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8 b6 r8 s, f2 H( T
本节先介绍怎么通过LLCreader将数据下载本地，并使用GMT绘图。
4 G( M [1 D" I, S# Z1 M" A
步骤加载llcreader
* S" _, f1 w- D# E4 Fimport xmitgcm.llcreader as llcreader: f, ?6 g. D/ h
& ~; {$ l( h0 H3 h
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()! i0 @% p* \1 R& \0 J& D
+ D) u9 l2 |7 c4 `4 Zds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon',
' U) R/ H- s$ N% D* k; s' h* w/ ^ iter_start=model.iter_start,
3 a2 ^% J# N, h! _4 o' M" | iter_stop=(model.iter_start + model.iter_step),
3 Z z9 M8 d9 b( C4 |; D read_grid=True)
" z" T! I/ k& J, I% u; w/ \! o: Nds_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。 . v# C4 [' l5 v9 O1 M; ` |7 g5 `
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)。 . Q2 E; L! w2 X7 ^/ W
绘图查看
! M1 z; e/ u) q8 p2 R. I" {: I4 w* y6 n/ U9 S. n9 o
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。 % t k' u! V8 v/ w+ h- f
保存 .to_netcdf()
# e+ e5 O0 S: g+ d' V) }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
/ j( U& o, u6 N6 m, T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？ } E* X7 \; Z) U4 U2 }8 t5 o
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+ ^7 t- j } L
# W5 p+ p3 j$ \2 G+ F
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)
1 C6 ]' `8 E! u/ Cds_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')% h8 t( D4 `2 _8 J
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。
8 b$ P+ @! t2 z a2 Q
GMT绘图: n; [5 [5 J) g& S! R5 S
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
9 |7 Q3 j4 q6 g# \" d, D: k) G K9 | gmt set MAP_ANNOT_OBLIQUE 0
6 }0 z+ H5 @# i" R gmt subplot begin 2x1 -A+JTL -Fs16c/10c -M0 -R1000/2000/2500/3500 -JX15/13c -B100 -T"Aghulhas Rings"# Y3 Y* H4 h" _* }
gmt subplot set 0,0 -Ce3c
; y Y7 |) _/ g2 u5 s4 m9 U: ` gmt grd2cpt myfile3.nc?Theta -Cjet -Z: \& B1 f: \% F; r( X
gmt grdimage myfile3.nc?Theta -I+a90
; X8 u% ?0 g7 ^! C% w& O" n, z gmt colorbar -DJRM+o1.5c/0+mc -I0.3 -Bx2+lTheta -By+ldegree% J1 Y& I) ]7 x; |! {! G. ~; P5 c
* P7 I# k4 u0 t% j& x: N: ]& S3 _
gmt subplot set 1,0 -Ce3c+ ]- Y6 V& }8 F. u- J0 }
gmt grd2cpt myfile4.nc?Theta -Crainbow -Z
; @: I1 l% ~( j) B$ e gmt grdimage myfile4.nc?Theta1 n8 M0 Y, z% t9 M+ m
gmt colorbar -DJRM+o1.5c/0+e+mc -Bx2+lTheta -By+ldegree" \. C) _8 B2 K1 t, |
gmt subplot end3 W5 M$ R8 g7 W+ x5 T$ b3 v, D
gmt end show ) \) v* U" D- Q, E# A! Q5 @ p
台湾海域下节预告- • 范围的筛选
- • 时间维度的连续导出
8 F$ \. A! ?% s- i* q* p3 @5 r
/ z. M6 H7 f C- `# O. ~, @ | 
