高分辨率再分析数据-Java 学习之路

当我从netCDF文件重新分析（可变压力（SLP），01/01/2014）中提取数据时，数据的分辨率非常高（9km网格），这使得生成的图像非常嘈杂 . 我想将数据放入较低分辨率的网格（例如1度） . 我正在尝试使用meshgrid和gridata函数，但缺乏经验无法使其工作 . 有谁知道如何解决？谢谢 .

from netCDF4 import Dataset
    import numpy as np
    from scipy.interpolate import griddata
    file = Dataset('slp_2014_01_01.nc', 'r')
    # Printing variables
    print ' '
    print ' '
    print '----------------------------------------------------------'
    for i,variable in enumerate(file.variables):
        print '   '+str(i),variable
        if i == 2:
            current_variable = variable
    print ' '
    print 'Variable: ', current_variable.upper()
    print 'File name:  ', file_name
    lat  = file.variables['lat'][:]
    lon  = file.variables['lon'][:]
    slp = file.variables['slp'][:]

    lon_i = np.linspace(lon[0], lon[len(REANALYSIS_lon)-1], num=len(lon)*2, endpoint=True, retstep=False)    
    lat_i = np.linspace(lat[0], lat[len(lat)-1], num=len(lat)*2, endpoint=True, retstep=False)

    lon_grid, lat_grid = np.meshgrid(lon_i,lat_i)

    temp_slp = np.asarray(slp).squeeze()
    new_slp = temp_slp.reshape(temp_slp.size)

    slp_grid = griddata((lon, lat), new_slp, (lon_grid, lat_grid),method='cubic')

正如我所提到的，我尝试使用meshgrid和datagrid函数，但产生了以下错误：

回溯（最近一次调用最后一次）：文件"REANALYSIS_LOCAL.py"，第346行，在
lon，lat，time，var，variavel_atual = netCDF_builder_local（caminho_netcdf_local，nome_arquivo，dt）文件"REANALYSIS_LOCAL.py"，第143行，在netCDF_builder_local中
slp_grid = griddata（（lon，lat），new_slp，（lon_grid，lat_grid），method = 'cubic'）
文件"/home/carlos/anaconda/lib/python2.7/site-packages/scipy/interpolate/ndgriddata.py"，第182行，在griddata points = _ndim_coords_from_arrays（points）
文件"interpnd.pyx"，第176行，位于scipy.interpolate.interpnd._ndim_coords_from_arrays（scipy / interpolate / interpnd.c：4064）
文件"/home/carlos/anaconda/lib/python2.7/site-packages/numpy/lib/stride_tricks.py"，第101行，在broadcast_arrays中"incompatible dimensions on axis %r."％（轴，））
ValueError：形状不匹配：两个或多个数组在轴0上具有不兼容的尺寸 .

变量的维度是：
lon：（144，）
lat：（73，）
lon_i：（288，）
lat_i：（146，）
lon_grid：（146,288）
lat_grid：（146,288）
new_slp：（10512，）

new_slp中的值为：new_slp：[102485 . 102485. 102485 . ...，100710 . 100710. 100710.]

目的是增加变量（lon，lat和slp）中的值，因为Reanalysis分辨率更高 . 然后，分辨率可能是最详细的（更多点） .

例如：变量lat有点：

原始尺寸变量lat：（73，）
纬度：[90.87.5 85. 82.5 80. 77.5 75. 72.5 70. 67.5 65. 62.5 60. 57.5 55. 52.5 50. 47.5 45. 42.5 40. 37.5 35. 32.5 30. 27.5 25. 22.5 20. 17.5 15 . 12.5 10. 7.5 5. 2.5 0. -2.5 -5 . -7.5 -10 . -12.5 -15 . -17.5 -20 . -22.5 -25 . -27.5 -30 . -32.5 -35 . -37.5 -40 . -42.5 -45 . -47.5 -50 . -52.5 -55 . -57.5 -60 . -62.5 -65 . -67.5 -70 . -72.5 -75 . -77.5 -80 . -82.5 -85 . -87.5 -90 . ]

当我定义代码行时：lat_i = np.linspace（lat [0]，lat [len（lat）-1]，num = len（lat）* 2，endpoint = True，retstep = False）我将值加倍lat变量la_i（146，）

lat _i：[90 . 88.75862069 87.51724138 86.27586207 85.03448276 83.79310345 82.55172414 81.31034483 80.06896552 78.82758621 77.5862069
...
-78.82758621 -80.06896552 -81.31034483 -82.55172414 -83.79310345 -85.03448276 -86.27586207 -87.51724138 -88.75862069 -90 . ]

我需要的想法与此代码中的相同，其中x是lon，y是lat，slp是z .
来自scipy.interpolate import griddata import numpy as np import matplotlib.pyplot as plt

x=np.linspace(1.,10.,20)
y=np.linspace(1.,10.,20)
z=z = np.random.random(20)
xi=np.linspace(1.,10.,40)
yi=np.linspace(1.,10.,40)

X,Y= np.meshgrid(xi,yi)

Z = griddata((x, y), z, (X, Y),method='nearest')

plt.contourf(X,Y,Z)

2 回答

3
根据您的最终目的，您可以使用cdo重新编译整个文件
```
cdo remapbil,r360x180 infile outfile
```
或者只是从原始文件中绘制每个第二或第三个值，如下所示：
```
plt.pcolormesh(lon[::2,::2],lat[::2,::2],var1[::2,::2])
```
您显示的错误消息只是说维度不多，只是在错误出现之前打印变量的形状并尝试使其正常工作 .

为什么你的代码不起作用？您选择的方法需要输入坐标为lon，lat对数据点，而不是网格坐标 . 如果数据点的形状为10000，则坐标必须为形状（10000,2），而不是（100,100） . 但由于griddata适用于非结构化数据，因此无法满足您的需求，我建议使用类似scipy.interpolate.RegularGridInterpolator的内容 .

但无论如何，如果您需要多次使用插值数据，我建议使用cdo创建新的netCDF文件并处理它们，而不是每次运行脚本时插入数据 .
回复于 2024-05-09T22:45:50+08:00

谢谢你的帮助 . 真的，我的问题是关于尺寸 . 我正在学习使用海洋学数据 . 所以，我用这段代码解决了这个问题 .

lonbounds = [25,59]
latbounds = [-10,-33]

#longitude lower and upper index
lonli = np.argmin(np.abs(lon - lonbounds[0]))
lonui = np.argmin(np.abs(lon - lonbounds[1]))  

#latitude lower and upper index
latli = np.argmin(np.abs(lat - latbounds[0]))
latui = np.argmin(np.abs(lat - latbounds[1])) 

#limiting of the interest region/data
lon_f = file.variables['lon'][lonli:lonui]  
lat_f = file.variables['lat'][latli:latui] 
slp_f = file.variables['slp'][0,latli:latui,lonli:lonui] 

#creating a matrix with the filtered data (area to be searched) for use in gridData function of python
lon_f_grid, lat_f_grid = np.meshgrid(lon_f,lat_f)

#adjusting the data (size 1) for use in gridData function of python
lon_f1 = lon_f_grid.reshape(lon_f_grid.size)
lat_f1 = lat_f_grid.reshape(lat_f_grid.size)
slp_f1 = slp_f.reshape(slp_f.size)

#increasing the resolution of data (1000 points) of longitude and latitude for the data to be more refined
lon_r = np.linspace(lon_f[0], lon_f[len(lon_f)-1], num=1000, endpoint=True, retstep=False)
lat_r = np.linspace(lat_f[0], lat_f[len(lat_f)-1], num=1000, endpoint=True, retstep=False)

#creating a matrix with the filtered data (area to be searched) and higher resolution for use in gridData function of python
lon_r_grid, lat_r_grid = np.meshgrid(lon_r,lat_r)

#applying gridata that can be generated since pressure (SLP) with higher resolution.
slp_r = griddata((lon_f1,lat_f1),slp_f1,(lon_r_grid,lat_r_grid),method='cubic')

拥抱，卡洛斯 .

回复于 2024-05-09T22:45:50+08:00

高分辨率再分析数据

2 回答

相关问题