Hugging Face's logo

Datasets:
NTU-CompHydroMet-Lab
/
CAPSTONE-CAE

Languages:
Chinese
Tags:
climate
taiwan
tccip
stac
zarr
cmip6
License:
Dataset card Files
xet
 Community
The Dataset Viewer has been disabled on this dataset.

CAE Capstone 氣候資料集

臺大 CAE Capstone 課程用的臺灣氣候資料集。原始資料來自 TCCIP（臺灣氣候變遷推估資訊與調適知識平台，NCDR）， 我們把申請取得的逐年 CSV 整理成 Zarr，並用 STAC 目錄描述，讓你不必先下載幾十 GB 就能查到有什麼資料、範圍多大、單位是什麼。

一、有哪些資料

Collection / Item 內容 網格 時間 變數 大小
TCCIP_Gridded_Historical_Daily_Data → Gridded_Historical_Daily_Data 網格化觀測日資料 V2（地面測站內插） 0.01°，345 × 243 1960-01-01 – 2024-12-31（23,742 天） pr, tas_mean, tas_min, tas_max 8.3 GB
TCCIP_AR6_Data → AR6_SD_Daily AR6 統計降尺度日資料 0.05°，72 × 53 1960-01-01 – 2100-12-31（51,465 天） pr, tas_mean, tas_min, tas_max 每情境約 0.95 GB
TCCIP_AR6_Data → AR6_Climate_Change_Key_Indices AR6 氣候變遷關鍵指標（年值） 0.05°，72 × 53 1960 – 2100（141 年） 22 個 ETCCDI 式指標（txx, tnn, rx1day, prcptot, cdd, sdii …） 每情境約 9 MB

兩個 AR6 item 各有 4 個情境 asset：ssp126 / ssp245 / ssp370 / ssp585，模式目前只有 TaiESM1。 座標系統一律 EPSG:4326，lat / lon 是網格中心點，缺值為 NaN（原始 CSV 的 -99.9）。 單位：降雨 mm/day、溫度 degC。

二、最快上手：直接讀

不用下載，xarray 可以直接開遠端 Zarr（需要 xarray、zarr>=3、fsspec、aiohttp、dask）：

import xarray as xr

BASE = "https://huggingface.co/datasets/NTU-CompHydroMet-Lab/CAPSTONE-CAE/resolve/main/asset"

ds = xr.open_zarr(f"{BASE}/Gridded_Historical_Daily_Data/Gridded_Historical_Daily_Data.zarr")
print(ds)

# 取某個網格點某天的雨量（北士科附近）
v = ds.pr.sel(time="2020-07-01", lat=25.10, lon=121.50, method="nearest")
print(float(v), ds.pr.units)      # 11.6 mm/day

AR6 推估資料同理，換路徑即可：

ssp245 = xr.open_zarr(f"{BASE}/AR6_SD_Daily/AR6_SD_Daily_ssp245_TaiESM1.zarr")
idx    = xr.open_zarr(f"{BASE}/AR6_Climate_Change_Key_Indices/AR6_Climate_Change_Key_Indices_ssp245_TaiESM1.zarr")

# 2081–2100 平均的年最高溫指標 TXx 空間分布
txx = idx.txx.sel(time=slice("2081", "2100")).mean("time")

三、用 STAC 目錄找資料

STAC 的用途是「先看 metadata 再決定要下載什麼」。目錄是 self-contained 的靜態 JSON，pystac 可以直接吃網址：

import pystac

CATALOG = ("https://huggingface.co/datasets/NTU-CompHydroMet-Lab/CAPSTONE-CAE"
           "/resolve/main/stac_catalog/catalog.json")

cat = pystac.Catalog.from_file(CATALOG)

for col in cat.get_children():
    print(col.id, "|", col.extent.spatial.bboxes[0])
    for item in col.get_items():
        print("   ", item.id, item.properties["data_variables"])
        for key, asset in item.assets.items():
            print("      ", key, "->", asset.href)

拿到 asset 的 href 就可以直接餵給 xr.open_zarr()：

item  = cat.get_child("TCCIP_AR6_Data").get_item("AR6_SD_Daily")
ds245 = xr.open_zarr(item.assets["ssp245_TaiESM1"].href)

每個 item 都帶 datacube 擴充，所以不必下載就查得到維度、形狀、單位與 chunk 切法：

props = item.properties
print(props["cube:variables"]["pr"])   # dimensions / shape / unit
print(props["chunk_shape"])            # 每個變數的 zarr chunk 大小

也可以直接用網頁瀏覽（點開就能看，不必安裝任何東西）： https://browser.moregeo.it/external/huggingface.co/datasets/NTU-CompHydroMet-Lab/CAPSTONE-CAE/resolve/main/stac_catalog/catalog.json

四、效能：先看這段再跑分析

Zarr 的 chunk 切法是 「一年 × 整張網格」（觀測資料為 365 × 345 × 243 float32，解壓後約 122 MB／chunk）。 這代表：

  • 取空間切片（某一天／某一年的全臺分布）很快 —— 只碰 1 個 chunk。
  • 取單點長時間序列很慢 —— 例如某一格 1960–2024 的逐日雨量，會拉滿 65 個 chunk。

所以：

# 慢：整段單點序列走網路
ts = ds.pr.sel(lat=25.10, lon=121.50, method="nearest").compute()

# 快：先把要用的 store 抓到本地再算
from huggingface_hub import snapshot_download

local = snapshot_download(
    repo_id="NTU-CompHydroMet-Lab/CAPSTONE-CAE",
    repo_type="dataset",
    allow_patterns="asset/Gridded_Historical_Daily_Data/**",   # 8.3 GB
)
ds = xr.open_zarr(f"{local}/asset/Gridded_Historical_Daily_Data/Gridded_Historical_Daily_Data.zarr")

只要一個變數時，allow_patterns 可以縮成 "asset/Gridded_Historical_Daily_Data/**/pr/**"， 但記得把 zarr.json、time/、lat/、lon/ 一起帶上，否則 xarray 開不起來。 更省事的做法是遠端開檔後先 .sel(time=slice("2015", "2024")) 再 .compute() —— dask 只會抓那幾年的 chunk （chunk 路徑就是 pr/c/{年序}/0/0，1960 年為 0）。

AR6 資料每個情境不到 1 GB，直接遠端讀通常就夠用。

五、兩個容易踩到的坑

1. 座標軸是稀疏的，不要假設等距。 觀測是 0.01°、AR6 是 0.05°，但因為含離島，lat / lon 軸上有跳格 （例如觀測的 lat 從 25.49 直接跳到 25.62）。所以 STAC metadata 裡 cube:dimensions 的 step 是 null， 而 .sel(lat=..., lon=..., method="nearest") 有可能默默對到很遠的格點。取完值請順手檢查真正對到哪裡：

sel = ds.pr.sel(lat=25.10, lon=121.50, method="nearest")
print(float(sel.lat), float(sel.lon))   # 確認和你要的點夠近

2. AR6 日資料沒有閏日，觀測有。 AR6 統計降尺度日資料是 141 年 × 365 天 = 51,465 步，完全不含 2/29； 網格化觀測 1960–2024 則含 17 個 2/29。兩邊直接對齊 time 會逐年錯位， 做偏差校正、delta change 或任何觀測 vs 推估的比對前，請先決定閏日怎麼處理。

六、資料來源與引用

資料來源：臺灣氣候變遷推估資訊與調適知識平台（TCCIP），https://tccip.ncdr.nat.gov.tw/ Taiwan Climate Change Projection Information and Adaptation Knowledge Platform (TCCIP).

原始資料由 TCCIP 依其使用規範提供，本 repo 僅做格式轉換（CSV → Zarr）與 STAC 描述， 未修改數值（僅將 -99.9 缺值轉為 NaN）。使用時請依 TCCIP 規範標註來源； 資料的正式定義、產製方法與已知限制請以 asset/docs/ 下的官方 PDF 為準：

  • 網格化觀測 V2：資料說明文件、溫度／雨量資料生產履歷
  • AR6 統計降尺度：資料說明文件、溫度／雨量資料生產履歷
  • AR6 氣候變遷關鍵指標：資料說明文件、資料生產履歷

七、目錄結構 

asset/
├── Gridded_Historical_Daily_Data/
│   └── Gridded_Historical_Daily_Data.zarr
├── AR6_SD_Daily/
│   └── AR6_SD_Daily_{ssp126,ssp245,ssp370,ssp585}_TaiESM1.zarr
├── AR6_Climate_Change_Key_Indices/
│   └── AR6_Climate_Change_Key_Indices_{ssp126,ssp245,ssp370,ssp585}_TaiESM1.zarr
└── docs/                      # TCCIP 官方 PDF
stac_catalog/
├── catalog.json               # 從這裡開始
├── TCCIP_AR6_Data/collection.json
└── TCCIP_Gridded_Historical_Daily_Data/collection.json
Downloads last month
792
Total file size:
338 GB