Python | 计算中国5°×5°方格 年总降水

2023-11-05 05:20

本文主要是介绍Python | 计算中国5°×5°方格 年总降水,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

0.写在前面

继续学习站点数据处理ing,这是上周第一个任务,一共三个,写三篇(或者四篇)来记录。

任务一:将中国和部分周围区域划分为5°×5°的格子,计算每个格子内的年降水。

难点:依次读取文件夹中数据

解决办法:遍历每天的站点,找到他属于哪个方格,先计算每天每方格内所有站点的平均,再把每天的降水二维数组加起来(365天)

所用数据:2014年365天SURF_CHN_MUL_DAY_2014****格式数据,每个文件是每天所有站点的气象要素记录

1.代码解析

1.1 主函数

path = r"D:2014-2020\2014"
files= os.listdir(path)k=1  #k可以用来控制读取文件数量
yearsum=np.zeros([5,14],dtype=float,order='C') #yearsum用来记录总降水
for filename in files:  #依次读取文件夹中的文件df = pd.read_table(os.path.join(path,filename),sep='\t',header=None)day=dave(df)   #dave函数用来求每天的平均降水(对站点降水求平均)yearsum=yearsum+dayk=k+1draw(yearsum) #draw函数负责可视化年降水

1.2 dave函数

def dave(df):lat = df[64]del lat[0]  #lat[0]是表头,要删掉,自己摸索的时候可以一步一步输出试试lat=lat.astype(float) #改变数据格式lon = df[66]del lon[0]lon=lon.astype(float)pre=df[72]del pre[0]pre=pre.astype(float) #999999是缺测,不算降水,0算daypre=np.zeros([5,14],dtype=float,order='C') #每个小方格站点总降水daysta=np.zeros([5,14],dtype=float,order='C') #站点数,缺测不算for m in range(1,(len(lat)+1)): #遍历一天内所有站点if lat[m]<55 and lat[m]>=30 and lon[m]>=70 and lon[m]<140:a=lat[m]i=4-int(((a-30)//5))b=lon[m]j=int(((b-70)//5))if pre[m]<500: #如果没有缺测daysta[i][j]=daysta[i][j]+1daypre[i][j]=daypre[i][j]+pre[m]dayave=np.zeros([5,14],dtype=float,order='C') #每天平均降水for i in range(0,5):for j in range(0,14):if daysta[i][j]!=0:dayave[i][j]=daypre[i][j]/daysta[i][j]return dayave 

1.3 draw函数

def draw(ave):  #还是之前的老一套,有疑问可评论fig = plt.figure(1, figsize=[16, 9])proj = ccrs.PlateCarree()ax = plt.subplot(1, 1, 1, projection=proj)extent = [70, 140, 30, 55]ax.set(xlim=(70,140),ylim=(30,55))ds = xr.open_dataset(r"D:\地形图\ETOPO2v2c_f4.nc")lon = np.linspace(min(ds['x'].data), max(ds['x'].data), len(ds['x'].data))  # 经度lat = np.linspace(min(ds['y'].data), max(ds['y'].data), len(ds['y'].data))  # 纬度dem = ds['z'].data# 构建经纬网格lon, lat = np.meshgrid(lon, lat)ax.set(xlim=(70,140),ylim=(30,55))
# 创建底图,设置地图投影为World Plate Carrée,分辨率为高分辨率levels = [-8000, -6000, -4000, -2000, -1000, -200, -50, 0, 50,200, 500, 1000, 1500, 2000, 3000, 4000, 5000, 6000, 7000, 8000]# 创建分级color = ['#084594', '#2171b5', '#4292c6', '#6baed6', '#9ecae1', '#c6dbef', '#deebf7', '#006837','#31a354', '#78c679', '#addd8e', '#d9f0a3', '#f7fcb9', '#c9bc87', '#a69165', '#856b49','#664830', '#ad9591', '#d7ccca']  # 设置色带,19个颜色cf = ax.contourf(lon, lat, dem, levels=levels, colors=color, extend='both',zorder=1)china = shpreader.Reader(r"D:\bou2_4l\bou2_4l.dbf").geometries()plt.title('2014年降水总量', fontsize=20,pad=20)ax.add_geometries(china, ccrs.PlateCarree(),facecolor='none', edgecolor='black', zorder=2) ax.add_geometries(Reader(r"D:\1~5级水系矢量图\river\1级河流.shp").geometries(), ccrs.PlateCarree(), facecolor='none', edgecolor='RoyalBlue', linewidth=0.4)             c=np.ones([5,14],dtype=float,order='C')alpha=np.where(ave!=0,c*0.7,0)  #这里是把没有降水的地方透明度设为0了,作图就不显示plt.imshow(ave,cmap='rainbow',extent=(70,140,30,55),alpha=alpha,zorder=3)cb=plt.colorbar(shrink=0.5)cb.set_label('单位:mm',fontsize=12)ax.set_xticks(np.arange(extent[0], extent[1]+1, 10), crs=proj)ax.set_yticks(np.arange(extent[-2], extent[-1]+1, 5), crs=proj)ax.xaxis.set_major_formatter(LongitudeFormatter(zero_direction_label=False))ax.yaxis.set_major_formatter(LatitudeFormatter())plt.tick_params(labelsize=12)plt.show()

2. 完整代码

from importlib.resources import path
import os
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from cartopy.io.shapereader import Reader
from cartopy.io import shapereader as shpreader
from cartopy.mpl.ticker import LongitudeFormatter, LatitudeFormatter
import cartopy.crs as ccrs
import time
import xarray as xrtime_start = time.time()
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = Falsedef dave(df):lat = df[64]del lat[0]lat=lat.astype(float)lon = df[66]del lon[0]lon=lon.astype(float)pre=df[72]del pre[0]pre=pre.astype(float)daypre=np.zeros([5,14],dtype=float,order='C')daysta=np.zeros([5,14],dtype=float,order='C') for m in range(1,(len(lat)+1)): if lat[m]<55 and lat[m]>=30 and lon[m]>=70 and lon[m]<140:a=lat[m]i=4-int(((a-30)//5))b=lon[m]j=int(((b-70)//5))if pre[m]<500:daysta[i][j]=daysta[i][j]+1daypre[i][j]=daypre[i][j]+pre[m]dayave=np.zeros([5,14],dtype=float,order='C') for i in range(0,5):for j in range(0,14):if daysta[i][j]!=0:dayave[i][j]=daypre[i][j]/daysta[i][j]return dayave def draw(ave):fig = plt.figure(1, figsize=[16, 9])proj = ccrs.PlateCarree()ax = plt.subplot(1, 1, 1, projection=proj)extent = [70, 140, 30, 55]ax.set(xlim=(70,140),ylim=(30,55))ds = xr.open_dataset( r"D:\地形图\ETOPO2v2c_f4.nc")lon = np.linspace(min(ds['x'].data), max(ds['x'].data), len(ds['x'].data))  # 经度lat = np.linspace(min(ds['y'].data), max(ds['y'].data), len(ds['y'].data))  # 纬度dem = ds['z'].datalon, lat = np.meshgrid(lon, lat)ax.set(xlim=(70,140),ylim=(30,55))levels = [-8000, -6000, -4000, -2000, -1000, -200, -50, 0, 50,200, 500, 1000, 1500, 2000, 3000, 4000, 5000, 6000, 7000, 8000]color = ['#084594', '#2171b5', '#4292c6', '#6baed6', '#9ecae1', '#c6dbef', '#deebf7', '#006837','#31a354', '#78c679', '#addd8e', '#d9f0a3', '#f7fcb9', '#c9bc87', '#a69165', '#856b49','#664830', '#ad9591', '#d7ccca']  # 设置色带,19个颜色cf = ax.contourf(lon, lat, dem, levels=levels, colors=color, extend='both',zorder=1)china = shpreader.Reader(r"D:\bou2_4l\bou2_4l.dbf").geometries()plt.title('2014年降水总量', fontsize=20,pad=20)ax.add_geometries(china, ccrs.PlateCarree(),facecolor='none', edgecolor='black', zorder=2)  ax.add_geometries(Reader(r"D:\1~5级水系矢量图\river\1级河流.shp").geometries(), ccrs.PlateCarree(), facecolor='none', edgecolor='RoyalBlue', linewidth=0.4)             c=np.ones([5,14],dtype=float,order='C')alpha=np.where(ave!=0,c*0.7,0)plt.imshow(ave,cmap='rainbow',extent=(70,140,30,55),alpha=alpha,zorder=3)cb=plt.colorbar(shrink=0.5)cb.set_label('单位:mm',fontsize=12)ax.set_xticks(np.arange(extent[0], extent[1]+1, 10), crs=proj)ax.set_yticks(np.arange(extent[-2], extent[-1]+1, 5), crs=proj)ax.xaxis.set_major_formatter(LongitudeFormatter(zero_direction_label=False))ax.yaxis.set_major_formatter(LatitudeFormatter())plt.tick_params(labelsize=12)plt.show()path = r"D:\2014-2020\2014"
files= os.listdir(path)
k=1
yearsum=np.zeros([5,14],dtype=float,order='C')
for filename in files:df = pd.read_table(os.path.join(path,filename),sep='\t',header=None)day=dave(df)yearsum=yearsum+dayk=k+1draw(yearsum)time_end = time.time()  # 记录结束时间
time_sum = time_end - time_start  # 计算的时间差为程序的执行时间,单位为秒/s
print('运行时间:',time_sum)

成图:

 

这篇关于Python | 计算中国5°×5°方格 年总降水的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/347670

相关文章

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

一文带你搞懂Python中__init__.py到底是什么

《一文带你搞懂Python中__init__.py到底是什么》朋友们,今天我们来聊聊Python里一个低调却至关重要的文件——__init__.py,有些人可能听说过它是“包的标志”,也有人觉得它“没... 目录先搞懂 python 模块(module)Python 包(package)是啥?那么 __in

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

Python实现特殊字符判断并去掉非字母和数字的特殊字符

《Python实现特殊字符判断并去掉非字母和数字的特殊字符》在Python中,可以通过多种方法来判断字符串中是否包含非字母、数字的特殊字符,并将这些特殊字符去掉,本文为大家整理了一些常用的,希望对大家... 目录1. 使用正则表达式判断字符串中是否包含特殊字符去掉字符串中的特殊字符2. 使用 str.isa

python中各种常见文件的读写操作与类型转换详细指南

《python中各种常见文件的读写操作与类型转换详细指南》这篇文章主要为大家详细介绍了python中各种常见文件(txt,xls,csv,sql,二进制文件)的读写操作与类型转换,感兴趣的小伙伴可以跟... 目录1.文件txt读写标准用法1.1写入文件1.2读取文件2. 二进制文件读取3. 大文件读取3.1

使用Python实现一个优雅的异步定时器

《使用Python实现一个优雅的异步定时器》在Python中实现定时器功能是一个常见需求,尤其是在需要周期性执行任务的场景下,本文给大家介绍了基于asyncio和threading模块,可扩展的异步定... 目录需求背景代码1. 单例事件循环的实现2. 事件循环的运行与关闭3. 定时器核心逻辑4. 启动与停

基于Python实现读取嵌套压缩包下文件的方法

《基于Python实现读取嵌套压缩包下文件的方法》工作中遇到的问题,需要用Python实现嵌套压缩包下文件读取,本文给大家介绍了详细的解决方法,并有相关的代码示例供大家参考,需要的朋友可以参考下... 目录思路完整代码代码优化思路打开外层zip压缩包并遍历文件:使用with zipfile.ZipFil

Python处理函数调用超时的四种方法

《Python处理函数调用超时的四种方法》在实际开发过程中,我们可能会遇到一些场景,需要对函数的执行时间进行限制,例如,当一个函数执行时间过长时,可能会导致程序卡顿、资源占用过高,因此,在某些情况下,... 目录前言func-timeout1. 安装 func-timeout2. 基本用法自定义进程subp