使用cartopy和pyresample投影卫星图像的差异

Question

我编写了一个 python 脚本来投影和覆盖邓迪大学的对地静止卫星图像，因此生成的图像可用于 xplanet 渲染地球表面。该工具的源代码可以在https://github.com/jmozmoz/cloudmap/tree/cartopy找到（这是支持cartopy的分支）

该工具支持两个不同的Python库将地球静止图像投影到平面地图上：pyresample和cartopy。

我发现以下差异/问题：

1. pyresample 比 cartopy 快得多（取决于输出图像的大小，最多可达 10 倍）
2. 输出图像不同：使用pyresample的结果显示出更强的对比度。 有关示例，请参阅调试目录https://github.com/jmozmoz/cloudmap/tree/cartopy/debug

3. 如果使用多处理库并行进行投影，cartopy 版本会崩溃并显示以下错误消息：

   Fatal Python error: PyEval_RestoreThread: NULL tstate
   

那么为什么cartopy 这么慢呢？ Pyresample 是用 C 代码完成这项工作吗？ cartopy 应该支持多处理吗？如何解决对比度问题？

谢谢您的帮助

Answer 1

1。 pyresample 比 cartopy 快得多（取决于输出图像的大小，最多可达 10 倍）

cartopy 重投影功能尚未以任何方式进行优化，尽管它在底层使用 scipy ckdtree 功能，但算法本身是用 Python 编写的。我似乎记得一个快速的胜利是使用 https://pypi.python.org/pypi/kdtree 从记忆中它给出了相当合理的加速，几乎不需要做任何工作，

cartopy.img_transform

将是需要更改的地方.

Cartopy 的重投影功能可能也付出了非常通用的代价 - 你可以在 any 投影中提供图像，它会将其放入 any 其他投影中，毫无问题地处理不连续性和撕裂。不过，如果能够连接到pyresample的功能（以及GDAL的功能），让用户有机会在某些情况下加速重新投影，那真是太酷了。

2。输出图像不同：使用pyresample的结果显示出更强的对比度。

看起来您正在创建一个 matplotlib 图来重新采样图像并使用 mpl 的 savefig 功能。此过程可能会导致对比度丢失。我建议只使用 cartopy 的重投影功能，而不将图像添加到图形并保存图形（最后的示例）。

3.如果使用多处理库并行进行投影，cartopy 版本会崩溃并显示以下错误消息：

这真的让我感到惊讶，因为 cartopy 中没有进行重新投影的 C 代码。因此，您要么发现了 scipy 的错误，要么更有可能遇到了 numpy/matplotlib 的问题（谷歌给出了一些带有异常和 matplotlib 和/或 numpy 的结果，例如 https://github.com/ numpy/numpy/问题/1270）。

好吧，这就是我在不使用 matplotlib 的情况下进行重投影的方法：

import cartopy.crs as ccrs
from cartopy.img_transform import warp_array
import numpy as np    
import PIL.Image


# I've downloaded the file from https://github.com/jmozmoz/cloudmap/blob/78923d15ad906eaa6d1dcab168a6364643d3fc94/debug/2014_8_7_1800_GOES15_4_S1.jpeg
# and clipped the image. 
fname = '2014_8_7_1800_GOES15_4_S1.jpeg'
img = PIL.Image.open(fname)

result_array, extent = warp_array(np.array(img),
                                  source_proj=ccrs.Geostationary(),
                                  target_proj=ccrs.PlateCarree(),
                                  target_res=(4000, 2000))

result = PIL.Image.fromarray(result_array)
result.save('reprojected.jpeg')

生成的图像（最终）看起来像这样：

此功能确实有一些优化的可能性 - 首先需要完成大量工作来创建 kdtree（可能会被缓存），另一大部分工作是根据原始图像计算索引（同样，缓存非常好）这将从本质上减少和重复对 numpy 索引问题的重新投影。

如果您想研究性能可能性或对比度问题（我不确定我的解决方案是否可以解决），请随时在 github 存储库上提出问题，我们可以讨论一些选项。

感谢您的提问，HTH！