jaychempan/worldfishnet_h5

WorldFishNet：全球 0.05° 网格分区

本数据集将空间网格按地理分区存储为 60 个 HDF5（.h5）文件，共包含 7,680,636 条记录。每条记录包含网格编号和一个约 0.05° × 0.05° 的闭合方格坐标，可用于空间索引、区域筛选和网格统计。

当前文件仅包含网格几何和编号，没有鱼类物种、丰度、捕捞量或时间等观测字段。

全球分区预览

数字对应文件编号，例如 **57 → 57fishnet.h5**。颜色仅用于区分文件；浅灰色表示当前文件未覆盖的区域，不能据此判断为海洋。小岛分区使用引线标注。图中采用经纬度等距圆柱展示，高纬度区域的视觉面积会放大。

查看高清 PNG · 下载 PDF · 逐文件统计表

数据概览

项目	当前版本
存储格式	HDF5，每个文件包含 IDname 和 pile
文件数量	60
记录总数	7,680,636，包含分区边界的重复位置
唯一网格位置	7,659,139，按 0.05° 网格索引去重
网格间隔	约 0.05° × 0.05°，并非等面积网格
名义分区大小	约 30° 经度 × 30° 纬度
X 坐标范围	−180 至 180
Y 坐标范围	约 −90 至 83.65
H5 文件总大小	712,695,293 字节，约 712.7 MB / 679.7 MiB
最小分区	33fishnet.h5，12 条记录
最大分区	57fishnet.h5，361,201 条记录

根据坐标取值和网格结构，以下示例将 X、Y 分别作为经度、纬度处理。原始文件没有 CRS / EPSG 元数据，尚不能确认具体坐标参考系。

快速开始

安装依赖

建议使用 Python 3.9 或更新版本。

python -m pip install h5py numpy huggingface_hub

从 Hugging Face 下载并读取一个分区

将 YOUR_USERNAME/YOUR_DATASET 替换为本数据集的实际仓库 ID。示例假定 H5 文件位于仓库的 worldfishnet_h5/ 目录中。使用 hf_hub_download 下载文件后，以只读方式交给 h5py 打开。

import h5py
from huggingface_hub import hf_hub_download

REPO_ID = "YOUR_USERNAME/YOUR_DATASET"

file_path = hf_hub_download(
    repo_id=REPO_ID,
    repo_type="dataset",
    filename="worldfishnet_h5/57fishnet.h5",
)

with h5py.File(file_path, "r") as f:
    print("数据集：", list(f.keys()))
    print("IDname 形状：", f["IDname"].shape)
    print("pile 形状：", f["pile"].shape)

    # 只读取前 3 条，避免载入整个文件。
    ids = f["IDname"].asstr()[:3]
    polygons = f["pile"][:3]

print(ids)
print(polygons[0].round(2))

输出示例：

数据集： ['IDname', 'pile']
IDname 形状： (361201,)
pile 形状： (361201, 5, 2)
['Area57_1' 'Area57_2' 'Area57_3']
[[60.   30.  ]
 [60.   30.05]
 [60.05 30.05]
 [60.05 30.  ]
 [60.   30.  ]]

读取本地文件

已下载数据时，可以直接指定本地路径。以下代码在包含 worldfishnet_h5/ 的目录中运行。

from pathlib import Path
import h5py

file_path = Path("worldfishnet_h5/57fishnet.h5")

with h5py.File(file_path, "r") as f:
    ids = f["IDname"].asstr()[:]  # 解码为字符串
    polygons = f["pile"][:]      # NumPy 数组，形状为 (N, 5, 2)

print(f"读取 {len(ids):,} 个网格")

字段说明

字段	形状	数据类型	含义
IDname	(N,)	定长字节字符串，长度因文件而异	编号格式为 Area{分区号}_{记录序号}，序号从 1 开始
pile	(N, 5, 2)	float64	每个网格的 5 个坐标点；每点按 [x, y] 排列

pile[i] 的前 4 个点描述方格边界，第 5 个点重复第 1 个点以闭合多边形。IDname[i] 与 pile[i] 一一对应。文件未提供其他属性或训练、验证、测试集划分。

常见用法

计算中心点并筛选区域

下面是可独立运行的本地示例：从第 57 分区选出中心点位于 70–80°E、35–40°N 范围内的网格。

import h5py

with h5py.File("worldfishnet_h5/57fishnet.h5", "r") as f:
    ids = f["IDname"].asstr()[:]
    polygons = f["pile"][:]

# 根据四个不同顶点求方格中心，排除闭合时重复的第 5 个点。
centers = polygons[:, :4, :].mean(axis=1)
lon, lat = centers[:, 0], centers[:, 1]

west, east, south, north = 70, 80, 35, 40
mask = (
    (lon >= west) & (lon < east)
    & (lat >= south) & (lat < north)
)

selected_ids = ids[mask]
selected_polygons = polygons[mask]
selected_centers = centers[mask]
print(f"筛选得到 {len(selected_ids):,} 个网格")

这里采用“中心点落入范围”的规则，并使用左闭右开边界；这与多边形相交筛选不同。示例范围不跨越 ±180° 日期变更线。

下载全部分区并分块读取

snapshot_download 可以通过 allow_patterns 仅下载 H5 文件。下面每次读取最多 50,000 条，不会一次性将全部数据装入内存。

from pathlib import Path
import h5py
from huggingface_hub import snapshot_download

REPO_ID = "YOUR_USERNAME/YOUR_DATASET"

local_root = Path(snapshot_download(
    repo_id=REPO_ID,
    repo_type="dataset",
    allow_patterns=["worldfishnet_h5/*.h5"],
))

files = sorted(
    (local_root / "worldfishnet_h5").glob("*fishnet.h5"),
    key=lambda p: int(p.stem.removesuffix("fishnet")),
)
if not files:
    raise FileNotFoundError("未找到 H5 文件，请检查仓库中的目录结构。")

batch_size = 50_000
total = 0
for path in files:
    with h5py.File(path, "r") as f:
        n = f["pile"].shape[0]
        for start in range(0, n, batch_size):
            stop = min(start + batch_size, n)
            batch_ids = f["IDname"].asstr()[start:stop]
            batch_polygons = f["pile"][start:stop]
            batch_centers = batch_polygons[:, :4, :].mean(axis=1)
            # 在这里执行筛选、统计或导出。
            total += len(batch_ids)

print(f"文件数：{len(files)}；记录总数：{total:,}")
# 当前版本：文件数：60；记录总数：7,680,636

分区布局与覆盖范围

分区编号整体符合每行 12 个、从西向东再从南向北的 30° × 30° 布局。根据现有坐标归纳，编号 k 的名义西界和南界为：

west  = -180 + ((k - 1) % 12) * 30
south =  -90 + ((k - 1) // 12) * 30

这个公式用于定位名义分区，不能替代实际网格筛选：每个文件只保存部分空间位置，一些文件在东侧或北侧边界还包含一整格，实际顶点范围可能多出 0.05°。

• 当前文件号为 1–70，其中没有 6、7、8、9、14、15、18、30、38、48。
• 若按上述规则扩展至完整的 72 个全球分区，当前版本也未提供 71、72。
• 因此，当前数据并未完整覆盖整个地球，尤其缺少部分南极区域以及 120–180°E、60–90°N 的高纬区域。

使用时需要注意

• 边界重复：60 个文件共有 7,680,636 条记录，对应 7,659,139 个唯一网格位置，即存在 21,497 条位置重复的额外记录。按 IDname 去重不能消除几何重复；跨分区汇总时可按下界坐标转换的 0.05° 网格索引去重。全球图对共享位置采用较小文件号的颜色。
• 日期变更线：12fishnet.h5 还包含 −180° 一侧的 234 个网格，与第 1 分区重合。因此不能将该文件的整体经度最小值和最大值之间全部视为覆盖区。
• 顶点顺序：这 234 条记录的起始顶点不同，不能假定第一个点总是左下角。计算包围盒应使用 polygons.min(axis=1) 和 polygons.max(axis=1)；计算中心点应排除重复的闭合点。
• 数值精度：部分坐标存在约 1e-9° 的误差。当前几何检查采用 1e-8 的绝对容差，未发现非有限坐标、未闭合网格或非矩形。
• 面积与坐标系：0.05° 表示角度间隔，不代表全球统一的距离或面积。计算距离、面积或叠加其他 GIS 数据前，应先确认源坐标系。

仓库文件

.
├── README.md
├── worldfishnet_h5/
│   ├── 1fishnet.h5
│   ├── 2fishnet.h5
│   ├── ...
│   └── 70fishnet.h5
├── inspect_h5.py
├── plot_world_partitions.py
└── h5_inspection/
    ├── world_partitions.png
    ├── world_partitions.pdf
    ├── file_summary.csv
    ├── summary.json
    ├── samples.json
    └── map_diagnostics.json

逐文件汇总提供每个分区的记录数、坐标范围与检查结果；数据样本包含每个文件前 3 条记录。地图统计记录去重后的覆盖格数和绘图规则。

在包含数据的仓库目录中，可使用 inspect_h5.py 重新生成检查结果：

python inspect_h5.py

数据来源与许可

当前提供的 H5 文件和压缩包中没有附带原始来源、制作方法、许可证或正式引用信息，因此此处未指定许可证或论文引用。本页中的数据结构、统计和覆盖图均基于当前 60 个文件的直接读取结果。