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( B" D' ]# \* E, A
本节先介绍怎么通过LLCreader将数据下载本地，并使用GMT绘图。 1 n' V5 q/ x; j0 B# g/ m
步骤加载llcreader
( S# J/ \/ O3 v9 s) Iimport xmitgcm.llcreader as llcreader
" n- B1 a6 Z) I
: C' p4 j6 N0 ~: ~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()
0 z+ ?9 u, [7 I' ?, o
7 R2 |/ X. j" W$ m$ ]ds_sst = model.get_dataset(varnames=['Theta'], k_levels=[0], type='latlon',( r t2 ]2 R" h# C& K
iter_start=model.iter_start,
4 h. j$ D3 L& ^3 m, Q iter_stop=(model.iter_start + model.iter_step)," c; [/ {9 ?3 j, h2 h
read_grid=True)! y* `, x& \7 y4 m4 P* m2 d; t) K
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。
5 `, i0 t. C- h& s( i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)。 ; J: y* A$ w: P1 i& }; }1 G
绘图查看
4 d, C* v/ u4 ^8 E& l+ u3 m) d
/ _" m$ A: q# E& }$ t) y* b1 Utemp.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。
. R; W' p3 [0 M# c
保存 .to_netcdf()
$ p; I& L, I: d U) k. p0 C9 R4 Jto_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' z) Y( Z9 r& O. q# V
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？
4 A; ~( b5 ?6 y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。
* f$ K/ k# R7 p; Z/ D: n# o( g E# e" h5 r/ s2 ~
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)# D) s; @; S1 x
ds_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')0 x3 {7 O) }8 w5 z* x: \+ 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。
5 q! H' B6 B) d
GMT绘图 F" K" j1 b# f& U* U
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% g9 c+ h, g1 r8 V1 @
gmt set MAP_ANNOT_OBLIQUE 0
0 i6 D' w2 s9 b# ^% ^ gmt subplot begin 2x1 -A+JTL -Fs16c/10c -M0 -R1000/2000/2500/3500 -JX15/13c -B100 -T"Aghulhas Rings"3 s8 N( ~: r7 D0 L. p
gmt subplot set 0,0 -Ce3c
# j' V# E2 w8 x; _/ V' I* b- N9 ?/ K gmt grd2cpt myfile3.nc?Theta -Cjet -Z) A: Y; p0 j3 ~* ~, [
gmt grdimage myfile3.nc?Theta -I+a90 ) w# w- O- l3 \' s; w1 T& j0 M
gmt colorbar -DJRM+o1.5c/0+mc -I0.3 -Bx2+lTheta -By+ldegree; r& Q' Q, K) S+ `1 Y w5 `8 p
) z$ ]1 y8 \+ T8 M8 v& W }
gmt subplot set 1,0 -Ce3c
8 d3 \9 W) D+ P' s" T9 r3 H# q gmt grd2cpt myfile4.nc?Theta -Crainbow -Z
- M- o( w0 A9 I; o' V$ L) t gmt grdimage myfile4.nc?Theta
: @# n4 x& U9 G2 l# B. S H8 q gmt colorbar -DJRM+o1.5c/0+e+mc -Bx2+lTheta -By+ldegree
8 W5 R; {7 l' N gmt subplot end+ P4 o- j8 k7 I2 n# E+ m
gmt end show % f/ g8 J6 @$ U8 S/ Y% r
台湾海域下节预告- • 范围的筛选
- • 时间维度的连续导出1 p/ `( |$ ]4 C8 W/ i3 N: p
( |# U& y( v0 X8 M( R" H Y
| 
