Pri vektorskih podatkih smo prostor opisali s točkami, linijami in poligoni. Raster ga razdeli na mrežo celic. Vrednost celice lahko pomeni višino, temperaturo ali razred pokrovnosti. Polje NumPy že poznamo; pri rastru mu dodamo še položaj v prostoru in pomen vrednosti.
Prebrali bomo GeoTIFF, pregledali metapodatke, povezali indekse s koordinatami, prikazali vrednosti in obravnavali manjkajoče podatke. Nato bomo izrezali območje, zapisali rezultat in raster pretvorili v drug koordinatni sistem. Na resničnem posnetku Sentinel-2 bomo spoznali še NetCDF in označene dimenzije knjižnice xarray.
Uporabljamo sintetični učni relief, ki ne predstavlja dejanskih višin na navedenih koordinatah. Datoteka data/rastri/ucni-relief.tif je priložena knjigi in deluje brez interneta. Izvor, parametri in ponovna priprava so opisani v data/rastri/README.md. Ukaze izvajamo iz korenske mape knjige v okolju python4geo.
17.2 Mreža, celica in pas
Enopasovni raster je dvodimenzionalno polje: prva os predstavlja vrstice, druga stolpce. Večpasovni raster vsebuje več takšnih polj z isto mrežo, na primer spektralne pasove satelitskega posnetka. Število pasov samo po sebi ne pove, kaj merijo; potrebujemo opis podatkov.
Lastnost
Pomen
Širina in višina
Število stolpcev in vrstic
Ločljivost
Velikost celice v enotah koordinatnega sistema
CRS
Sistem, v katerem so podane koordinate
Transformacija
Povezava med indeksi mreže in koordinatami
Podatkovni tip
Način zapisa vrednosti, na primer float32
NoData
Oznaka manjkajoče ali neveljavne vrednosti
Manjša celica pomeni gostejšo mrežo, vendar sama ne zagotavlja natančnejših meritev. Pretvorba 100-metrskega rastra v 10-metrskega ne ustvari novih podrobnosti. Pri razredih pokrovnosti so številke oznake kategorij, zato njihovo povprečenje praviloma nima vsebinskega pomena.
CRS: EPSG:32633
Stolpci, vrstice, pasovi: 100 80 1
Velikost celice: (100.0, 100.0)
Obseg: BoundingBox(left=460000.0, bottom=5102000.0, right=470000.0, top=5110000.0)
Tip in NoData: ('float32',) -9999.0
Blok with po branju zapre datoteko. Prebrano polje in kopija profila ostaneta na voljo. Profil vsebuje nastavitve za zapis, ne pa nujno vseh opisnih oznak izvorne datoteke.
Raster ima 100 stolpcev, 80 vrstic in en pas. Celice merijo 100 × 100 m, ker izbrani projekcijski CRS uporablja metre. Pri geografskem CRS bi bila velikost celice podana v stopinjah.
Rasterio pasove šteje od 1, NumPy pa indekse od 0. src.read(1) vrne prvi pas v obliki (vrstice, stolpci), src.read() pa vse pasove v obliki (pasovi, vrstice, stolpci). Pri velikih datotekah preberemo le potrebni pas ali okno.
17.4 Od vrstice in stolpca do koordinat
Pri našem severno orientiranem rastru se stolpci povečujejo proti vzhodu, vrstice pa proti jugu. Transformacija vsebuje izhodišče in korak mreže; korak v smeri koordinatne osi y je zato negativen. Drugi rastri so lahko tudi zasukani.
with rasterio.open(DATA_PATH) as src: x, y = src.xy(20, 30) row, col = src.index(x, y)print("Središče celice:", x, y)print("Vrstica in stolpec:", row, col)print("Vrednost:", float(relief[row, col]))
Središče celice: 463050.0 5107950.0
Vrstica in stolpec: 20 30
Vrednost: 326.8221435546875
xy() privzeto vrne središče celice: tu (463050, 5107950). Zgornji levi rob rastra je (460000, 5110000). Razlika med robom in središčem je polovica celice. index() poišče celico, v katero pade koordinata; pred dostopom do polja moramo preveriti, da je točka znotraj rastra.
17.5 NoData in statistika
Manjkajoča vrednost ni enaka ničli. Nič metrov je lahko veljavna višina; oznaka -9999 v tej datoteki pomeni odsotnost podatka. Če jo vključimo v običajno povprečje, dobimo napačen rezultat.
masked=True vrne maskirano polje. Njegove statistične metode izločijo maskirane celice; v našem primeru jih je 150, veljavnih pa 7850. V maski NumPy vrednost True označuje neveljavno celico. Pri maskah GDAL je dogovor drugačen: neničelna vrednost označuje veljavne podatke. Podrobnosti pojasnjuje dokumentacija mask Rasterio.
Slika 17.1: Sintetični učni relief. Prazno območje v severozahodnem kotu vsebuje NoData; vrednosti niso meritve dejanskega reliefa.
Brez extent bi osi predstavljale indekse, ne koordinat. Enako merilo obeh osi ohrani razmerje razdalj. Ta način prikaza uporabljamo za našo mrežo brez zasuka. Barvna lestvica opisuje vrednosti, ne dodatnega prostorskega podatka.
17.7 Pravokotni izrez z oknom
Okno določa pravokoten del mreže. Koristno je tudi za datoteke, ki jih ne moremo v celoti naložiti v pomnilnik.
Rezultat ima 30 vrstic in 40 stolpcev. Velikost celice ostane enaka, izhodišče pa se premakne. Sam izrez polja relief[10:40, 20:60] ne posodobi prostorskih metapodatkov. Če bi ob zapisu ohranili staro transformacijo, bi izrez postavili na napačno lokacijo.
17.8 Maskiranje s poligonom
Pravokotno okno ni enako izrezu po meji območja. S poligonom poleg zmanjšanja obsega označimo celice zunaj izbrane oblike kot neveljavne. Spodnji trikotnik je sintetično območje v istem CRS kot raster.
area = Polygon([(462000, 5103500), (468000, 5103500), (465000, 5108500)])with rasterio.open(DATA_PATH) as src: clipped, clipped_transform = mask( src, [mapping(area)], crop=True, filled=False )print("Pasovi, vrstice, stolpci:", clipped.shape)print("Veljavne celice v območju:", clipped[0].count())
Pasovi, vrstice, stolpci: (1, 50, 60)
Veljavne celice v območju: 1500
crop=True zmanjša pravokotni obseg, filled=False pa ohrani maskirano polje. Zunaj poligona ostanejo maskirane celice; raster je še vedno pravokotna mreža. Privzeti izbor pri poligonu temelji predvsem na središčih celic. Z all_touched=True vključimo vse dotaknjene celice, kar lahko opazno spremeni rezultat ob robu.
Pri poligonih iz GeoPandas najprej uporabimo to_crs(src.crs). Funkcija mask() koordinat ne pretvori sama. Če se območji ne prekrivata, izrez s crop=True ni mogoč. Primer postopka je v dokumentaciji maskiranja.
17.9 Zapis GeoTIFF in ponovno branje
clipped_path = OUT_DIR /"ucni-relief-izrez.tif"clipped_profile = profile.copy()clipped_profile.update( height=clipped.shape[1], width=clipped.shape[2], count=clipped.shape[0], transform=clipped_transform,)with rasterio.open(clipped_path, "w", **clipped_profile) as dst: dst.write(clipped.filled(profile["nodata"]))with rasterio.open(clipped_path) as check: restored = check.read(masked=True)assert check.crs == profile["crs"]assert check.transform == clipped_transformassert restored.shape == clipped.shapeassert np.array_equal(np.ma.getmaskarray(restored), np.ma.getmaskarray(clipped))assert np.allclose(restored.compressed(), clipped.compressed())print("Izrez je zapisan in preverjen.")
Izrez je zapisan in preverjen.
Ob zapisu uskladimo obliko polja, transformacijo, CRS, podatkovni tip in NoData. Tukaj ohranimo izvorni float32 in oznako -9999. Preverjanje ponovnega branja potrdi tako veljavne vrednosti kot masko, ne le obstoj datoteke.
17.10 Reprojekcija in ponovno vzorčenje
Sprememba oznake CRS ne prestavi celic. Reprojekcija ustvari novo mrežo in vanjo prenese vrednosti. Ciljne dimenzije in transformacijo najprej izračunamo, nato izvedemo ponovno vzorčenje.
Ciljni CRS: EPSG:4326
Velikost celice v stopinjah: (0.0011583471727087456, 0.0011583471727087456)
Veljavne celice: 6825
Za zvezno sintetično višino smo izbrali bilinearno interpolacijo. Za razrede pokrovnosti uporabimo najbližjega soseda (Resampling.nearest), da ne ustvarimo novih oznak razredov. Reprojekcija lahko spremeni vrednosti in število veljavnih celic; ni zgolj preimenovanje osi. Postopek sledi dokumentaciji reprojekcije Rasterio.
V EPSG:4326 sta koordinati dolžina in širina, velikost celice pa je izražena v stopinjah. Za računanje površin ne množimo teh števil in rezultata razglasimo za kvadratne metre. Pred računanjem razlik med dvema rastroma preverimo CRS, transformacijo, dimenzije in maski: isti CRS še ne zagotavlja poravnanih mrež.
17.11 Večpasovni rastri
with rasterio.open(DATA_PATH) as src: bands = src.read(masked=True)print("Oblika vseh pasov:", bands.shape)print("Oblika prvega pasu:", bands[0].shape)
Oblika vseh pasov: (1, 80, 100)
Oblika prvega pasu: (80, 100)
Naš primer vrne (1, 80, 100). Pri tripasovnem rastru bi bila prva dimenzija 3. Za barvni prikaz imshow() pričakuje vrstni red (vrstice, stolpci, barvni kanali), ki ga lahko dobimo z np.moveaxis(bands, 0, -1). Pred tem moramo izbrati ustrezne rdeči, zeleni in modri pas ter prilagoditi razpon vrednosti prikazu. Prvi trije pasovi poljubnega posnetka niso nujno RGB.
17.12 NetCDF in označene dimenzije z xarray
GeoTIFF je naravna izbira za posamezen kartografski raster, podatki opazovanja Zemlje in podnebni podatki pa pogosto vsebujejo še čas, višino, valovno dolžino ali več spremenljivk. NetCDF ob vrednostih hrani dimenzije, koordinate in atribute. Knjižnica xarray jih predstavi z objektoma Dataset in DataArray, zato lahko pas izberemo po imenu namesto po zaporedni številki. Dokumentacija podatkovnega modela xarray.
Priloženi data/rastri/bled-sentinel2.nc je pripravljen iz resničnega izreza Sentinel-2B, ki ga podrobno obravnavamo v Poglavje 20. Vsebuje štiri pasove odbojnosti na izvorni 10-metrski mreži ter sloj kakovosti SCL, poravnan z najbližjim sosedom z 20 na 10 m. Pretvorba je ponovljiva s tools/pripravi-netcdf.py; izvorni posnetek, čas zajema in navedba vira ostanejo zapisani v globalnih atributih.
import xarray as xrwith xr.open_dataset("data/rastri/bled-sentinel2.nc", engine="scipy") as source: scene = source.load()print("Dimenzije:", dict(scene.sizes))print("Spremenljivke:", list(scene.data_vars))print("Pasovi:", scene.band.values.tolist())print("Čas zajema:", scene.attrs["acquisition_time"])print("Enote odbojnosti:", scene.reflectance.attrs["units"])
reflectance ima dimenzije (band, y, x), scl pa (y, x). Koordinati x in y sta središči celic v metrih v EPSG:32633. Globalni atributi opisujejo celoten podatkovni niz, atributi spremenljivke pa njen pomen in enote. NetCDF je samopopisen le toliko, kolikor dobro so zapisani ti metapodatki; ime spremenljivke samo ne določa merilne metode ali kakovosti.
Izbira z .sel(band="B08") uporablja oznako koordinatne dimenzije. Kakovostno masko sestavimo iz razredov SCL 4, 5 in 6 ter zahtevamo veljaven rdeči in infrardeči pas. xarray pri računu poravna podatke po imenovanih dimenzijah in koordinatah. Če koordinati dveh polj nista enaki, moramo preveriti posledico poravnave; knjižnica s tem ne nadomesti odločitve o primerni reprojekciji ali interpolaciji.
Slika 17.2: NDVI, izračunan z označenimi dimenzijami podatkov NetCDF za Bled, 14. junij 2021. Bele celice niso primerne za analizo. Contains modified Copernicus Sentinel data (2021).
Odprtje z open_dataset() je praviloma leno: vrednosti se berejo, ko jih potrebujemo. V majhnem primeru smo jih z load() prenesli v pomnilnik in datoteko nato zaprli. Za večje zbirke je pomembno še razkosanje podatkov in načrtovanje računov. xarray podpira več zaledij; tukaj izrecno uporabimo SciPy in NetCDF 3, zato primer ne potrebuje paketa netCDF4. Branje in zapisovanje z xarray.
17.13 Preverite razumevanje
Spremenite okno v Window(10, 20, 25, 15). Kakšna sta oblika polja in položaj zgornjega levega roba? Pričakovana oblika je (15, 25), rob pa (461000, 5108000).
Izračunajte delež veljavnih celic celotnega rastra. Pričakovani rezultat je 98,125 %.
Ponovite maskiranje z all_touched=True in primerjajte število veljavnih celic. Pojasnite razliko ob robu poligona.
Pojasnite, zakaj bilinearna interpolacija ni primerna za raster z oznakami 1 = gozd, 2 = voda, 3 = pozidano.
V podatkih NetCDF izberite zeleni pas z .sel(band="B03"). Kakšne so njegove dimenzije, koordinate in enote?
Primerjajte scene.reflectance.isel(band=1) in scene.reflectance.sel(band="B03"). Kateri zapis jasneje ohrani pomen izbire in kaj se zgodi, če spremenimo vrstni red pasov?
17.14 Kaj smo ugotovili
Raster združuje polje vrednosti in prostorske metapodatke. Pri vsakem koraku ohranimo povezavo med njima: izrez spremeni izhodišče in dimenzije, maskiranje določi veljavne celice, reprojekcija pa ustvari novo mrežo. NetCDF in xarray to povezavo razširita z imenovanimi dimenzijami, koordinatami in atributi. Pri analizi upoštevamo pomen vrednosti, njihove enote in NoData.
To je osnova za nadaljnjo obravnavo reliefa ter satelitskih posnetkov, kjer bomo več pasov povezali v vsebinske kazalnike.
Anaconda. b. d. „Advance AI with Open Source“. Pridobljeno 30. junij 2026. https://www.anaconda.com/.
Bivand, Roger. 2021. „Progress in the R Ecosystem for Representing and Handling Spatial Data“. Journal of Geographical Systems 23 (4): 515–46. https://doi.org/10.1007/s10109-020-00336-0.
Bivand, Roger, Edzer Pebesma, in Virgilio Gómez-Rubio. 2013. Applied Spatial Data Analysis with R. Springer.
Burrough, Peter A., Rachael McDonnell, in Christopher D. Lloyd. 2015. Principles of Geographical Information Systems. 3. izd. Oxford University Press.
Harris, Charles R., K. Jarrod Millman, Stéfan J. van der Walt, idr. 2020. „Array Programming with NumPy“. Nature 585 (7825): 357–62. https://doi.org/10.1038/s41586-020-2649-2.
Jenny, Bernhard, Bojan Šavrič, Nicholas D. Arnold, Brooke E. Marston, in Charles A. Preppernau. 2017. „A Guide to Selecting Map Projections for World and Hemisphere Maps“. V Choosing a Map Projection, uredil Miljenko Lapaine in E. Lynn Usery. Springer.
Pebesma, Edzer, in Roger Bivand. 2023. Spatial Data Science: With Applications in R. CRC Press. https://r-spatial.org/book/.
Plotly Technologies Inc. 2015–. Plotly Python Open Source Graphing Library. Released. https://plotly.com/python/.
Pronk, Maarten, Rafael Schouten, Anshul Singhvi, Felix Cremer, in Jakub Nowosad. 2024. Geocomputation with Julia. CRC Press. https://julia.geocompx.org/.
Šavrič, Bojan, Bernhard Jenny, in Helen Jenny. 2016. „Projection Wizard – an Online Map Projection Selection Tool“. The Cartographic Journal 53 (2): 177–85. https://doi.org/10.1080/00087041.2015.1131938.