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) i) g( t& Y* I) I7 D d
本节先介绍怎么通过LLCreader将数据下载本地，并使用GMT绘图。 + g4 `8 \3 ]2 v
步骤加载llcreader5 k* Y7 t, I, U/ y6 V5 {
import xmitgcm.llcreader as llcreader* p9 S. Y* y; V1 I
& _, p+ \! t/ Z, W5 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()
" B Z, N8 X( g, g7 j9 u
8 r( \: g6 m0 z+ C1 {. Zds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon',
( Y6 }( o& x# D iter_start=model.iter_start,
1 a6 j% M+ p% | i iter_stop=(model.iter_start + model.iter_step),! K$ p# g1 ]9 A: ?: {
read_grid=True); O# b Z2 U" V# ?! a& d$ P
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。
" F9 y( [, M% A% b) y# v3 J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)。 + _5 e" H$ A# h N4 o7 a. R% ^
绘图查看6 D' D0 k( n6 k5 ^6 _
: ?2 A, N+ X; a H6 j9 ]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。 W. i9 ^" @2 f& ]; ?2 N3 ^: J
保存 .to_netcdf()
- Y" r; T5 v$ x& y0 z( zto_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" T1 A4 H- Z% ?( [& G" X: l! Q
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？
9 R! C: ~/ e# T; O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。0 e, E& `6 O9 V9 Q
6 o. w ?! f% D% p; g) I K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)
& [! P u: s9 S9 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')
' \5 c" C6 R/ f5 P8 ?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。
1 F# D6 |. Z+ E$ b
GMT绘图0 {5 l" ^7 h& H: s& j9 \
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
4 t. `3 A, k/ p3 a1 q gmt set MAP_ANNOT_OBLIQUE 0# [* V% H: L y/ Y! s
gmt subplot begin 2x1 -A+JTL -Fs16c/10c -M0 -R1000/2000/2500/3500 -JX15/13c -B100 -T"Aghulhas Rings"' L) D: c5 ]" P; J, m
gmt subplot set 0,0 -Ce3c0 Z6 _( @$ H, H7 }- J. P
gmt grd2cpt myfile3.nc?Theta -Cjet -Z
# a9 ~. r5 e) h' m0 E8 J5 B3 `5 ^ gmt grdimage myfile3.nc?Theta -I+a90
1 G1 R+ B" Y% q P4 R' t gmt colorbar -DJRM+o1.5c/0+mc -I0.3 -Bx2+lTheta -By+ldegree" d" s7 \+ q i9 C. s4 C
4 H$ W% I5 e4 a' _
gmt subplot set 1,0 -Ce3c
5 I E; f+ M3 ~, r5 T( @) H gmt grd2cpt myfile4.nc?Theta -Crainbow -Z7 H& @ V% r/ m# N& z3 M6 u. N, R# {
gmt grdimage myfile4.nc?Theta
: J# ~% o6 x0 Z) D gmt colorbar -DJRM+o1.5c/0+e+mc -Bx2+lTheta -By+ldegree
3 N; `' B/ |2 _ gmt subplot end
% K2 C8 ^6 C7 a3 s* Igmt end show
& O& u u. z0 X. d1 V& R台湾海域下节预告- • 范围的筛选
- • 时间维度的连续导出3 T, T4 E: k7 |+ s
* U2 s3 ?* a R9 Q5 k
| 
