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& e, }! @" p# o7 o
本节先介绍怎么通过LLCreader将数据下载本地，并使用GMT绘图。 1 g% B l4 H( i G5 b- @
步骤加载llcreader( \2 \0 ~! ?0 A# n3 s0 \9 z
import xmitgcm.llcreader as llcreader
( u8 Z+ y6 X/ U% u) H! @5 r! a3 h+ z) u. V i* r
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()
9 q5 C$ d% {. k9 {* l
: e. g8 K: p' w8 E0 t1 qds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon',, e2 \) w4 ]! p1 z/ _
iter_start=model.iter_start,0 S/ q1 ~+ Q( Y; q j' M
iter_stop=(model.iter_start + model.iter_step),
( `- F. w+ g: G/ K5 U read_grid=True)
& x; e- }6 Q* ? t3 A3 Eds_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。 # M4 W0 O$ w7 ]# _9 b* @: p5 ]0 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)。 " f/ {- ^* p f) L
绘图查看4 O/ U% f! b4 @ n; y$ u; \1 j
2 R& |9 r1 H# ^0 q4 [
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。 / T. H r* d5 t" {/ K
保存 .to_netcdf(): \; I( a2 a/ ~* S/ a
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# s/ d' y9 ?! {$ k, r- \
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？ 2 r+ D* m$ s N4 e n0 x4 b
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。
7 i# `5 K+ M. s
, M5 w1 L4 ^9 b6 E% p1 f% ^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 b/ }2 u. X! e0 A# @; d1 G- f
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')
' `0 H7 p' u/ Ods_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。 + `+ Q0 u' s( V5 O8 ]: B' u* i
GMT绘图# x, `% k# R* v8 y' j2 D
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( j9 _8 z- i5 F, b3 h- W" [
gmt set MAP_ANNOT_OBLIQUE 05 {$ a# ]8 O x2 V: J) c& m
gmt subplot begin 2x1 -A+JTL -Fs16c/10c -M0 -R1000/2000/2500/3500 -JX15/13c -B100 -T"Aghulhas Rings"5 A. \# G# b" M8 t
gmt subplot set 0,0 -Ce3c
7 J- ]& U% R+ b9 y0 G5 [ gmt grd2cpt myfile3.nc?Theta -Cjet -Z+ J3 z8 t9 ~3 c6 `" A
gmt grdimage myfile3.nc?Theta -I+a90 # ~6 C' G0 ]$ w7 I( V" b
gmt colorbar -DJRM+o1.5c/0+mc -I0.3 -Bx2+lTheta -By+ldegree* b1 D! m# q! A; L. t! d
& X% [' x" R& O$ |% G0 y5 y0 `7 ]
gmt subplot set 1,0 -Ce3c7 F: C" k5 z' @' r* ^( j' a9 }
gmt grd2cpt myfile4.nc?Theta -Crainbow -Z
8 L. Z; ]3 A9 L, n gmt grdimage myfile4.nc?Theta& Q: W5 w" M9 ~: Q) V4 ^% X
gmt colorbar -DJRM+o1.5c/0+e+mc -Bx2+lTheta -By+ldegree
2 R5 |3 v# [. E0 P8 i' i0 i gmt subplot end B7 |; e3 s' [$ f( k J: R$ ]1 B+ H/ j
gmt end show ) Q( @. [0 B% z N2 x7 Z5 V
台湾海域下节预告- • 范围的筛选
- • 时间维度的连续导出
1 [! K9 D2 \4 f1 j( D2 F
5 o' u2 H V/ E3 y" ]2 Q | 
