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
1 ?/ |9 a* ?/ X2 s) Y
本节先介绍怎么通过LLCreader将数据下载本地，并使用GMT绘图。
( D7 w! L! I1 M7 ^. q5 D
步骤加载llcreader
$ n( A8 S+ ?# i0 Pimport xmitgcm.llcreader as llcreader9 V+ M3 {4 ^4 F9 B8 [. A& @: f! Z
9 ]" f9 l# X- 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()
/ w) N) D9 x$ p$ X" ?$ {3 A: i3 R+ c
ds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon',
5 |" b& J. \! Z1 N8 ^ iter_start=model.iter_start,5 n; ?" n6 w; \2 {/ f+ @; A- C
iter_stop=(model.iter_start + model.iter_step),
& y: j8 D: D3 `# }# u5 F) M read_grid=True)6 H K8 @3 I0 d+ @$ E8 P; E
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。
$ R- C/ |1 }# m( b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)。 & |- E$ y/ ~: |) g4 ~
绘图查看
& W" |. x( {( w) Z* } f7 f: j. A6 F- @
: X8 V0 f, ~$ Q+ Z$ L$ dtemp.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。
( R; J, D `0 V
保存 .to_netcdf(): ?9 ]7 O' Y9 s% `8 `* k
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. I( F' C8 A F0 K, X: Y
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？
5 v3 _8 V& ^- b6 h- e3 q1 f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。
6 |. [* B7 l* p7 {; N& _$ ?/ S" D3 b9 Y2 d' 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)
+ I( U6 s0 ~4 T" `* uds_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')
9 m% j- Y7 p1 V5 W7 l& L8 r; 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。
+ v/ J0 F8 v# K! e, K/ v' ~8 O" T
GMT绘图
2 Y) W, g" T. ?0 hGMT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
. `' F% B+ _+ Z2 Q2 Y. r gmt set MAP_ANNOT_OBLIQUE 0
) L# O0 @* A2 i2 @6 J" Q gmt subplot begin 2x1 -A+JTL -Fs16c/10c -M0 -R1000/2000/2500/3500 -JX15/13c -B100 -T"Aghulhas Rings"
2 \* H4 J; L) z& D gmt subplot set 0,0 -Ce3c
^' q' C0 V# |2 k4 E gmt grd2cpt myfile3.nc?Theta -Cjet -Z
5 z+ p, H8 @1 j ~" R& H% m; \ gmt grdimage myfile3.nc?Theta -I+a90 [6 J( i, n' x5 l% \
gmt colorbar -DJRM+o1.5c/0+mc -I0.3 -Bx2+lTheta -By+ldegree2 L0 H1 V9 k9 n( u& b# y
2 S% n& U; {3 Z/ q% r& e8 l gmt subplot set 1,0 -Ce3c, T$ g% |+ X6 z l$ n7 {
gmt grd2cpt myfile4.nc?Theta -Crainbow -Z
]6 [" ~6 d6 W Y- k9 m; I gmt grdimage myfile4.nc?Theta
0 B2 z& p$ j M8 ]$ a9 b0 E" G& H gmt colorbar -DJRM+o1.5c/0+e+mc -Bx2+lTheta -By+ldegree; {" G& \1 M! n$ j, T
gmt subplot end
5 ?$ W7 F/ o3 \4 c" Rgmt end show & E9 F) R( [3 l1 q. W
台湾海域下节预告- • 范围的筛选
- • 时间维度的连续导出- Q6 h/ I# [, W7 R2 S/ f) \0 r7 X
* F/ q4 P! p# z/ Q | 
