如何使用Python對NetCDF數據做空間相關分析

引言:我一直想理解空間相關分析的計算思維,於是今天又拿起Python腳本和數據來做練習。首先需要說明的是,這次實驗的數據和Python腳本均來自於[好久不見]大佬,在跟大佬說明之後,允許我寫到公眾號來與大傢共享,在此對大佬的指點表示感謝,這次實驗的腳本可在氣象傢園或簡書app(如果沒記錯的話)搜索到這次實驗的相關內容,也可以微信或者後臺發消息給我獲取。在此之前我覺得自己還沒理解這個方法的計算思維,檢驗的標準就是我能否迅速運用到其他方面。於是今天又重新回來溫習一遍,我把自己的理解與大夥共同交流。

首先,數據的格式是NetCDF(.nc)數據,兩個數據分別是[哈德來中心海溫sst數據,pc數據是對東太平洋SSTA做的EOF獲取]。知道數據信息之後我們就準備開始去運行程序。原始腳本包括瞭回歸分析和相關分析兩部分,但是今天我做瞭空間相關分析這一部分,有興趣的可以到[好久不見]大佬的氣象傢園閱讀喔!如果還沒有安裝Cartopy包的話請在後臺聯系我喔

為瞭方便理解每一步,我選擇去Jupyter運行,因為可以一段一段程序的運行,這是比較方便的。繪圖部分並不是很難,關鍵還是在於數據預處理部分。

空間相關分析的腳本如下:

import numpy as np #數值計算用,如相關系數
import xarray as xr #讀取.nc文件用
from sklearn.feature_selection import f_regression #做顯著性檢驗
import matplotlib.pyplot as plt #繪制和展示圖形用
import cartopy.crs as ccrs #繪制地圖用,如果沒有安裝好的話,請在後臺聯系我
import cartopy.feature as cfeature #添加一些矢量用,這裡沒用到,因為我沒數據
from cartopy.mpl.ticker import LongitudeFormatter, LatitudeFormatter #經緯度格式設置
import cmaps #ncl的color,如果沒有的話,請聯系我,也可以在氣象傢園找到

#使用上下文管理器讀取.nc數據,並提取數據中的變量,可以提前用NASA的panoply這個軟件查看.nc信息
with xr.open_dataset(r'D:\inuyasha\codeX\codeLEARN\sst.DJF.mean.anom.nc') as f1:
      pre = f1['sst_anom'][:-1, :, :]  # 三維數據全取,時間,緯度+經度
      lat, lon = f1['lat'], f1['lon'] #提取經緯度,後面格網化需要用到
pre2d = np.array(pre).reshape(pre.shape[0], pre.shape[1]*pre.shape[2])
#0表示行個數,1列代表的個數,2經度代表個數
with xr.open_dataset(r'D:\inuyasha\codeX\codeLEARN\pc.DJF.sst.nc') as f2:
      pc = f2['pc'][0, :]

# 相關系數計算
pre_cor = np.corrcoef(pre2d.T, pc)[:-1, -1].reshape(len(lat), len(lon))

# 做顯著性檢驗
pre_cor_sig = f_regression(np.nan_to_num(pre2d), pc)[1].reshape(len(lat), len(lon))#用0代替NaN
area = np.where(pre_cor_sig < 0.05)
# numpy的作用又來瞭 
nx, ny = np.meshgrid(lon, lat)  
# 格網化經緯度,打印出來看看就知道為什麼要這麼做瞭
plt.figure(figsize=(16, 8)) #創建一個空畫佈
#讓colorbar字體設置為新羅馬字符
plt.rcParams['font.family'] = 'Times New Roman'
plt.rcParams['font.size'] = 16

ax2 = plt.subplot(projection=ccrs.PlateCarree(central_longitude=180))
# 在畫佈上繪圖,這個叫axes,這不是坐標軸喔
ax2.coastlines(lw=0.4)
ax2.set_global()
c2 = ax2.contourf(nx, ny, pre_cor, extend='both', cmap=cmaps.nrl_sirkes, transform=ccrs.PlateCarree())
plt.colorbar(c2,fraction=0.05,orientation='horizontal', shrink=0.4, pad=0.06)
# extend關鍵字設置colorbar的形狀,both為兩端尖的,pad是距離主圖的距離,其他參數web搜索

# 顯著性打點
sig2 = ax2.scatter(nx[area], ny[area], marker='+', s=1, c='k', alpha=0.6, transform=ccrs.PlateCarree())
# 凸顯顯著性區域
plt.title('Correlation Analysis', fontdict={'family' : 'Times New Roman', 'size'   : 16})
#標題字體也修改為新羅馬字符,數字和因為建議都用新羅馬字符
ax2.set_xticks(np.arange(0, 361, 30),crs=ccrs.PlateCarree())
# 經度范圍設置,nunpy的作用這不就又來瞭嘛
plt.xticks(fontproperties = 'Times New Roman',size=16) #修改xy刻度字體為新羅馬字符
plt.yticks(fontproperties = 'Times New Roman',size=16)
ax2.set_yticks(np.arange(-90, 90, 15),crs=ccrs.PlateCarree())
# 設置y
ax2.xaxis.set_major_formatter(LongitudeFormatter(zero_direction_label = False))#經度0度不加東西
ax2.yaxis.set_major_formatter(LatitudeFormatter())
# 設置經緯度格式,就是多少度顯示那樣的,而不是一些數字
ax2.set_extent([-178, 178, -70, 70], crs=ccrs.PlateCarree())
# 設置空間范圍
plt.grid(color='k')
# 畫一個網格吧
plt.show()
# 顯示出圖形

那麼就運行看看效果吧

如果覺得這個color不喜歡的話,就換一下ncl的來吧,ncl的顏色多而漂亮,喜歡啥就換啥

想要理解這個方法的計算思維,有必要觀察原始數據和數據處理之後的樣式,理解瞭數據樣式之後可能更有助於我們理解整個程序

import numpy as np
import xarray as xr
from sklearn.feature_selection import f_regression
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature
from cartopy.mpl.ticker import LongitudeFormatter, LatitudeFormatter
import cmaps

with xr.open_dataset(r'D:\inuyasha\codeX\codeLEARN\sst.DJF.mean.anom.nc') as f1:
      pre = f1['sst_anom'][:-1, :, :]  # 三維數據全取,時間,緯度+經度
      lat, lon = f1['lat'], f1['lon']
pre2d = np.array(pre).reshape(pre.shape[0], pre.shape[1]*pre.shape[2])#0行代表的個數,1緯度,2經度
#pre2d.shape是一個39行,16020列的矩陣,T之後就變為瞭16020行,39列

with xr.open_dataset(r'D:\inuyasha\codeX\codeLEARN\pc.DJF.sst.nc') as f2:
      pc = f2['pc'][0, :]
#pc是一個39行的數組

# # 相關系數
pre_cor = np.corrcoef(pre2d.T, pc)[:-1, -1].reshape(len(lat), len(lon))
#pre_cor.shape,(16020,)->reshape(89,180)
# # 顯著性檢驗

# pre_cor_sig = f_regression(np.nan_to_num(pre2d), pc)[1].reshape(len(lat), len(lon))#用0代替NaN
# area = np.where(pre_cor_sig < 0.05)

nx, ny = np.meshgrid(lon, lat)  # 格網化
nx,ny

看看格網化後的經緯度多規范啊。畫張圖來看看可能也會直觀一些。

好吧,今天的分享就到這裡瞭,理解瞭這個計算思維,能更好地遷移運用到其他研究方面,如果還沒有安裝Cartopy包的話請在後臺聯系我喔,如果需要測試數據和腳本請在後臺聯系我,當然也可以去[好久不見]大佬的主頁。如果覺得這次分享不錯的話,還請老鐵們點個贊,多多分享,歡迎交流學習,感謝各位!

原始資料:

http://bbs.06climate.com/forum.php?mod=viewthread&tid=92816&highlight=%CF%D4%D6%F8%D0%D4%BC%EC%D1%E9%2B%CF%E0%B9%D8%B7%D6%CE%F6

以上就是如何使用Python對NetCDF數據做空間相關分析的詳細內容,更多關於Python對NetCDF數據做空間分析的資料請關註WalkonNet其它相關文章!

推薦閱讀:

    None Found