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
$ i4 F0 e. s$ `0 h
本节先介绍怎么通过LLCreader将数据下载本地，并使用GMT绘图。 9 q' Y, L0 O! ~' D9 T, d! S
步骤加载llcreader
9 _: v7 v. h! {) X8 Q& \8 ?- [import xmitgcm.llcreader as llcreader4 l6 [4 y) B$ P7 r! Y' K% d3 f% z
3 A: x8 u0 W0 V6 d% Q# A
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()% W. `. j! J+ `" G8 O) K7 C
( v$ n1 t, f! ods_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon',8 R, E0 ]( f, M# }/ a
iter_start=model.iter_start,3 ^5 o8 m0 T- e8 p
iter_stop=(model.iter_start + model.iter_step),& t4 O$ j7 e: F3 Q2 r; C
read_grid=True)
/ f" T" u/ w% Y! b3 N/ Fds_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。
$ L6 D* [; K2 p2 g4 \2 T! i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)。 ; U5 d8 ~, J: Y9 c
绘图查看) j/ l/ Z3 T' I) E3 A% Z- {
3 ^+ |% e k3 x- B& x, 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。 : L* o) X8 S0 a
保存 .to_netcdf()- j/ q7 Z1 z7 r
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0 G2 q2 i/ P# {; c
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？
# @4 O0 l( R% A; L+ l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。( c9 P+ P' I! N8 X
6 q& P3 a- P0 s) l
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 D" ~7 m; S4 H, ]! d, rds_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')
; ]5 P8 y* C) F0 L) uds_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。
1 q8 t* k8 o/ t7 ~: T# P- h* a9 u+ ]
GMT绘图7 q& G; w4 p5 ]$ U* f( N( Z
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 png) \7 ~/ @9 m8 d
gmt set MAP_ANNOT_OBLIQUE 0( _% _2 @9 ~/ j" V: G$ _
gmt subplot begin 2x1 -A+JTL -Fs16c/10c -M0 -R1000/2000/2500/3500 -JX15/13c -B100 -T"Aghulhas Rings"
4 a* i* E5 n: c gmt subplot set 0,0 -Ce3c4 l* i- _: a, R2 c
gmt grd2cpt myfile3.nc?Theta -Cjet -Z
& p+ E _7 @( ?, W! ~$ E# H; J gmt grdimage myfile3.nc?Theta -I+a90 3 W: r, w' X6 E; s
gmt colorbar -DJRM+o1.5c/0+mc -I0.3 -Bx2+lTheta -By+ldegree
. g. d! T8 q2 c0 S$ n j( ^7 A& |+ n3 ~0 O! k
gmt subplot set 1,0 -Ce3c. i' H6 f# M- P+ D7 l+ Z5 F9 N8 u* t- X
gmt grd2cpt myfile4.nc?Theta -Crainbow -Z! g7 {$ u9 G7 J' z
gmt grdimage myfile4.nc?Theta' y4 ~) `8 Q/ d
gmt colorbar -DJRM+o1.5c/0+e+mc -Bx2+lTheta -By+ldegree
$ n) ^9 j' z% t7 [% K- m2 K gmt subplot end q* q2 z4 ~( d! |8 j0 t Q
gmt end show 6 n6 n) Q4 ~- v, g4 S0 R2 y: s
台湾海域下节预告- • 范围的筛选
- • 时间维度的连续导出, b7 d5 f7 o1 @8 Z2 {
1 o1 D( O3 n0 P( f8 m" E | 
