Datasets:

NTU-CompHydroMet-Lab
/

CAPSTONE-CAE

---
license: other
license_name: tccip-terms-of-use
license_link: https://tccip.ncdr.nat.gov.tw
language:
  - zh
pretty_name: CAE Capstone 氣候資料集（TCCIP AR6 + 網格化觀測）
tags:
  - climate
  - taiwan
  - tccip
  - stac
  - zarr
  - cmip6
viewer: false
---
# 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。

- STAC 目錄入口：<https://huggingface.co/datasets/NTU-CompHydroMet-Lab/CAPSTONE-CAE/resolve/main/stac_catalog/catalog.json>
- 資料本體：`asset/` 底下的 `.zarr`
- 官方說明文件（PDF）：`asset/docs/`

## 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`）：

```python
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：

```python
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：

```python
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()`：

```python
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](https://github.com/stac-extensions/datacube)，所以不必下載就查得到維度、形狀、單位與 chunk 切法：

```python
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：

```python
# 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：

```python
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
```

	---
	license: other
	license_name: tccip-terms-of-use
	license_link: https://tccip.ncdr.nat.gov.tw
	language:
	- zh
	pretty_name: CAE Capstone 氣候資料集（TCCIP AR6 + 網格化觀測）
	tags:
	- climate
	- taiwan
	- tccip
	- stac
	- zarr
	- cmip6
	viewer: false
	---

	# 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。

	- STAC 目錄入口：<https://huggingface.co/datasets/NTU-CompHydroMet-Lab/CAPSTONE-CAE/resolve/main/stac_catalog/catalog.json>
	- 資料本體：`asset/` 底下的 `.zarr`
	- 官方說明文件（PDF）：`asset/docs/`

	## 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`）：

	```python
	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：

	```python
	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：

	```python
	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()`：

	```python
	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](https://github.com/stac-extensions/datacube)，所以不必下載就查得到維度、形狀、單位與 chunk 切法：

	```python
	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：

	```python
	# 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：

	```python
	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
	```