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
/ k) ?, G2 q) w& t0 [
本节先介绍怎么通过LLCreader将数据下载本地，并使用GMT绘图。 + d* O8 z, \) o, f5 ^
步骤加载llcreader$ J6 i6 v9 ]9 U+ W2 \
import xmitgcm.llcreader as llcreader
2 N( k: J. n8 z; L3 }( B) k
" {: {6 z% e9 ^: R* N H3 V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()* L0 Z8 @0 |6 D1 \
( c: x8 P# m2 @8 Tds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon',/ }6 q/ |. f" |' n
iter_start=model.iter_start,
8 q/ E$ i% [9 [& U w5 m: q# E2 E5 l iter_stop=(model.iter_start + model.iter_step),( T+ J+ ^# ` U- z% S7 G+ X {
read_grid=True)# l) |1 G& {' e: t, `
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。 # \* u/ }; N: o% z u( h
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)。
& q$ P/ T: U% s9 M
绘图查看
% G+ c! f* ?; m+ ~+ q* D! R: h" Q m0 @7 q
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。
! B0 M( O2 R9 E2 c* D
保存 .to_netcdf()
) g9 N' w) x2 gto_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/ j( P8 ^4 a+ ~' j
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？
* M* {2 S* @/ e& G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。$ ^- ~- I, d( d$ A( N/ h- m
0 D s7 E) j- A$ X+ Q' 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)( Q5 t( @6 v2 l) V+ z
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')
3 o/ Q& C7 r, _2 A0 dds_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。 : b5 h; X" o d0 Z" W
GMT绘图. J2 @7 i% q& W0 U0 ~ |/ ~
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 png3 M( A% X# o$ _+ |9 ?* _% m9 A2 i
gmt set MAP_ANNOT_OBLIQUE 0* K& z) \% Q0 c4 N4 [( ?/ i
gmt subplot begin 2x1 -A+JTL -Fs16c/10c -M0 -R1000/2000/2500/3500 -JX15/13c -B100 -T"Aghulhas Rings"
) k2 u' g1 p! P# v gmt subplot set 0,0 -Ce3c
8 S$ | ]6 D1 F T; j gmt grd2cpt myfile3.nc?Theta -Cjet -Z
" g1 W7 W P& z# G ?+ U" y B gmt grdimage myfile3.nc?Theta -I+a90
1 w5 g: C1 J; x% l! |1 s gmt colorbar -DJRM+o1.5c/0+mc -I0.3 -Bx2+lTheta -By+ldegree
7 R0 R, {6 \; l- k1 v b$ Y- ]7 G, v# @: W- q" ], p
gmt subplot set 1,0 -Ce3c' s* _9 E0 I0 b3 n: \
gmt grd2cpt myfile4.nc?Theta -Crainbow -Z& _2 I% B* {" g. S/ A$ F. q8 Z1 c1 ]
gmt grdimage myfile4.nc?Theta; S4 n' f4 ]- q+ e# d9 A) M w3 [
gmt colorbar -DJRM+o1.5c/0+e+mc -Bx2+lTheta -By+ldegree0 |" j/ I8 S) L- m
gmt subplot end+ P# O" S. D% Q. x
gmt end show 5 K4 q" e: r9 E c
台湾海域下节预告- • 范围的筛选
- • 时间维度的连续导出; ?1 Q3 l, B" R$ F- c; Y
: I% I) v# @3 v5 W9 y' b2 d5 Y! P | 
