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+ W1 {. }1 I, J1 ]3 b' n3 P$ i
本节先介绍怎么通过LLCreader将数据下载本地，并使用GMT绘图。
% F8 _" U' G7 y9 y s
步骤加载llcreader
1 Y4 Z- g% L( e5 R) ?" e, Q( E" yimport xmitgcm.llcreader as llcreader, ?$ f) e! ^9 e+ ?+ @5 y# k
4 D/ w; Y* X# D" d+ @1 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()& n% \5 X- q+ K h
# Y0 ~! B; W+ Q; j
ds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon',
! f; K+ L6 s5 ]1 }$ d" G iter_start=model.iter_start,
7 H2 g0 S6 I3 i2 @2 J iter_stop=(model.iter_start + model.iter_step),1 S8 V+ T7 i4 D- b
read_grid=True)
& M0 N: |' L B( B- d( ]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。 |# {) l4 e* O3 l* T2 P
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)。 5 F- K1 T5 ?/ H5 o8 \, ?
绘图查看1 f t2 h: w+ R7 _+ m1 y2 z O
3 R7 {5 A6 H+ F% O8 p. L; Z1 {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。 - E6 D8 s) r; P
保存 .to_netcdf()3 ` T4 Z" N5 ]$ M( s
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
+ u' i( d; G4 s7 q, f+ G8 {1 e0 K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？ . w/ [- X9 |- }0 [: A
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。
5 @ ?5 K9 `3 ^' S2 J9 @! \8 g1 X2 u' z6 t4 k- F4 J* U8 B% T
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)
& a; B4 \0 W$ g9 Vds_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')" N2 l# ], C4 k7 O4 I
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。
0 s' n. `% H: S% v
GMT绘图! c# d$ W9 G' N+ }& |: i
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
1 ]5 G) E) B5 B% v gmt set MAP_ANNOT_OBLIQUE 0
# }0 Q$ D. T0 X {$ X gmt subplot begin 2x1 -A+JTL -Fs16c/10c -M0 -R1000/2000/2500/3500 -JX15/13c -B100 -T"Aghulhas Rings"- m) V. s4 t" w# R
gmt subplot set 0,0 -Ce3c+ a& I. n" A: L
gmt grd2cpt myfile3.nc?Theta -Cjet -Z/ H3 P1 W: \% T. G7 ]
gmt grdimage myfile3.nc?Theta -I+a90
; ]7 n) s4 D) `7 _$ G9 f$ [6 r gmt colorbar -DJRM+o1.5c/0+mc -I0.3 -Bx2+lTheta -By+ldegree
, ~; J" `. T* O8 D, Z( N1 {8 A" f' Q' S @6 P. z1 S j( t, Y- |
gmt subplot set 1,0 -Ce3c0 U0 s7 ]' a3 Z1 ]1 b
gmt grd2cpt myfile4.nc?Theta -Crainbow -Z
% P) B$ n' P3 j gmt grdimage myfile4.nc?Theta, \% \3 v5 D+ W6 l% d
gmt colorbar -DJRM+o1.5c/0+e+mc -Bx2+lTheta -By+ldegree
% V7 y1 f/ r+ P: G/ s gmt subplot end
& P/ M9 r1 A6 T( Ogmt end show 2 \! z# |, [' y% i2 U9 @8 Z/ x2 h6 I1 z
台湾海域下节预告- • 范围的筛选
- • 时间维度的连续导出
1 \+ X6 T2 W! f8 N x2 q, Q
6 B# F& j' d5 P* h' n1 _/ M | 
