3

我有来自 ERA5 在特定年份的每一天的每小时数据。我想将该数据从每小时转换为每天。我知道做到这一点的漫长而艰难的方法,但我需要一些容易做到的东西。

哥白尼在这里有一个代码https://confluence.ecmwf.int/display/CKB/ERA5%3A+How+to+calculate+daily+total+precipitation,如果数据集只转换一天,它工作正常,但是在全年转换时,我遇到了问题。

下载 ERA5 数据集的链接可在https://cds.climate.copernicus.eu/cdsapp#!/home获得

按照此处的步骤使用哥白尼服务器

https://confluence.ecmwf.int/display/CKB/How+to+download+ERA5

此脚本仅下载 2 天(2017 年 1 月 1 日和 2 日)的 houly 数据:
#!/usr/bin/env python
"""
Save as get-tp.py, then run "python get-tp.py".
  
Input file : None
Output file: tp_20170101-20170102.nc
"""
import cdsapi
 
c = cdsapi.Client()
r = c.retrieve(
    'reanalysis-era5-single-levels', {
            'variable'    : 'total_precipitation',
            'product_type': 'reanalysis',
            'year'        : '2017',
            'month'       : '01',
            'day'         : ['01', '02'],
            'time'        : [
                '00:00','01:00','02:00',
                '03:00','04:00','05:00',
                '06:00','07:00','08:00',
                '09:00','10:00','11:00',
                '12:00','13:00','14:00',
                '15:00','16:00','17:00',
                '18:00','19:00','20:00',
                '21:00','22:00','23:00'
            ],
            'format'      : 'netcdf'
    })
r.download('tp_20170101-20170102.nc')
## Add multiple days and multiple months to donload more data
下面的脚本将只创建一个 netCDF 文件一天
#!/usr/bin/env python
"""
Save as file calculate-daily-tp.py and run "python calculate-daily-tp.py".
  
Input file : tp_20170101-20170102.nc
Output file: daily-tp_20170101.nc
"""
import time, sys
from datetime import datetime, timedelta
 
from netCDF4 import Dataset, date2num, num2date
import numpy as np
 
day = 20170101
d = datetime.strptime(str(day), '%Y%m%d')
f_in = 'tp_%d-%s.nc' % (day, (d + timedelta(days = 1)).strftime('%Y%m%d'))
f_out = 'daily-tp_%d.nc' % day
 
time_needed = []
for i in range(1, 25):
    time_needed.append(d + timedelta(hours = i))
 
with Dataset(f_in) as ds_src:
    var_time = ds_src.variables['time']
    time_avail = num2date(var_time[:], var_time.units,
            calendar = var_time.calendar)
 
    indices = []
    for tm in time_needed:
        a = np.where(time_avail == tm)[0]
        if len(a) == 0:
            sys.stderr.write('Error: precipitation data is missing/incomplete - %s!\n'
                    % tm.strftime('%Y%m%d %H:%M:%S'))
            sys.exit(200)
        else:
            print('Found %s' % tm.strftime('%Y%m%d %H:%M:%S'))
            indices.append(a[0])
 
    var_tp = ds_src.variables['tp']
    tp_values_set = False
    for idx in indices:
        if not tp_values_set:
            data = var_tp[idx, :, :]
            tp_values_set = True
        else:
            data += var_tp[idx, :, :]
         
    with Dataset(f_out, mode = 'w', format = 'NETCDF3_64BIT_OFFSET') as ds_dest:
        # Dimensions
        for name in ['latitude', 'longitude']:
            dim_src = ds_src.dimensions[name]
            ds_dest.createDimension(name, dim_src.size)
            var_src = ds_src.variables[name]
            var_dest = ds_dest.createVariable(name, var_src.datatype, (name,))
            var_dest[:] = var_src[:]
            var_dest.setncattr('units', var_src.units)
            var_dest.setncattr('long_name', var_src.long_name)
 
        ds_dest.createDimension('time', None)
        var = ds_dest.createVariable('time', np.int32, ('time',))
        time_units = 'hours since 1900-01-01 00:00:00'
        time_cal = 'gregorian'
        var[:] = date2num([d], units = time_units, calendar = time_cal)
        var.setncattr('units', time_units)
        var.setncattr('long_name', 'time')
        var.setncattr('calendar', time_cal)
 
        # Variables
        var = ds_dest.createVariable(var_tp.name, np.double, var_tp.dimensions)
        var[0, :, :] = data
        var.setncattr('units', var_tp.units)
        var.setncattr('long_name', var_tp.long_name)
 
        # Attributes
        ds_dest.setncattr('Conventions', 'CF-1.6')
        ds_dest.setncattr('history', '%s %s'
                % (datetime.now().strftime('%Y-%m-%d %H:%M:%S'),
                ' '.join(time.tzname)))
 
        print('Done! Daily total precipitation saved in %s' % f_out)

我想要的是一个代码,它将遵循与上述数据相同的步骤,但假设我有一个包含一年数据的输入文件并将其转换为一年的每日数据。

结果应该是全年计算变量(如降水​​等)的每日值。

示例:假设我有一个全年的降水数据,每天 1 毫米/小时,我将有 2928 个全年的值。

我想要的是全年 24 毫米/天,非闰年只有 365 个值。

输入数据集示例:可以从此处下载数据的子集(2017 年 1 月 1 日和 2 日)https://www.dropbox.com/sh/0vdfn20p355st3i/AABKYO4do_raGHC34VnsXGPqa?dl=0。只需在此之后使用第二个脚本来检查代码。{全年代码>10GB,无法上传

提前致谢

4

2 回答 2

6

xarray resample只是适合您的工具。它在一行中将 netCDF 数据从一种时间分辨率(例如每小时)转换为另一种(例如每天)。使用您的示例数据文件,我们可以使用以下代码创建每日均值:

import xarray as xr

ds = xr.open_dataset('./tp_20170101-20170102.nc')
tp = ds['tp'] # dimensions [time: 48, latitude: 721, longitude: 1440]
tp_daily = tp.resample(time='D').mean(dim='time') # dimensions (time: 2, latitude: 721, longitude: 1440)

您将看到该resample命令采用时间代码,在本例'D'中表示每天,然后我们指定要使用当天的每小时数据计算每天的平均值.mean(dim='time')

相反,例如,如果您想计算每日最大值而不是每日平均值,则可以替换.mean(dim='time').max(dim='time'). 您还可以从每小时到每月(MS或每月开始)、每年(AS或每年开始)等等。时间频率代码可以在Pandas 文档中找到。

于 2019-04-19T03:09:14.263 回答
0

从命令行使用 CDO 的另一种快速方法是:

cdo daysum -shifttime,-1hour era5_hourly.nc era5_daily.nc

请注意,根据此处的答案/讨论:使用 CDO 计算 ERA5 每日总降水量 ERA5 每小时数据的时间步长位于每小时窗口的末尾,因此您需要在求和之前移动时间戳,我不确定xarray 解决方案可以解决这个问题。还有毫米/天,我认为需要求和,而不是取平均值。

于 2020-02-16T19:19:22.033 回答