Pegando o gancho com uma postagem
[1] que já tinha guardada de um tempo e do pacote pyMODIS
[2], resolvi fazer o meu subset de imagens MODIS em Python.
Para esse código, foram testadas apenas imagens L3 de Clorofila-a, já processadas pela agência espacial norte americana (NASA).
Para executar esse código, você precisará de uma imagem:
Imagem MODIS de 9km.
Dê um bunzip2 no seu diretório, onde estão as imagens .bz2, para que o código abaixo identifique somente as imagens sem a extensão (.bz2).
Um detalhe, é que abaixo segue como fazer o processo em batelada, mas para o exemplo de uma imagem, já é possível visualizar a coisa.
Diferentemente do post
[1], não encontrei dificuldades em utilizar os dados. Logo não fiz uma conversão em ascii e nem utilizei o HDFview.
[1]
http://www.trondkristiansen.com/?page_id=479
[2]
https://bitbucket.org/tylere/pymodis/overview
#/usr/bin/env python
# -*- coding: utf-8 -*-
'''
subset_MODIS
Programa para Fazer um subset de imagens MODIS
Dentro dos limites Lat e Long determinados.
Author = Arnaldo Russo
e-mail = arnaldorusso@gmail.com
'''
from pyhdf.SD import *
import numpy as np
import matplotlib.pyplot as plt
import scipy.io
import glob
#setting limits to be cut
LATLIMS = ([-40, -30])
LONLIMS = ([-40, -30])
indir = '/DATA/database/Images/L3/9km/'
outdir = '/DATA/database/Images/L3/resize/'
filelist = glob.glob(indir+'A*')
nfiles = len(filelist)
files = []
for path in filelist:
files.append(path[len(indir):]) #remove path name
names = []
multi_img = []
for i in range(len(filelist)):
A = SD(filelist[i])
a = A.attributes()
for k in xrange(0,len(a.keys())):
nm = a.keys()[k]
names.append(nm.replace(" ","_"))
pin = dict(zip(names,a.values()[:]))
lon = np.arange(pin['Westernmost_Longitude'],pin['Easternmost_Longitude'],pin['Longitude_Step'])
lat= np.arange(pin['Northernmost_Latitude'],pin['Southernmost_Latitude'],-pin['Latitude_Step'])
#Get the indices needed for the area of interest
ilt = np.int(np.argmin(np.abs(lat-max(LATLIMS)))) #argmin catch the indices
ilg = np.int(np.argmin(np.abs(lon-min(LONLIMS)))) #of minor element
ltlm = np.int(np.fix(np.diff(LATLIMS)/pin['Latitude_Step']+0.5))
lglm = np.int(np.fix(np.diff(LONLIMS)/pin['Longitude_Step']+0.5))
#retrieve data SDS
d = A.datasets()
sds_name = d.keys()[0] #name of sds. Dictionary method.
sds = A.select(sds_name)
#load the subset of data needed for the map limits given
P = sds[ilt:(ilt+ltlm),ilg:(ilg+lglm)]
P[P==-32767]=np.nan #Rrs_670:bad_value_scaled = -32767s ;
P=np.double(P)
P=(pin['Slope']*P+pin['Intercept'])
LT=lat[ilt+np.arange(0,ltlm-1)]
LG=lon[ilg+np.arange(0,lglm-1)]
Plg,Plt = np.meshgrid(LG,LT) #Further plots
P = np.log(P) #chlorophyll mapping
multi_img.append(P)
multi_img = np.asarray(multi_img)
plt.imshow(P)
plt.show()
### Save matrix
np.save("multi_img",multi_img)
# If you want to share with your Matlab friends Users =]
scipy.io.savemat(outdir+'multi_matrix.mat', mdict={'multi_img': multi_img})
Resultando nessa imagem de Clorofila-a
