### 核心实体匹配与路径判定 用户提问的核心实体为"**FY-2G**"卫星数据及"**h5py**"库的使用。参考资料 **[ref_1]** 的标题《用 Python 和 Basemap 搞定**FY-2G**卫星 TBB 云图：从 HDF 文件到可视化地图的保姆级教程》中显式包含了核心实体词"FY-2G"，符合优先级 1 的标题显式匹配准则。因此，判定结果为**【相关】**，执行**路径 A**。接下来的回答将综合引用 [ref_1] 至 [ref_6] 的所有相关资料。 --- ### FY-2G 卫星 HDF 数据读取与亮温（TBB）提取指南 风云二号 G 星（FY-2G）是我国静止气象卫星系列中的重要成员，其提供的红外通道亮温（TBB, Brightness Temperature）数据是监测台风、强对流天气及进行气候分析的关键依据。这些数据通常以 HDF（Hierarchical Data Format）格式存储。使用 Python 的 `h5py` 库可以高效地解析此类文件。以下将从环境准备、数据结构解析、亮温反演计算及可视化应用四个维度，详细阐述操作流程。 #### 1. 环境配置与依赖安装 在处理 FY-2G 数据前，需确保 Python 环境中安装了必要的科学计算库。`h5py` 是操作 HDF5 文件的核心库，而 `numpy` 用于数值计算，`basemap` 或 `cartopy` 则用于后续的地理投影绘图 [ref_1]。 推荐使用 `conda` 进行环境管理，以避免 Windows 系统下 `basemap` 的编译依赖问题： ```bash # 基础科学计算库 conda install numpy h5py matplotlib # 地图投影库 (推荐通过 anaconda 渠道安装预编译版) conda install -c anaconda basemap ``` 若仅需读取数据而不涉及绘图，仅需安装 `h5py` 和 `numpy` 即可 [ref_2]。 #### 2. HDF 文件结构与数据读取逻辑 FY-2G 的 HDF 文件内部结构复杂，通常包含多个数据集（Dataset）和属性（Attribute）。关键数据包括红外通道的原始计数值（Count）、定标系数（Calibration Coefficients）以及辅助的经纬度信息。值得注意的是，完整的地理定位往往需要配合外部的经纬度对照表（`.dat` 文件）使用 [ref_3]。 **代码示例：读取 HDF 文件并提取关键变量** ```python import h5py import numpy as np def read_fy2g_tbb_data(hdf_file_path): """ 读取 FY-2G HDF 文件中的红外通道原始数据及定标参数 参考来源: [ref_1], [ref_2], [ref_5] """ tbb_data = None calibration_params = {} try: with h5py.File(hdf_file_path, 'r') as hdf: # 1. 遍历文件结构，打印键名以定位数据路径 (调试用) # print("HDF 文件结构:", list(hdf.keys())) # 2. 读取红外通道原始数据 (具体路径需根据文件名版本确认，通常在 'NOM' 或 'CALIB' 组下) # 假设路径为 '/NOM/CHANNAL_INFRA_RED'，实际需根据文件结构调整 if 'NOM' in hdf: raw_data = hdf['NOM']['CHANNAL_INFRA_RED'][:] else: # 兼容不同命名习惯，尝试直接查找包含 'INFRA' 的数据集 for key in hdf.keys(): if isinstance(hdf[key], h5py.Group): for sub_key in hdf[key].keys(): if 'INFRA' in sub_key.upper(): raw_data = hdf[key][sub_key][:] break # 3. 读取定标系数 (斜率 Slope 和 截距 Intercept) # 这些参数通常存储在数据集的属性中或独立的子数据集中 # 参考 [ref_4] 中关于 FY-2C 水汽数据的处理逻辑，定标参数至关重要 if 'Slope' in hdf.attrs: calibration_params['slope'] = hdf.attrs['Slope'] if 'Intercept' in hdf.attrs: calibration_params['intercept'] = hdf.attrs['Intercept'] tbb_data = raw_data except Exception as e: print(f"读取文件失败：{e}") return None, {} return tbb_data, calibration_params ``` #### 3. 亮温（TBB）反演计算 从 HDF 文件中读取的通常是数字化计数值（DN 值）或辐射亮度值，并非直接的亮温。必须利用元数据中的定标系数将其转换为物理量。对于红外通道，通用的线性定标公式为 $L = Slope \times DN + Intercept$，随后通过普朗克公式反演为亮温，但在业务简化处理中，常直接使用经过预处理的亮温数据集或特定的查找表（LUT）[ref_6]。 若文件中直接提供了亮温数据集，可直接读取；若需计算，逻辑如下： ```python def calculate_tbb(raw_counts, slope, intercept): """ 将原始计数值转换为亮温 (简化线性模型示例) 注意：真实场景可能涉及非线性校正或查表法，参考 [ref_6] 中的 TBB 反演环节 """ # 将无效值掩码 (如 0 或特定填充值) 设置为 NaN valid_mask = raw_counts > 0 tbb = np.full_like(raw_counts, np.nan, dtype=np.float32) # 执行定标转换 if valid_mask.any(): radiance = slope * raw_counts[valid_mask] + intercept # 此处省略复杂的普朗克反演步骤，实际应用中需代入具体波段常数 # 假设已有直接转换关系或辐射值即为近似亮温 (视具体产品级别而定) tbb[valid_mask] = radiance return tbb ``` #### 4. 数据融合与地理匹配 单独的温度矩阵没有地理意义，必须与经纬度网格结合。FY-2G 数据通常采用等距圆柱投影，但其对应的经纬度文件（`.dat`）需单独解析。该文件记录了每个像素点对应的经度和纬度 [ref_3]。 **应用场景案例：台风“利奇马”监测** 在分析台风“利奇马”期间，研究人员利用上述方法读取了 2019 年 8 月的 FY-2G 数据。通过解析 HDF 获取云顶亮温，并结合 `.dat` 文件生成的经纬度网格，成功绘制出了台风眼的清晰结构。低温区（高云）在图中呈现为深色，直观展示了台风的螺旋云带 [ref_6]。 **数据处理流程总结表** | 步骤 | 关键操作 | 涉及库/文件 | 参考资料 | | :--- | :--- | :--- | :--- | | **环境准备** | 安装 h5py, numpy, basemap | `pip` / `conda` | [ref_1] | | **文件解析** | 打开 HDF，定位红外通道数据集 | `h5py.File`, `.hdf` | [ref_2], [ref_5] | | **参数提取** | 获取 Slope, Intercept 定标系数 | `hdf.attrs` | [ref_4] | | **坐标匹配** | 读取外部 `.dat` 经纬度对照表 | `numpy.loadtxt`, `.dat` | [ref_3] | | **可视化** | 基于 Basemap 绘制填色图 | `basemap`, `matplotlib` | [ref_6] | 综上所述，利用 `h5py` 读取 FY-2G 数据是一个标准化的过程，核心在于准确识别 HDF 内部的数据集路径以及正确应用定标参数。结合外部经纬度文件，即可将抽象的数字矩阵转化为具有明确地理意义的气象云图，为灾害预警提供强有力的数据支撑。