上一节,我们介绍了xmitgcm的LLCreader入门操作,总体上这个工具可以通过网络自动加载门户网站(ECCO)的模式数据,实现对模式LLC4320(PB级)和LLC2160的读取。但还有许多问题尚未解决: - • 能否保存数据到本地
- • 能否按照经纬范围选取数据
- • 能否选择连续的一段时间(如70天,每小时一个)
- • 能否做较复杂计算
6 {5 Y* d1 x9 h, L6 ^) u
本节先介绍怎么通过LLCreader将数据下载本地,并使用GMT绘图。 0 w" B+ ~. x1 d4 E: D* ~( U
步骤加载llcreader
( @6 ?! y" E6 K- x% ?5 i/ Kimport xmitgcm.llcreader as llcreader
: k+ Q7 `1 W w2 Z# E9 ~* ~ T% |) P9 _
初始化模型因为LLC4320数据体量较大,这里先以LLC2160为例。我们选择Theta进行导出测试。 model = llcreader.ECCOPortalLLC2160Model()0 g! n" M# k, F! D" V3 T8 c
: Q6 ^, _1 _8 c$ m
ds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon',- S& v( d+ W% y1 p: h9 Z! w8 W
iter_start=model.iter_start,
1 h0 k6 I; y/ n& i$ U2 C iter_stop=(model.iter_start + model.iter_step),
/ `7 D; T& }, [$ j read_grid=True)+ f5 J3 V# H& R# X. @; J" J
ds_sst.Theta ds_sst的数据结构为Xarray的dataset,ds_sst.Theta的数据结构为Xarray的dataarray。可以看到Theta的数据大小是231M,这只是一个1小时快照的单层全球数据,体积不算太大。
0 a+ A- z( ~/ w) x& d上图为其coordinates,这是dataarray数据结构的一个关键术语,其中黑色粗体i,j,k,time表示维度坐标(Dimension coordinate),其他为无维度坐标(Non-dimension coordinate)。
+ `! `4 ?# z) P4 V 绘图查看
2 e7 Q! x% _3 V. W! b3 e* W! ~# h8 R7 V: A% u; L
temp.Theta.plot()维度坐标i,j作为其x和y轴,另一维度time和k(深度0)出现在标题上。 因为LLC为特殊的网格结构,这里暂时不能直接实现地理绘图。后面会对此进行单独介绍。 % G% L! y. I7 W4 i* b
保存 .to_netcdf()- B# a; E* p* v! |" y) ^# v: r q/ h
to_netcdf()是Xarray内置的函数,可将数据保存为nc格式。注意数据保存和llcreader函数无关,llcreader的主要作用是在线获得LLC模式数据,并转化成Xarray特有的数据结构,后面所有的操作都是使用Xarray,因此有必要对Xarray做全面的学习。后面会对此介绍。 ds_sst.Theta.to_netcdf('myfile.nc')上述命令可以将Theta参数保存。通过panoply可以绘图展示SST参数的全球分布: 删除不重要的坐标
; k; F' W6 z7 {5 r# h# d9 d% n但可以发现保存的文件大小是2.5G,远远超过了其自身大小,这是什么原因呢?
( q4 J: X. H; t$ x原来是把无维度坐标全部保存了,这些坐标其实也是数据,因此占用很大空间。一共有11个这样的2D坐标,再加上Theta,数据体积就达到2.5G了。
3 o# }% C/ e0 U+ W2 d4 y4 T5 ^3 ` o2 Q$ _1 s( }
这些无维度坐标可以删去: ds_sst.Theta.reset_coords() # 将无维度坐标转为变量(不删除)
9 O, A; D7 p) h+ [- Pds_sst[["Theta"]].reset_coords(drop=True) # 将会删去无维度坐标若想保留某些坐标,比如经纬度XC,YC: ds_sst.Theta.reset_coords()[["XC", "YC","Theta"]]上面使用了[[ ]]做变量的筛选。 然后保存: ds_sst[["Theta"]].reset_coords(drop=True).to_netcdf('myfile2.nc')8 |4 i, E: D/ L. z
ds_sst.Theta.reset_coords()[["XC", "YC","Theta"]].to_netcdf('myfile3.nc')这样,数据体积就小了,其中myfile2.nc仅包含Theta,大小213M。
9 W5 p$ I) e5 a% P, F GMT绘图
/ d! b/ Q( ~$ J! {GMT绘图比ython自带函数更加强大,既然已经下载到本地,则看一下GMT绘图效果: gmt begin ex02 png0 n( I3 }/ L! d2 @( Q& f1 l
gmt set MAP_ANNOT_OBLIQUE 0
3 Z) ]( c1 \2 A; P2 R( V gmt subplot begin 2x1 -A+JTL -Fs16c/10c -M0 -R1000/2000/2500/3500 -JX15/13c -B100 -T"Aghulhas Rings"
# l. T% f& c; Z4 Q4 H( r2 d' K gmt subplot set 0,0 -Ce3c
y7 O% C9 F6 G7 x' d& A gmt grd2cpt myfile3.nc?Theta -Cjet -Z
6 @: L3 K5 `% g gmt grdimage myfile3.nc?Theta -I+a90
$ \3 o8 c0 ^5 `3 u+ S gmt colorbar -DJRM+o1.5c/0+mc -I0.3 -Bx2+lTheta -By+ldegree) S; S. J* |2 p
& i1 w: d1 }' K7 O# m; s
gmt subplot set 1,0 -Ce3c* K2 ^/ c. D/ y1 Q
gmt grd2cpt myfile4.nc?Theta -Crainbow -Z
& f" Y' g% s2 b: ~9 d/ S( ~5 X# n gmt grdimage myfile4.nc?Theta
. w S8 n$ g5 W- J gmt colorbar -DJRM+o1.5c/0+e+mc -Bx2+lTheta -By+ldegree7 g* Q* L, W* o: b- O* _
gmt subplot end6 d0 v. e& {; ^: s3 |
gmt end show - Q- C* {5 r& r
台湾海域下节预告- • 范围的筛选
- • 时间维度的连续导出
- d' d! F' I9 e3 p: z* |
% G4 x$ H7 Y: [! Q5 v. ?, L |