气象数据Grib及Python绘图

文章较长，却将全部常见的气象数据类型进行了具体的介绍，对各种方法的优劣势进行了具体分析，相信对于阅读者来说会有一定水平的资助
目次
GRIB
数据格式简介
使用Python处理Grib文件
法1：使用pygrib库
法2：使用cfgrib库
 pygrib库与cfgrib库的区别与各自的上风
使用建议

---

GRIB

数据格式简介

GRIB(General Regularly distributed Information in Binary form)，是由天下气象组织（WMO）计划和维护的一种用于存储和传输网格数据的标准数据格式，它是一种自形貌的二进制压缩格式，通常具有扩展名.grib，.grb或.gb。
天下气象组织一共发布了3各版本的GRIB标准：

• GRIB 版本 0: 已淘汰，无技术支持，目前几乎不再使用。
  
• GRIB 版本 1: 版本1是GRIB的历史遗留版本，已克制开辟。由于它已在国际民航组织（ICAO）的天下范围预告系统中使用，因此仍得到WMO的认可。
  
• GRIB 版本 2: 版本2格式是GRIB标准的扩展和强化，它与版本1相比在压缩比等性能上有更优秀的表现。一些国家的数值天气预告机构（尤其是美国和欧洲）正在逐步采取此版本，版本2不能与版本1兼容。
  

GRIB数据格式是以一个被称为“报文”(Message)的数据结构为根本单元的集合体。每个“报文”中会存储一套经纬度、变量数组以及全部形貌性的属性信息，而每个GRIB文件里会按顺序分列存储多个“报文”。
使用Python处理Grib文件

法1：使用pygrib库

1. In [1]: import pygrib
3. In [2]: msgs = pygrib.open('./20180930-fc-sfc.grib')
5. In [3]: msg1 = msgs[1]
7. In [4]: msg1
8. Out[4]: 1:Surface pressure:Pa (instant):regular_ll:surface:level 0:fcst time 0 hrs:from 201809301200
10. In [5]: msg1.keys()    # 查看所有关键字，此处列出的关键字都可以作为select的过滤条件
11. Out[5]:
12. ['globalDomain',
13. 'GRIBEditionNumber',
14. 'eps',
15. ...
16. 'section5Length',
17. 'analDate',
18. 'validDate']
20. In [6]: msg1.shortName   # 查看shortName
21. Out[6]: 'sp'
23. In [10]: msg1.name    # 查看name
24. Out[10]: 'Surface pressure'
26. In [17]: lats, lons = msg1.latlons()   # 提取经纬坐标
28. In [21]: array = msg1.values    # 提取变量值
30. In [23]: tps = msgs.select(shortName='tp')   # 选出所有shortName为tp的报文

复制代码

法2：使用cfgrib库

为了可以或许更好的进行数据分析与可视化，请同时安装好numpy、pandas和matplotlib等常用库。
打开GRIB文件：

1. ds = cfgrib.open_file('example.grib')

复制代码

此处的open_file函数将GRIB文件加载为一个xarray.Dataset对象，该对象类似于Pandas的DataFrame，但专为多维数组计划，非常适合处理气象数据。
使用函数打开对应的文件后，就可以进行后续处理
提取特定变量：

1. temperature = ds['t']  # 提取温度变量

复制代码

 数据切片与索引：

1. # 提取特定时间和层次的温度数据
2. temp_slice = temperature.sel(time='2023-01-01', level=500)

复制代码

数据可视化：
数据可视化是明白和传达气象信息的关键步调。利用matplotlib库，可以轻松地将GRIB数据绘制成图表。

1. import matplotlib.pyplot as plt
2. # 绘制温度场
3. temp_slice.plot()
4. plt.title('Temperature at 500 hPa on 2023-01-01')
5. plt.show()

复制代码

CFGrib不仅支持根本的数据读取和可视化，还提供了一些高级功能，如丰富的数据处理功能。
 数据聚合：

1. # 计算某区域内的平均温度
2. mean_temp = temperature.sel(latitude=slice(30, 60), longitude=slice(120, 150)).mean(dim=['latitude', 'longitude'])

复制代码

 单位转换：

1. # 将温度从K转换为°C
2. temperature_c = temperature - 273.15

复制代码

写入GRIB文件：
除了读取，CFGrib也支持将处理后的数据重新写入GRIB格式，便于数据的存储和交换。

1. # 将处理后的温度数据写入新文件
2. temperature_c.to_grib('processed_temperature.grib')

复制代码

 pygrib库与cfgrib库的区别与各自的上风

二者均是用于读取和处理 GRIB 格式的数据文件。
pygrib

• 概述
  
  
  
  • 基于 GRIB API (现为 ECMWF ecCodes) 的 Python 接口。
    
  • 提供对 GRIB 文件的全面支持，包括各种 GRIB 文件版本（GRIB1 和 GRIB2）。
    
  
  
• 优点
  
  
  
  • 灵活性：可以正确访问 GRIB 文件中的元数据和数据字段。
    
  • 具体的元数据支持：可以轻松提取关于每个 GRIB 消息的具体元数据，如时间、经纬度网格、变量名称等。
    
  • 广泛支持：支持读取几乎全部 GRIB 文件，兼容性较强。
    
  
  
• 实用场景
  
  
  
  • 须要具体访问和操作 GRIB 文件中的元数据。
    
  • 须要处理复杂的 GRIB 数据，例如气象模型输出或观测数据。
    
  • 须要逐条读取 GRIB 消息。
    
  
  
• 局限性
  
  
  
  • API 比较底层，操作起来可能须要更多代码和明白 GRIB 的知识。
    
  • 与现代科学计算工具（如 xarray）的集成较弱。
    
  
  

---

cfgrib

• 概述
  
  
  
  • 基于 ECMWF ecCodes，专为将 GRIB 文件加载为 xarray.Dataset 对象而计划。
    
  • 遵照 CF 元数据约定，便于与其他气象或气候数据工具集成。
    
  
  
• 优点
  
  
  
  • 集成性强：直接将 GRIB 文件转换为 xarray.Dataset，方便进行科学计算和可视化。
    
  • 面向科学计算：与 xarray 和 dask 的无缝集成，支持并行计算和耽误加载。
    
  • 简化操作：对用户屏蔽了 GRIB 文件的复杂性，便于快速使用。
    
  
  
• 实用场景
  
  
  
  • 科学分析和研究，特别是基于 xarray 的气象或气候数据处理。
    
  • 不须要具体操作 GRIB 文件的元数据，只须要直接加载变量。
    
  
  
• 局限性
  
  
  
  • 功能有限：不支持全部 GRIB 文件，主要支持以 GRIB2 格式保存的气象数据（如 ECMWF 的 GRIB 数据）。
    
  • 灵活性较低：对 GRIB 文件中的元数据访问不如 pygrib 灵活。
    
  • 依赖 CF 约定：对不完全服从 CF 标准的 GRIB 文件可能处理不当。
    
  
  

使用建议

• 如果你的工作须要具体操作 GRIB 文件或分析元数据，保举使用 pygrib。
  
• 如果你的工作专注于科学计算和分析，特别是须要使用 xarray 生态系统，保举使用 cfgrib。
  

结合两者使用也不失为一种高效的方法，例如，使用 pygrib 提取特定消息并相识文件结构，使用 cfgrib 进行数据分析和可视化。




NCL以及Grib

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。