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
* a! }2 i4 P6 k4 N ?$ k. D; |5 [
本节先介绍怎么通过LLCreader将数据下载本地，并使用GMT绘图。
7 ]& I6 p5 p4 h/ B( _
步骤加载llcreader
1 d: M* g5 s5 J' Cimport xmitgcm.llcreader as llcreader
; _' w, v( ~5 q9 N! d' V. a0 _
3 s: @+ T6 F( D; j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()
$ P9 h9 L+ X e+ q; s3 g) \7 V
ds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon',% u0 v/ b3 n& U6 m
iter_start=model.iter_start,2 r$ Q: N% @" p5 ?5 D
iter_stop=(model.iter_start + model.iter_step),$ l( j6 `. R4 m9 Y/ X
read_grid=True)
/ k: b& o8 N# z* Y4 Pds_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。
1 D) T& ~% M0 l1 C, \7 \+ R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)。 + y' \& P- X* w! j9 I& I* D
绘图查看" @* W3 y: R1 l5 w# B% U
8 `6 W# ]8 Z1 Xtemp.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。 ! r; T, y: [; M
保存 .to_netcdf()
% C# B$ S x2 I7 t0 @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' X4 A- q( f& _0 ?& u. p
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？
) u9 C* n8 i3 `7 g% G9 l6 G. B3 E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。9 D+ z. A* ]" t$ T
: j j7 d5 R; n8 K9 c
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)& z6 a0 \) o, U
ds_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')! C- b+ `9 j' q: U
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。
6 Y, e5 `! c4 S! H& o) p
GMT绘图
5 W2 w+ D% \6 }4 J; |: FGMT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! F6 ?* \3 z$ X' D$ {! U6 z
gmt set MAP_ANNOT_OBLIQUE 0! Q( t+ X2 v1 t$ d8 b ~. S
gmt subplot begin 2x1 -A+JTL -Fs16c/10c -M0 -R1000/2000/2500/3500 -JX15/13c -B100 -T"Aghulhas Rings"( s1 e0 u9 N( N1 E2 m- k) z; P& Z' I
gmt subplot set 0,0 -Ce3c) M& T: U, d2 U8 \( G
gmt grd2cpt myfile3.nc?Theta -Cjet -Z' \# |" P) O( c; Y
gmt grdimage myfile3.nc?Theta -I+a90
X1 @8 G; Q9 e( H R0 d2 W: }& D gmt colorbar -DJRM+o1.5c/0+mc -I0.3 -Bx2+lTheta -By+ldegree9 ^2 n u9 L: b; d7 E& K
8 Y% m- n8 x4 O+ |: X
gmt subplot set 1,0 -Ce3c3 p2 |' t5 r0 C( Z" v
gmt grd2cpt myfile4.nc?Theta -Crainbow -Z
. B" t3 E( D: f$ I8 ~( L gmt grdimage myfile4.nc?Theta3 r& z7 s z2 Q- o1 D
gmt colorbar -DJRM+o1.5c/0+e+mc -Bx2+lTheta -By+ldegree
8 I) D* ^. w d. @; D6 d+ }7 G gmt subplot end# F1 t+ ~/ w: K* j2 P; [9 A# a" Y
gmt end show 7 ` I2 v& v* ^" n3 H9 A1 T
台湾海域下节预告- • 范围的筛选
- • 时间维度的连续导出' A; i3 M4 _' ~7 ?" I9 h# y s: w& F3 `
7 Y9 x" t, Q6 E; s4 t
| 
