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
, c4 d+ L( Z" N& `/ }* o; S
本节先介绍怎么通过LLCreader将数据下载本地，并使用GMT绘图。
. I5 m# L% _& W8 \- \) T4 x
步骤加载llcreader
$ J6 d0 C3 |# J$ V# R7 h# Mimport xmitgcm.llcreader as llcreader
3 z3 @9 y* B3 C% B) x! L+ C) j4 T2 i5 c E5 g8 G! N$ ]( b; I
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()
% M1 n( S* N! K! T# i7 b: q, o% N8 J- N( _: M: W
ds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon',
' P# @( }4 o7 H) Y iter_start=model.iter_start,
9 S2 j; U) ~& Q' K& d iter_stop=(model.iter_start + model.iter_step),
( ?. @1 J1 V( ] read_grid=True)
' b6 K$ y& c' I8 ^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。 % y5 x6 t) W' l1 f; _3 x: A2 i
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)。 ! Y4 T+ Q0 y$ a1 Z
绘图查看" m# e1 j( p, W( @ Z, @
U1 J6 m* i4 }: d; 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。
+ H$ ?+ S1 v, q, U ?% m: d9 {& n" H# a
保存 .to_netcdf()) c- {+ R s9 ~. J, M
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
- k( L( j' Z% H2 p5 E) F0 C; h, R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？
) q2 y3 O8 H: U# C K6 J0 y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。
" ] Y& _ R2 {, L+ J# C, X- G6 u2 b% W" T+ o' b! P' o! y$ K4 O
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)
! i5 r: l% N9 ?" |# Bds_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'), |. v- t/ I" B8 u% i5 w8 w$ u
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。 9 ?7 v6 i$ ^) q
GMT绘图1 n; o; l; c# S! M W7 C
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
8 o! I, N% s. \6 W0 ] gmt set MAP_ANNOT_OBLIQUE 0% w( z9 R$ d$ U/ l
gmt subplot begin 2x1 -A+JTL -Fs16c/10c -M0 -R1000/2000/2500/3500 -JX15/13c -B100 -T"Aghulhas Rings"/ j2 R. B+ k8 H( u! U, @/ I
gmt subplot set 0,0 -Ce3c1 V' E8 z4 W; ]0 v4 i: K
gmt grd2cpt myfile3.nc?Theta -Cjet -Z
7 |) P7 G' B' j- b gmt grdimage myfile3.nc?Theta -I+a90 3 O. m! K/ v+ B( W6 @/ _
gmt colorbar -DJRM+o1.5c/0+mc -I0.3 -Bx2+lTheta -By+ldegree9 H. z9 m1 Y3 C2 H
: F( S1 R; w' V
gmt subplot set 1,0 -Ce3c |* `4 ?! r: W0 z
gmt grd2cpt myfile4.nc?Theta -Crainbow -Z
m8 h1 g( ^3 a& ]! l* i; y$ Z gmt grdimage myfile4.nc?Theta' `% F" r% g* E$ r7 {* f' L- b
gmt colorbar -DJRM+o1.5c/0+e+mc -Bx2+lTheta -By+ldegree5 m6 t( o, y& X) p9 A
gmt subplot end
: m/ F. b1 H5 P3 w) Tgmt end show . d2 `: j! s: J. o& s: x, H2 w& G, f
台湾海域下节预告- • 范围的筛选
- • 时间维度的连续导出 x g5 Y+ @' D. |: o
0 C: f8 X1 R) R$ B7 S8 S) T | 
