[संपादित 1 - मैंने पिक्सेल समन्वय खोज को बदल दिया]
MODATML के इस नमूने का उपयोग करना जो आपने प्रदान किया और गाल्ड लाइब्रेरी का उपयोग किया। चलो गदल के साथ hdf खोलें:
import gdal
dataset = gdal.Open(r"E:\modis\MODATML2.A2018182.0800.061.2018182195418.hdf")
फिर हम यह देखना चाहते हैं कि उपडेटाट का नाम कैसे रखा जाए ताकि हम अपनी जरूरत को सही ढंग से आयात कर सकें:
datasets_meta = dataset.GetMetadata("SUBDATASETS")
यह एक शब्दकोश देता है:
datasets_meta
>>>{'SUBDATASET_1_NAME': 'HDF4_EOS:EOS_SWATH:"E:\\modis\\MODATML2.A2018182.0800.061.2018182195418.hdf":atml2:Cloud_Optical_Thickness',
'SUBDATASET_1_DESC': '[406x271] Cloud_Optical_Thickness atml2 (16-bit integer)',
'SUBDATASET_2_NAME':'HDF4_EOS:EOS_SWATH:"E:\\modis\\MODATML2.A2018182.0800.061.2018182195418.hdf":atml2:Cloud_Effective_Radius',
'SUBDATASET_2_DESC': '[406x271] Cloud_Effective_Radius atml2 (16-bit integer)',
[....]}
मान लें कि हम पहला वैरिएबल प्राप्त करना चाहते हैं, क्लाउड ऑप्टिकल मोटाई, हम इसके नाम तक पहुँच सकते हैं:
datasets_meta['SUBDATASET_1_NAME']
>>>'HDF4_EOS:EOS_SWATH:"E:\\modis\\MODATML2.A2018182.0800.061.2018182195418.hdf":atml2:Cloud_Optical_Thickness'
अब हम चर को फिर से मेमोरी कॉलिंग में लोड कर सकते हैं। पीडीएफ () विधि:
Cloud_opt_th = gdal.Open(datasets_meta['SUBDATASET_1_NAME'])
उदाहरण के लिए, आप 'SUBDATASET_20_NAME' प्रदान करके अपनी रुचि के अनुसार Precipitable_Water_Infrared_ClearSky तक पहुँच सकते हैं। बस datasets_meta शब्दकोश पर एक नज़र है।
हालाँकि, निकाले गए चर में जियोप्रोजेक्शन (var.GetGeoprojection ()) नहीं है जैसा कि आप अन्य फ़ाइल प्रकारों जैसे कि GeoTiff से अपेक्षा करेंगे। आप वेरिएबल को एक अफीम सरणी के रूप में लोड कर सकते हैं और 2 डी वेरिएबल को बिना प्रक्षेपण के प्लॉट कर सकते हैं:
Cloud_opt_th_array = Cloud_opt_th.ReadAsArray()
import matplotlib.pyplot as plt
plt.imshow(Cloud_opt_th_array)
अब, चूंकि कोई भू-आकृति नहीं है, हम चर के मेटाडेटा में देखेंगे:
Cloud_opt_th_meta = Cloud_opt_th.GetMetadata()
यह एक और शब्दकोश है जिसमें आपको आवश्यक सभी जानकारी शामिल है, जिसमें सबसेंपलिंग का एक लंबा विवरण शामिल है (मैंने देखा कि यह केवल पहले उपडेटसेट के साथ प्रदान किया गया है), जिसमें इन Cell_Along_Swath की व्याख्या शामिल है:
Cloud_opt_th_meta['1_km_to_5_km_subsampling_description']
>>>'Each value in this dataset does not represent an average of properties over a 5 x 5 km grid box, but rather a single sample from within each 5 km box. Normally, pixels in across-track rows 4 and 9 (counting in the direction of increasing scan number) out of every set of 10 rows are used for subsampling the 1 km retrievals to a 5 km resolution. If the array contents are determined to be all fill values after selecting the default pixel subset (e.g., from failed detectors), a different pair of pixel rows is used to perform the subsampling. Note that 5 km data sets are centered on rows 3 and 8; the default sampling choice of 4 and 9 is for better data quality and avoidance of dead detectors on Aqua. The row pair used for the 1 km sample is always given by the first number and last digit of the second number of the attribute Cell_Along_Swath_Sampling. The attribute Cell_Across_Swath_Sampling indicates that columns 3 and 8 are used, as they always are, for across-track sampling. Again these values are to be interpreted counting in the direction of the scan, from 1 through 10 inclusively. For example, if the value of attribute Cell_Along_Swath_Sampling is 3, 2028, 5, then the third and eighth pixel rows were used for subsampling. A value of 4, 2029, 5 indicates that the default fourth and ninth rows pair was used.'
मुझे लगता है कि इसका मतलब यह है कि इन 1 किमी पिक्सल के आधार पर 5 किमी 5x5 सेंसिंग एरे में एक निश्चित स्थिति पर बिल्कुल पिक्सेल मान ले रहा है (स्थिति मेटाडेटा में इंगित की गई है, मुझे लगता है कि यह दोष कम करने के लिए एक साधन है)।
किसी भी तरह, इस बिंदु पर हमारे पास 1x1 किमी कोशिकाओं की एक सरणी है (ऊपर सबसम्पलिंग का विवरण देखें, पीछे विज्ञान के बारे में निश्चित नहीं)। प्रत्येक पिक्सेल सेंट्रोइड के निर्देशांक प्राप्त करने के लिए, हमें अक्षांश और देशांतर उपडेटसेट को लोड करना होगा।
Latitude = gdal.Open(datasets_meta['SUBDATASET_66_NAME']).ReadAsArray()
Longitude = gdal.Open(datasets_meta['SUBDATASET_67_NAME']).ReadAsArray()
उदाहरण के लिए,
Longitude
>>> array([[-133.92064, -134.1386 , -134.3485 , ..., -154.79303, -154.9963 ,
-155.20723],
[-133.9295 , -134.14743, -134.3573 , ..., -154.8107 , -155.01431,
-155.2256 ],
[-133.93665, -134.1547 , -134.36465, ..., -154.81773, -155.02109,
-155.23212],
...,
[-136.54477, -136.80055, -137.04684, ..., -160.59378, -160.82101,
-161.05663],
[-136.54944, -136.80536, -137.05179, ..., -160.59897, -160.8257 ,
-161.06076],
[-136.55438, -136.81052, -137.05714, ..., -160.6279 , -160.85527,
-161.09099]], dtype=float32)
आप देख सकते हैं कि अक्षांश और देशांतर निर्देशांक प्रत्येक पिक्सेल के लिए अलग-अलग हैं।
अपने वेधशाला निर्देशांक lat_obs, long_obs पर स्थित है, की तुलना में आप x, y समन्वय अंतर को कम करते हैं:
coordinates = np.unravel_index((np.abs(Latitude - lat_obs) + np.abs(Longitude - long_obs)).argmin(), Latitude.shape)
और अपना मूल्य निकालें
Cloud_opt_th_array[coordinates]