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, U- u8 F; W
本节先介绍怎么通过LLCreader将数据下载本地，并使用GMT绘图。 ; h E7 T( ^: ]3 g3 n, w
步骤加载llcreader
+ N3 b8 K! q9 cimport xmitgcm.llcreader as llcreader
& T' n. j5 S- b2 U8 L3 g0 f; a: D2 u
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()
% V R1 P; ~* E$ b8 O
0 X8 A, n( E, \+ q1 _' ~( Zds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon',
: b' ^& A- a6 N( `/ h# x, p; Q$ W( Z iter_start=model.iter_start,
; I, Q$ X' `1 s7 n2 K iter_stop=(model.iter_start + model.iter_step),, K4 u2 Y$ G% `7 x, z
read_grid=True)
% Q" v# u7 t5 u8 M8 K1 rds_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。 a! y( R" m* X: v. W
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)。
: P( X( B) q3 Q7 h
绘图查看$ Y2 c5 V+ D/ j1 X
1 w9 ^5 v, h5 k1 _0 ~# Wtemp.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。
% J8 t! d- q* O% w5 H
保存 .to_netcdf()
( U- Y" W4 P0 S6 U- K z3 Mto_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 q. p1 Z$ }" N# 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？
. |3 s$ J# O. B" f4 I5 R) R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 R3 Q6 g. X' f: A
* j5 k! y0 ~- |: ]# 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)
2 ~' v9 {/ h. }4 a% A2 g: \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')
$ ^# e' d9 f1 `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。 5 g' n8 k! D# j$ y7 a
GMT绘图. s K$ d/ K! h8 Y* {
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- L7 i# p: u: @4 W6 i
gmt set MAP_ANNOT_OBLIQUE 0* e& u) w! H3 J1 a+ T
gmt subplot begin 2x1 -A+JTL -Fs16c/10c -M0 -R1000/2000/2500/3500 -JX15/13c -B100 -T"Aghulhas Rings"% i9 B8 _: o7 A9 E0 Q5 F/ Y1 G
gmt subplot set 0,0 -Ce3c/ |: ?% w9 l! \. w, N
gmt grd2cpt myfile3.nc?Theta -Cjet -Z
: V; H5 e9 z; B+ m: T" A- I" { gmt grdimage myfile3.nc?Theta -I+a90
9 A# Z8 r( }+ f, \& }6 s% ~+ N gmt colorbar -DJRM+o1.5c/0+mc -I0.3 -Bx2+lTheta -By+ldegree
% p1 j. f& k. C: S, T2 H" h j4 N0 K, R2 |7 u- E" |* c: r' Q& {
gmt subplot set 1,0 -Ce3c
0 \: |5 L) s2 `/ j( n) t) B. T gmt grd2cpt myfile4.nc?Theta -Crainbow -Z0 j) p- S- H9 Z2 D w4 b# J7 X, y
gmt grdimage myfile4.nc?Theta( r6 ^0 {+ ~, D& X3 E! `0 i
gmt colorbar -DJRM+o1.5c/0+e+mc -Bx2+lTheta -By+ldegree
; B; A0 Q8 a" n+ r- q gmt subplot end
$ D" U: B& n; E9 [7 J; m! K! Fgmt end show ' Q3 w8 z& v9 Y3 z: R8 o2 W
台湾海域下节预告- • 范围的筛选
- • 时间维度的连续导出9 h0 C2 S- {; \/ n; o: u. M
* \' t3 n: A. D; Q- J# |0 l2 k8 D
| 
