Ler HDF-EOS de Imagens MODIS com Python
13 03 2012
Ler HDF de Imagens MODIS com Python.
Read HDF-EOS with Python
Enfrentei esse problema por um tempo, por conta de como era feito o acesso as variaveis e como elas seriam carregadas.
Usualmente no laboratorio as pessoas utilizam o "Matlab's" para estas finalidades e para listar os atributos, dao o comando hdfinfo e para carregar o hdfread.
Pelo que li, as bibliotecas incorporadas para essa finalidade, sao desenvolvidas em C. Ja que o HDF-EOS e uma extensao da NCSA (National Center for Supercomputing Applications). Dessa forma, o uso do HDF-EOS (Earth Observing System) e uma das formas cientificas de se guardar os dados hierarquicamente.
Em Python, existem algumas bibliotecas para essa finalidade.
Testei o gdal(Geospatial Data Abstraction Library)[1] e o pyhdf[2,3]. Ambos sao muito simples de serem instalados.
Antes de mostrar como fazer para carregar os dados, programas no bash shell ja tem uma importante funçao na visualizaçao do HDF. O uso do gdalinfo e habilitado pela intalaçao no proprio linux e o ncdump e uma ferramenta para acesso das informaçoes de NetCDF, mas que funcionou muito bem para o HDF-EOS.
#bash
# gdalinfo para listar todas os atributos
yepan@waiapi:$ gdalinfo A20100322010059.L3m_MO_CHL_chlor_a_4km.hdf
#ncdump
yepan@waiapi:$ ncdump -h A20100322010059.L3m_MO_CHL_chlor_a_4km.hdf
Para acesso ao HDF, fiz o seguinte, primeiramente com o gdal.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 | #!/usr/bin/env python
import gdal
filename = 'A20100322010059.L3m_MO_CHL_chlor_a_4km.hdf'
ds = gdal.Open(filename)
sds_md = ds.GetMetadata() #lista os atributos com os valores, guardando
#em um dicionario.
for i in sds_md.iterkeys():
print i,sds_md[i]
data = ds.ReadAsArray()
data
Out:
array([[-32767., -32767., -32767., ..., -32767., -32767., -32767.],
[-32767., -32767., -32767., ..., -32767., -32767., -32767.],
[-32767., -32767., -32767., ..., -32767., -32767., -32767.],
...,
[-32767., -32767., -32767., ..., -32767., -32767., -32767.],
[-32767., -32767., -32767., ..., -32767., -32767., -32767.],
[-32767., -32767., -32767., ..., -32767., -32767., -32767.]], dtype=float32)
|
Se o HDF tiver algum "Subdataset" e possivel verificar desse jeito:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 | #!/usr/bin/env python
"""
neste caso e um HDF de coordenadas de gelo
http://www.iup.uni-bremen.de:8084/amsredata/asi_daygrid_swath/l1a/s6250/grid_coordinates/LongitudeLatitudeGrid-s6250-Antarctic.hdf
"""
import gdal
import gdalnumeric
filename = 'LongitudeLatitudeGrid-s6250-Antarctic.hdf'
ds = gdal.Open(filename)
sds_md = ds.GetMetadata('SUBDATASETS')
{'SUBDATASET_1_DESC': '[1328x1264] Longitudes (32-bit floating-point)',
'SUBDATASET_1_NAME': 'HDF4_SDS:UNKNOWN:"LongitudeLatitudeGrid-s6250-Antarctic.hdf":0',
'SUBDATASET_2_DESC': '[1328x1264] Latitudes (32-bit floating-point)',
'SUBDATASET_2_NAME': 'HDF4_SDS:UNKNOWN:"LongitudeLatitudeGrid-s6250-Antarctic.hdf":1'}
datakeys = {}
datasets = ['SUBDATASET_1','SUBDATASET_2']
datanames = ['Longitudes', 'Latitudes']
for (j,i) in enumerate(datasets):
this = {}
this['name'] = sds_md[i + '_NAME']
this['description'] = sds_md[i + '_DESC']
this['data'] = gdalnumeric.LoadFile(this['name'])
datakeys[datanames[j]] = this.copy()
#para ver os dados:
datakeys['Longitudes']['data']
datakeys['Latitudes']['data']
|
Quanto ao pyhdf, nao me aprofundei ainda nos estudos, mas posso adiantar que ele funcionou para abrir a imagem do MODIS e as coordenadas de gelo tambem, mas de forma muito mais simples. Vamos la!
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 | #!/usr/bin/env python
from pyhdf.SD import *
filename = 'A20100322010059.L3m_MO_CHL_chlor_a_4km.hdf'
ds = SD(filename)
ds.attributes() #mostra os atributos
ds.datasets()
Out : {'l3m_data': (('fakeDim0', 'fakeDim1'), (4320, 8640), 5, 0)}
data = ds.select('l3m_data')
data[:]
Out :
array([[-32767., -32767., -32767., ..., -32767., -32767., -32767.],
[-32767., -32767., -32767., ..., -32767., -32767., -32767.],
[-32767., -32767., -32767., ..., -32767., -32767., -32767.],
...,
[-32767., -32767., -32767., ..., -32767., -32767., -32767.],
[-32767., -32767., -32767., ..., -32767., -32767., -32767.],
[-32767., -32767., -32767., ..., -32767., -32767., -32767.]], dtype=float32)
|
Para acessar as coordenadas de dados de gelo:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 | #!/usr/bin/env python
from pyhdf.SD import *
filename = 'LongitudeLatitudeGrid-s6250-Antarctic.hdf'
ds = SD(filename)
ds.datasets()
Out:
{'Latitudes': (('fakeDim2', 'fakeDim3'), (1328, 1264), 5, 1),
'Longitudes': (('fakeDim0', 'fakeDim1'), (1328, 1264), 5, 0)}
lat = ds.select('Latitudes')
lat.dimensions()
Out: {'fakeDim2': 1328, 'fakeDim3': 1264}
#para ver os dados lat[:]
#Existe tambem a funçao "get", que permite pegar uma porçao do dado, para datasets multidimensionais
|
[1] http://www.gdal.org/
[2] http://hdfeos.org/software/pyhdf.php
[3] http://pysclint.sourceforge.net/pyhdf/