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：

6 X0 g( n3 G( h3 ?% F) G$ I* k  V

• • 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。
  

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。
. i* K5 t3 ^, S7 q  E0 t! Q! }

$ T" Y1 N* @3 {+ }

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。

5 r! Z5 D' ~8 s. b

海面温度读取示例
# b2 o6 u0 f* f' J  k

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
1 c  I! G, g( L/ X# O' Q
# _/ s6 {" z* k! jimport xmitgcm.llcreader as llcreader
%matplotlib inline
import holoviews as hv
, O4 V# P) V9 M* d- F+ Ofrom 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()
+ w9 r0 T8 B) D* a9 Vmodel

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
. n; \9 E( ?& Q' f! P$ ?/ N8 Q
7 r5 s) _) R5 _( ~9 B5 zds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon')
& [4 L! u3 {/ a; ]7 v) Z# p- u. ]ds_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')
  0 [7 a5 J( y  R1 ]* n

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

, n7 m/ z4 h+ O3 [7 f1 [2 m2 N

4 动态交互可视化
3 o' E* G# p9 h5 Y9 D5 n
dataset = hv.Dataset(ds_sst.Theta.isel(k=0).astype('f4'))
! W- Y* [5 X: s0 _4 J% Vhv_im = (dataset.to(hv.Image, ['i', 'j'], dynamic=True)
                .options(cmap='Magma', width=950, height=600, colorbar=True))
' @8 p+ {$ ~4 m  b2 d; j  t, L9 l
%output holomap='scrubber' fps=3
7 K3 ]+ G# B# B4 E' \' i; xregrid(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()
print(model)
; Q; @0 m1 z, W9 N6 l' C7 B
3 u+ j1 X, O% w# volecity
1 f' @6 C) J! N# rds = model.get_dataset(varnames=['U', 'V'], k_levels=[0], type='latlon',
5 B# @" B, P' A( C+ L                        iter_start=model.iter_start,
                        iter_stop=(model.iter_start + model.iter_step),
                        read_grid=True)

* e9 c. q5 e9 }# Normal gridding
import xgcm
grid = xgcm.Grid(ds, periodic=['X'])

1 T, x' M5 ^+ f: P# Calculate vorticity
zeta = (-grid.diff(ds.U * ds.dxC, 'Y', boundary='fill') + grid.diff(ds.V * ds.dyC, 'X'))/ds.rAz
, @( G! {3 P+ c0 P6 q3 U& ?9 s; o5 Uzeta = zeta.squeeze().rename('vorticity').reset_coords(drop=True)

# load data
zeta.load()
, k7 e5 p6 T0 O$ H/ e
. n$ t/ U* [4 W/ E3 M& s# Show
3 q; y6 y$ N; O3 ^4 A& Idataset = hv.Dataset(zeta)
hv_im = (dataset.to(hv.Image, ['i_g', 'j_g'])
                .options(cmap='RdBu_r', width=950, height=600, colorbar=True, symmetric=True))
; D7 ]2 u! \7 J' M
5 X3 M/ G% t8 |1 iregrid(hv_im, precompute=True)

5 C- W8 j4 a5 d. p1 `7 P, m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。

# m+ r" F% e8 F; Z) ]9 u
# r" s: `' Y1 B8 Y


5 {1 {  G) g7 Y9 A# g- A