使用pytyon导入一个126个波段的tif格式的高光谱数据。首先使用GDAL读取数据，将影像转化为一个numpy数组，每个波段是一个列，并使用PCA方法进行数据降维，不使用Rasterio，检查各个主成分的解释变量比，以及可能的MSE，给出全部完整的程序

在Python中，我们可以使用GDAL库来处理TIFF格式的高光谱数据，然后转换成NumPy数组并应用PCA（主成分分析）。以下是一个完整的示例程序：

from osgeo import gdal
import numpy as np
from sklearn.decomposition import PCA

# 1. 打开并读取TIFF文件
file_path = 'path_to_your_tif_file.tif'
dataset = gdal.Open(file_path)
band_count = dataset.RasterCount

# 2. 将数据加载到NumPy数组中
bands_data = []
for i in range(1, band_count + 1):  # GDAL从1开始计数波段
    band = dataset.GetRasterBand(i)
    data = band.ReadAsArray()
    bands_data.append(data)

# 结合所有波段到一个二维数组
data_array = np.stack(bands_data, axis=-1)

# 3. 数据预处理（归一化或标准化）
# (这里假设你需要对数据进行归一化)
data_normalized = (data_array - data_array.min()) / (data_array.max() - data_array.min())

# 4. 应用PCA
pca = PCA()
components = pca.fit_transform(data_normalized)

# 5. 检查主成分解释变量比
explained_variance_ratio_ = pca.explained_variance_ratio_
print("主成分解释变量比:", explained_variance_ratio_)

# 6. 计算MSE（均方误差）
mse = np.mean((data_normalized - pca.inverse_transform(components)) ** 2)
print("平均MSE:", mse)

#