地址:https://search.earthdata.nasa.gov/search?q=GPM&lat=36.99832109741731&long=-37.09165249454537&zoom=1
由于时间不够充裕所以没去做批处理只有单个的数据处理,大家可以自己做一下批处理,这样处理一堆批量的数据就快很多,如果有问题请给予指正~
该数据优势:超强实时观测性(日降水最新数据距离现在时间前两天左右,半小时数据距离前一天左右) 观测范围广(一个数据观测全球)
数据挑选:由于GPM数据时间上分为每半小时/每天/每月,数据处理上分为早期/晚期/最终。看介绍由于多重数据的校正''最终''的精确度最高,但是最终截止于2021年9月还未更新,所以这里在数据选择上选择每日的晚期降水数据
不知道是不是因为这个数据是nc文件所以用hdf explorer 打不开,还是因为我的hdf explorer 本身有问题,不管了,用另外一种方法----ENVI 启动!
查阅属性--- (units--单位mm、long_name --长名称 Daily accumulated precipitation (combined microwave-IR) estimate 日累计降水量、_FillValue --填充值-9999....)
可以用得上的数据集为PrecipitationCal lat lon 即降水量数据 纬度、经度数据
提取步骤大白话来说无非就是:读降水数据-读经纬度数据-把经纬度拼成GLT再把GLT赋予降水数据-把赋予经纬度数据的降水数据进行重投影
这里要注意的是这个经纬度数据只是一个(1*1800 或者1*3600)的一维数组 简单来说就是行为1 列为1800或者3600的一条线,因此我们待会在处理数据的过程中先建立两个装经纬度数据的大数组--(行列号为1800*3600)。再把这两个代表为经纬度的数组输出为tiff和降水量数据输出的tiff做连接
输出的经度tiff(前)纬度tiff(后) 经度数据表示的是上面到下面出现数值的变化,纬度数据表示左右出现数值的变化,为什么和我们认知的经纬度数值变化正好相反?
看降水数据就能看明白了---因为降水数据本来也是倒过来的,当我们把经纬度数据赋予到降水量数据上,再进行重投影那么就会变得正常
file_name='E:\danzi\81\3B-DAY-L.MS.MRG.3IMERG.20230801-S000000-E235959.V06.nc4'
ncdf_id=ncdf_open(file_name);打开任意一个文件,并将文件保存成索引,因为所有数据的经纬度都一样
varid1=ncdf_varid(ncdf_id,att_name1);根据文件索引,找到变量,并保存其变量索引
varid2=ncdf_varid(ncdf_id,att_name2);根据文件索引,找到变量,并保存其变量索引
varid3=ncdf_varid(ncdf_id,att_name3);根据文件索引,找到变量,并保存其变量索引
ncdf_varget,ncdf_id,varid1,lon;获得变量 lon
ncdf_varget,ncdf_id,varid2,lat;获得变量 lat
ncdf_varget,ncdf_id,varid3,pre
ncdf_attget,ncdf_id,varid3,'_FillValue',fv
; piexel_value=(max_lon-min_lon)/lieshu;像元值
for j=0,(size(container1))[1]-1 do begin
for i=0,(size(container1))[2]-1 do begin
for j=0,(size(container2))[2]-1 do begin
for i=0,(size(container2))[1]-1 do begin
write_tiff,out_name1,container1,/float
write_tiff,out_name2,container2,/float
write_tiff,out_name3,pre,/float
envi_open_file,out_name1,r_fid=x_fid
envi_open_file,out_name2,r_fid=y_fid
envi_open_file,out_name3,r_fid=data_fid
out_name_glt=out_file+'preglt.img'
out_name_glt_hdr=out_file+'preglt.hdr'
input_proj=envi_proj_create(/geographic)
output_proj=envi_proj_create(/geographic)
x_fid=x_fid,y_fid=y_fid,x_pos=0,y_pos=0,i_proj=input_proj,$
o_proj=output_proj,pixel_size=pixel_size,rotation=0.0,out_name=out_name_glt,r_fid=glt_id
out_name_geo=out_file+'pregeoref.img'
out_name_geo_hdr=out_file+'pregeoref.hdr'
out_name=out_name_geo,background=0,r_fid=geo_id;赋予输出数据一个id号
map_info=envi_get_map_info(fid=geo_id)
envi_file_query,geo_id,dims=data_dims
target_data=envi_get_data(fid=geo_id,pos=0,dims=data_dims)
MODELPIXELSCALETAG:[psize[0],psize[1],0.0],$
MODELTIEPOINTTAG:[0.0,0.0,0.0,geo_loc[2],geo_loc[3],0.0],$
GEOGCITATIONGEOKEY:'GCS_WGS_1984',$
GEOGSEMIMAJORAXISGEOKEY:6378137.0,$
GEOGINVFLATTENINGGEOKEY:298.257221}
out_namedata=out_file+'81.tiff'
write_tiff,out_namedata,target_data,/float,geotiff=geo_info
; MODELPIXELSCALETAG:[piexel_value,piexel_value,0.0],$
; MODELTIEPOINTTAG:[0.0,0.0,0.0,min_lon,max_lat,0.0],$
; GEOGCITATIONGEOKEY:'GCS_WGS_1984',$
; GEOGANGULARUNITSGEOKEY:9102,$
; GEOGSEMIMAJORAXISGEOKEY:6378137.0,$
; GEOGINVFLATTENINGGEOKEY:298.257221}
; out_name1=out_file+'pre.tiff'
; write_tiff,out_name1,pre,/float,geotiff=geo_info
envi_file_mng,id=x_fid,/remove
envi_file_mng,id=y_fid,/remove
envi_file_mng,id=data_fid,/remove
envi_file_mng,id=glt_id,/remove
envi_file_mng,id=geo_id,/remove
file_delete,[out_name1,out_name2,out_name3,out_name_geo,out_name_geo_hdr,out_name_glt,out_name_glt_hdr]