高分辨率海洋模式LLC4320的在线读取

LLC4320模式简介

LLC4320是MITgcm 1/48°全球海洋模式，其诞生的直接原因是为即将到来的SWOT任务提供高分辨率的全球海洋模拟。

LLC4320模式在多个方面具有开创性，特别是其高空间分辨率（全球分辨率在 1 到 2 公里之间）、潮汐驱动、高频（每小时）输出，其海面高度信号中包含了内潮、内波、地转平衡等信号。除了在SWOT相关工作取得应用之外，该模式也在海洋亚中尺度、内波等研究方向得到了广泛应用。

该模式主要特征是：

# t+ l! D. v" i* Y- j* V0 |( G0 P9 F

• • 全球覆盖（包含极地）
• • 垂向90层
• • 分辨率1/48°
• • 全球海洋分成13个face，每个face的网格数为4320*4320
• • 时间采样是1小时，总计时间维度9030
• • 共14 个月（2011 年 9 月至 2012 年 11 月）
• • 数据量巨大，PB级别
• • 以MDS自定义二进制数据格式存储，为MITgcm独有
• • 模型网格复杂，为lat-lon-cap (LLC) 曲线网格 ，很难在常规地图投影中可视化。
  6 [% S# E; U! g* ~

在数据发布之初，该数据集存储在高度安全的NASA超级计算机上，只有获得NASA资助的研究人员才能访问。

后来，NASA Ames研究中心创建数据共享网站（https://data.nas.nasa.gov/ecco/），开放了LLC4320数据。任何人都可以通过互联网访问数据。在此网站上，您可以单击下载单个大小40GB的二进制文件。除非您知道如何解码其中的内容，否则这些文件毫无用处。
4 n% H0 d2 ~; A  M3 R- l' O

xmitgcm.llcreader

xmitgcm 是一个 python 包，可以将 MITgcm 二进制 MDS 文件读入 xarray 结构。通过 dask，xmitgcm可以实现并行计算。

代码库: https://github.com/MITgcm/xmitgcm

文档: https://xmitgcm.readthedocs.io/en/latest/

博客: https://medium.com/pangeo/petaby ... portal-81e3c5e077be

为了使二进制数据方便利用，Ryan Abernathey等开发了xmitgcm的python包，其中llcreader用于读取这些二进制文件。该模块使用xarray和dask从ECCO数据门户网站在线访问数据，使模式大数据的操作变得轻而易举。

海面温度读取示例

以海面温度读取为例，展示其基本操作。用到了如下库：

• • xmitgcm: 提供llcreader
• • xarray: 基本数据结构和操作
• • dask: 大数据并行和lazy计算
• • sholoviews: 交互式的图像展示
  

1 导入库
& ^. x2 N7 u7 ?
1 b! {  Z( X* Q% O$ Pimport xmitgcm.llcreader as llcreader
, p1 T! P- ]( l) C  |' T%matplotlib inline
import holoviews as hv
from holoviews.operation.datashader import regrid
hv.extension('bokeh')

2 初始化

这里我们使用LLC4320模式数据：

model = llcreader.ECCOPortalLLC4320Model()
' n" a- o0 r. I  Tmodel

根据数据分辨率和来源，llcreader 可用模块有：

• • llcreader.ECCOPortalLLC2160Model: LLC2160 accessed via ECCO data portal
• • llcreader.ECCOPortal LLC4320Model: LLC4320 accessed via ECCO data portal
• • llcreader.PleiadesLLC2160Model: LLC2160 accessed on Pleaides filesystem
• • llcreader.PleiadesLLC4320Model: LLC4320 accessed on Pleaides filesystem
• • llcreader.CRIOSPortalASTE270Model: ASTE Release 1 accessed via AWS
• • llcreader.SverdrupASTE270Model: ASTE Release 1 accessed on Sverdrup filesystem at UT Austin
  

3 海表温度参数设置

ds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon')
  F/ X) Q1 ^; ^' E) V6 L1 g* l3 jds_sst

这里的Theta是模式中固有的海表温度名称。这一行程序执行的lazy模式，数据并没有存储在本地内存，也不会进行计算。该变量的大小接近10T。

ds_sst.nbytes / 1e12

9.257148163328

如果想查看其他变量的名称：

print(model.varnames)

['Eta', 'KPPhbl', 'oceFWflx', 'oceQnet', 'oceQsw', 'oceSflux', 'oceTAUX', 'oceTAUY', 'PhiBot', 'Salt', 'SIarea', 'SIheff', 'SIhsalt', 'SIhsnow', 'SIuice', 'SIvice', 'Theta', 'U', 'V', 'W']

比如Eta表示海面高度，U,V,W为速度。

get_dataset模块的全部参数设置为

get_dataset(varnames=None, iter_start=None, iter_stop=None, iter_step=None, iters=None, k_levels=None, k_chunksize=1, type='faces', read_grid=True, grid_vars_to_coords=True)

常见操作有：

• • ds = model.get_dataset(varnames=['Eta'])
• • ds = model.get_dataset(varnames=['Salt', 'Theta'], k_levels=[1, 10, 40])
• • ds = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon')
  1 W# n, r9 m; Z3 m6 x( c  F

参考：https://xmitgcm.readthedocs.io/e ... LCModel.get_dataset

4 动态交互可视化
+ R; s4 y% q% v  j% D3 n
dataset = hv.Dataset(ds_sst.Theta.isel(k=0).astype('f4'))
) T0 a9 t" d5 ~2 W3 R5 Jhv_im = (dataset.to(hv.Image, ['i', 'j'], dynamic=True)
                .options(cmap='Magma', width=950, height=600, colorbar=True))

; u6 }* r" Z2 X1 a7 u%output holomap='scrubber' fps=3
) R3 N# o2 Z8 ^' a3 `5 L7 N. S! wregrid(hv_im, precompute=True)

上图是南非Aghulhas Rings，可以看到强大的洋流和丰富的中小尺度涡旋。下图作为对比是LLC2160的结果，和4320的分辨能力比较有一定差距。

涡度计算示例

下面展示LLC4320涡度计算步骤。

model = llcreader.ECCOPortalLLC4320Model()
: o6 I4 M# z7 u4 Gprint(model)

# volecity
ds = model.get_dataset(varnames=['U', 'V'], k_levels=[0], type='latlon',
! {( w& c8 _9 A3 T& Z                        iter_start=model.iter_start,
                        iter_stop=(model.iter_start + model.iter_step),
                        read_grid=True)
6 M5 V, C: y* g: i: \- h
* z0 R: E3 q- d$ p# Normal gridding
import xgcm
* x; w  N% G1 z% S& agrid = xgcm.Grid(ds, periodic=['X'])
1 ?, J. U6 k+ Y( t0 [
# Calculate vorticity
zeta = (-grid.diff(ds.U * ds.dxC, 'Y', boundary='fill') + grid.diff(ds.V * ds.dyC, 'X'))/ds.rAz
, {1 p- Q/ R/ ^3 O, u, i+ nzeta = zeta.squeeze().rename('vorticity').reset_coords(drop=True)
! z! v! U5 G, ?( ^( D9 L1 Z/ e
7 T8 @, s! I$ _8 `5 N+ g# load data
, x2 {2 X. \8 c6 q3 J' Y4 w; Qzeta.load()
" n  n' w; x; c$ q
# Show
dataset = hv.Dataset(zeta)
hv_im = (dataset.to(hv.Image, ['i_g', 'j_g'])
' n2 t. e0 D! N0 L. G- ]6 {                .options(cmap='RdBu_r', width=950, height=600, colorbar=True, symmetric=True))
2 t5 q7 U7 v' M
regrid(hv_im, precompute=True)

1 u# b, n% e& g& j扩展：云

虽然 ECCO 门户实现了数据自由访问，但它的带宽有限，国内用户往往难以正常访问。虽然它适合交互探索，但如果想实际处理PB级别的数据，它可能无法提供足够的网络支持。

商业云存储（例如 Amazon S3 或 Google Cloud Storage）具备两全其美的优势。它既可公开访问，又具有极大的数据处理能力。

目前大量的地学大数据已经存储于云端，并可以通过Pangeo进行操作，这其中就包含LLC4320模式。

后面我将介绍云计算平台Pangeo。

: A+ l' d' C* G$ p7 @0 U- a9 f
- f' E8 [/ ]9 \0 R

1 ]& C: n% m0 X" z% M" V
' Z. p" o7 f6 r. |0 j