此示例中，我们使用米勒圆柱投影，该投影方法通常用于墙面挂图而非导航地图。llcrnrlon 和 llcrnrlat 表示所需地图域左下角的经度和纬度(以度为单位)。

addcyclic 将经度列添加到一组数据。在代码中，您看到经度数组已添加到包含温度条目的数组中。shiftgrid 将所有经度和数据向东或向西移动。meshgrid 方法将从一维坐标数组返回坐标矩阵。在代码中，我们使用 meshgrid 将经度和纬度数组转换为 x 和 y 坐标数组。

xarray 和 Cartopy

使用 xarray 执行数据分析

本部分内容将介绍如何使用 xarray 来处理 netCDF 数据。xarray 可用于分析多维数组并共享来自 pandas 和 NumPy 的函数。xarray 已被证实是可用于处理 netCDF 文件的强大库。

以下代码示例列举了必需的导入，需要完成这些导入才能运行 Notebook。

然后，我们使用 xarray 打开并载入数据集。

xarray 支持以下数据结构：

DataArray – 多维数组

Dataset – 包含多个 DataArray 对象的字典

netCDF 数据将在 xarray 中表示为 Dataset。

values 将返回一个 n 维数组，用于表示数据集中的值。您可以看到该数据集包含三个坐标：lat、lon 和 time。它还包含一个数据变量温度，该温度是一个浮点值。

dims 将返回 x、y 和 z 坐标的值。

coords 仅从 values 变量返回坐标部分。

由于 xarray 是 pandas 的扩展，因此它提供了一种方法，可以将数据集转换为 DataFrame。

使用 xarray 绘图

Xarray 还通过扩展 matplotlib 库来支持绘图功能。可以使用 xarray 库来绘制 DataArray 对象。要绘制 Dataset 对象，就需要访问相关的 DataArray 或维度。

使用 Cartopy 绘制

Cartopy 是与 xarray 兼容的多个绘图应用程序之一。其他应用程序有 Seaborn、HoloViews 和 GeoViews。

以下示例是使用 cartopy 创建可视化效果的简单示例。我们将摩尔威德投影与米勒圆柱投影做了对比。Cartopy 投影列表提供了投影的完整列表。

以下示例是一个热图，用于比较一月和六月之间的温度强度。

结束语

本教程向您介绍了地理空间栅格数据的基础知识。文中概述了如何使用两组 Python 库来分析 NetCDF 数据。第一个示例展示了如何使用 netCFF4 Python 库提取数据，以及使用 matplotlib 实现可视化效果。第二个示例展示了如何使用 xarray 处理数据，以及使用 Cartopy 绘制图形。本教程已纳入使用 Python 执行数据分析学习路径。您现在应该对使用 Python 处理数据有了更多的了解。

本文翻译自：Working with geospatial raster data in Python(2020-04-09)