遥感数据常用库使用笔记整理---netCDF4，h5py

article/2025/9/25 23:16:38

netCDF4使用记录

数据读取，属性读取

   import netCDF4 as nc>>>read_obj = nc.Dataset(inputFile, mode='r') #数据读取>>> read_obj.variables.keys()# 获取所有数据集的名称[u'lat', u'lon', u'PRE', u'geospatial_lat_lon_extent']>>> read_obj.variables['PRE'].__getattr__('_Fill_Value') # 获取属性值65535>>> read_obj.variables.values() # 获取数据的所有数据集的属性[<type 'netCDF4._netCDF4.Variable'>float32 lat(lat)resolution: 0.0625unlimited dimensions: current shape = (1040,)filling on, default _FillValue of 9.96920996839e+36 used, <type 'netCDF4._netCDF4.Variable'>float32 lon(lon)unlimited dimensions: current shape = (1600,)filling on, default _FillValue of 9.96920996839e+36 used, <type 'netCDF4._netCDF4.Variable'>float32 PRE(lat, lon)_Fill_Value: 65535unlimited dimensions: current shape = (1040, 1600)filling on, default _FillValue of 9.96920996839e+36 used, <type 'netCDF4._netCDF4.Variable'>int64 geospatial_lat_lon_extent()geospatial_north_latitude: 64.9688geospatial_west_longitude: 60.0312geospatial_south_latitude: 0.03125geospatial_east_longitude: 159.969unlimited dimensions: current shape = ()filling on, default _FillValue of -9223372036854775806 used]data = read_obj.variables[pname][:] # 获取数据集数据，注意nc数据是masked_array

文件写出

    fout = nc.Dataset(output_filename, 'w', format='NETCDF4')fout.createDimension('lat', len(lat))fout.createDimension('lon', len(lon))# 创建变量，createVariable（变量名，值类型，shape）# shape里面用上面创建的维度来约束，维度也是一种变量，一般是一维的fout.createVariable('lat', lat.datatype, ('lat'))fout.createVariable('lon', lon.datatype, ('lon'))# 创建变量pname等变量为四维维数组，维度分别为时间、经纬度fout.createVariable(newPName, read_obj.variables[pname].dtype, ("lat", "lon"))# 给维度填充数据，用刚刚读出的数据来填充fout.variables['lat'][:] = lat[:]fout.variables['lon'][:] = lon[:]# 给变量填充数据fout.variables[newPName][:] = np.flipud(resultData)fout.variables[newPName].setncattr('_Fill_Value', int(65535)) # 写数据集属性

h5py

文件读写

读取

import h5py
f = h5py.File('2A.GPM.DPR.V8-20180723.20180907-S175429-E192702.025717.V06A.HDF5')
f.keys()
f.values()  # 获取所有数据集和组


f['/NS'].keys()  # 获取组里面的成员
f['/NS/SLV/precipRate'] # 获取数据集的数据
f['/NS/SLV/precipRate'].attrs.keys() # 数据集属性key值

在这里插入图片描述
在这里插入图片描述

写出

    fout = h5py.File(strname, "w")fout.attrs['Data Date'] = data_datefout.attrs['File Name'] = strnamefout.create_dataset(name='Alti', shape=size, dtype='int16', data=Alti,compression="gzip", compression_opts=1)fout.create_dataset(name='Lon', shape=size, dtype='int16', data=Lon, compression="gzip",compression_opts=1)fout.create_dataset(name='Lat', shape=size, dtype='int16', data=Lat, compression="gzip",compression_opts=1)fout.close()

http://chatgpt.dhexx.cn/article/XrBYXei2.shtml

相关文章

相机标定（2）opencv2实现

相机标定（2）opencv2实现

相机标定步骤 OpenCV使用棋盘格板进行标定&#xff0c;如下图所示。为了标定相机&#xff0c;我们需要输入一系列三维点和它们对应的二维图像点。 1、在黑白相间的棋盘格上&#xff0c;二维图像点很容易通过角点检测找到。 2、而对于真实世界中的三维点呢&#xff1f;由于我们…
阅读更多...
C++的文档操作心得

C++的文档操作心得

先提出一个问题&#xff1a; 假如我们玩贪吃蛇&#xff0c;玩到最后游戏结束时&#xff0c;显示出游戏的最高纪录&#xff0c;那我们想想&#xff1a;当我们关闭游戏进程时&#xff0c;这个游戏最高纪录是如何保存下来的呢&#xff1f; 由此引出文件操作 1.将maxscore数据保…
阅读更多...
文件输入输出（文本文件、二进制文件）（ifstream、ofstream）

文件输入输出（文本文件、二进制文件）（ifstream、ofstream）

一.写入文件流程 创建一个ofstream对象来管理输出流。将该对象与特定文件关联起来。以使用cout方式使用该对象&#xff0c;唯一区别是输出进文件&#xff0c;不是屏幕。关闭文件流. ofstream fout; fout.open(filename); //上面两步可以合并为&#xff1a; ofstream fout(fil…
阅读更多...
【IC7】FPGA最高工作频率的计算方法；FPGA最大输出频率；查看handbook的PLL最高频率；Fout_ext；Fout两个参数；FPGA输出1ns脉冲

【IC7】FPGA最高工作频率的计算方法；FPGA最大输出频率；查看handbook的PLL最高频率；Fout_ext；Fout两个参数；FPGA输出1ns脉冲

目录 1　时钟周期 T Tco Tlogic Troute Tsu 2&#xff0c; 故 Tlogic 4 * Tlut 　 3&#xff0c;　 Tco Tsu 12 * Tlut 4&#xff0c;搜索handbook&#xff0c;不要搜索datasheet 4-1 时钟树的特性 4-2 PLL特性&#xff1b;Fout_ext;Fout两个参数 5&#xff0…
阅读更多...
CNN与RNN的详细介绍

CNN与RNN的详细介绍

CNN与RNN的介绍 本文主要总结我对李宏毅老师讲的CNN和RNN的理解&#xff0c;通过对比总结各自的优势&#xff0c;同时加深自己对这方面知识的理解。 1、CNN介绍 CNN是一种利用卷积计算的神经网络。它可以通过卷积计算将原像素很大的图片保留主要特征变成很小的像素图片。本文介…
阅读更多...
CNN简介

CNN简介

CNN 卷积神经网络是含有卷积层的神经网络&#xff0c;而卷积层则得名于卷积运算。 Filter 在卷积层中&#xff0c;我们会用一个叫做filter的东西扫过一张图片。这些 filter 啊 它们的大小是,3 3 Channel 的 Size。如果今天是彩色图片的话,那就是 RGB 三个 Channel,如果是…
阅读更多...
深度学习（六）：CNN介绍

深度学习（六）：CNN介绍

深度学习&#xff08;六&#xff09;&#xff1a;CNN介绍 CNN架构 首先input一张image以后&#xff0c;这张image会通过convolution layer&#xff0c;接下里做max pooling这件事&#xff0c;然后在做convolution&#xff0c;再做max pooling这件事。这个process可以反复无数次…
阅读更多...
cnn算法

cnn算法

机器学习算法完整版见fenghaootong-github 卷积神经网络原理(CNN) 卷积神经网络CNN的结构一般包含这几个层&#xff1a; 输入层&#xff1a;用于数据的输入卷积层&#xff1a;使用卷积核进行特征提取和特征映射激励层&#xff1a;由于卷积也是一种线性运算&#xff0c;因此需…
阅读更多...
cnn-lstm介绍（2）

cnn-lstm介绍（2）

1. CNN-LSTM模型。CNN具有注意最明显的特征&#xff0c;因此在特征工程中得到了广泛的应用。LSTM有&#xff0c;按时间顺序扩张的特性&#xff0c;广泛应用于时间序列中。 根据CNN和LSTM股票预测模型的特点 建立了基于CNN的LSTM模型-e模型结构 示意图如图1所示&#xff0c;主…
阅读更多...
实例分割模型Mask R-CNN详解：从R-CNN，Fast R-CNN，Faster R-CNN再到Mask R-CNN

实例分割模型Mask R-CNN详解：从R-CNN，Fast R-CNN，Faster R-CNN再到Mask R-CNN

Mask R-CNN是ICCV 2017的best paper&#xff0c;彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中&#xff0c;单任务的网络结构已经逐渐不再引人瞩目&#xff0c;取而代之的是集成&#xff0c;复杂&#xff0c;一石多鸟的多任务网络模型。Mask …
阅读更多...
CNN与RNN的区别

CNN与RNN的区别

从应用方面上来看&#xff0c;我了解到的CNN用到做图像识别比较多&#xff0c;而RNN在做到语言处理多一点&#xff0c;如果拿来比喻的话&#xff0c;CNN如同眼睛一样&#xff0c;正是目前机器用来识别对象的图像处理器。相应地&#xff0c;RNN则是用于解析语言模式的数学引擎&a…
阅读更多...
卷积神经网络（CNN）结构详解

卷积神经网络（CNN）结构详解

一、CNN的基本结构&#xff1a; 1.图像就是输入层 2.接着是CNN特有的卷积层&#xff08;convolution&#xff09;&#xff0c;卷积层的自带激活函数使用的是ReLU 3.接着是CNN特有的池化层&#xff08;pooling&#xff09;&#xff0c; 4.卷积层池化层的组合可以在隐藏层中出…
阅读更多...
CNN的实现（附代码）

CNN的实现（附代码）

前言 前文已经单独实现了卷积层和池化层&#xff0c;现在来组合这些层&#xff0c;搭建进行手写数字识别的CNN。 这个简单的CNN网络构成如下。 网络的构成是“Convolution - ReLU - Pooling -Affine - ReLU - Affine - Softmax”&#xff0c;我们将它实现为名为SimpleConvNet…
阅读更多...
CNN卷积网络简介

CNN卷积网络简介

CNN卷积网络 CNN卷积网络的结构 输入层&#xff1a; 输入层是3232 RGB图像。 注&#xff1a;有必要计算每一层输出的图片大小。 卷积层&#xff1a; 卷积层的核心在于卷积核与激活函数。   卷积层最主要的作用是寻找与卷积核匹配的特征,因为与卷积核符合&#xff08;卷积核…
阅读更多...
CNN的通俗理解

CNN的通俗理解

Agenda 1 卷积神经网络Convolutional Neural Networks,CNN1.1 前言1.2 图像转化成矩阵1.3 卷积核1.4 特征图feature map1.5 激活函数1.6 池化1.7 训练 1 卷积神经网络Convolutional Neural Networks,CNN 1.1 前言 卷积神经网络是针对图像的深度学习框架。 1.2 图像转化成矩阵…
阅读更多...
CNN网络详解

CNN网络详解

分割线----------------------------------   这里更新过一次&#xff0c;在朋友的提醒下&#xff0c;我发现这份代码不是很容易懂。我使用了Pytorch给的官方demo重新实现了LeNet&#xff0c;并做出了详细解释&#xff0c;如果理解下面代码有问题&#xff0c;可以先看我的这篇…
阅读更多...
卷积神经网络（CNN）基本概念

卷积神经网络（CNN）基本概念

一、卷积神经网络基本概念 卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中&#xff0c;一个神经元只与部分邻层神经元相连接。在CNN的一个卷积层中&#xff0c;通常包含若干个特征平面&#xff0c;每个特征平面都由一些矩形排列的神经元…
阅读更多...
CNN简单介绍及基础知识

CNN简单介绍及基础知识

文章目录 一&#xff09;卷积神经网络历史沿革 二&#xff09;CNN简单介绍 三&#xff09;CNN相关基础知识 前言 在过去的几年里&#xff0c;卷积神经网络(CNN)引起了人们的广泛关注&#xff0c;尤其是因为它彻底改变了计算机视觉领域&#xff0c;它是近年来深度学习能在计算机…
阅读更多...
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

一文读懂目标检测&#xff1a;R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD 前言 之前我所在的公司七月在线开设的深度学习等一系列课程经常会讲目标检测&#xff0c;包括R-CNN、Fast R-CNN、Faster R-CNN&#xff0c;但一直没有比较好的机会深入&#xff08;但当你对目标检测…
阅读更多...
理解 CNN

理解 CNN

理解 CNN 注意&#xff1a;下面提到的图像指位图 目录 理解 CNNCNN人类的视觉原理几个关键层卷积层(fliter、kernel)池化层 (pooling) 激活层(activate)全连接层(Linear) pytorch实现TextCNN卷积传播图解不同视角看CNN 参考 CNN 卷积神经网络-CNN 最擅长的就是图片的处理。它…
阅读更多...
推荐文章

Copyright @ 2022~2023