Python | 海表面温度(SST) | 长期趋势和异常分析

2024-04-10 23:28

本文主要是介绍Python | 海表面温度(SST) | 长期趋势和异常分析,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!

趋势和异常分析(Trend and anomaly)在大气和海洋学研究中被广泛用于探测长期变化。

趋势分析(Trend Analysis):

趋势分析是一种用于检测数据随时间的变化趋势的方法。在海洋学和大气学中,常见的趋势分析包括海表面温度(SST)、海平面上升、气温变化等。趋势分析通常包括以下步骤:

  • 数据预处理:首先需要对数据进行预处理,包括去除季节循环、填补缺失值等。
  • 计算趋势:采用统计方法(如线性回归、非线性回归)来计算数据随时间的变化趋势。常见的趋势计算方法包括最小二乘法、曲线拟合等。
  • 趋势显著性检验:对计算得到的趋势进行显著性检验,以确定趋势是否具有统计显著性。常见的显著性检验方法包括t检验、F检验等。
  • 趋势可视化:将计算得到的趋势以图形方式呈现,通常使用折线图或柱状图来展示数据随时间的变化趋势。

趋势分析的结果可以帮助科学家们了解气候系统的长期演变趋势,从而预测未来可能的变化情况。

异常分析(Anomaly Analysis):

异常分析是一种用于检测数据中非正常事件或突发事件的方法。在海洋学和大气学中,异常分析通常用于检测气候系统中的异常事件,如El Niño事件、极端气候事件等。异常分析通常包括以下步骤:

  • 基准确定:选择一个合适的基准期,通常是一段相对稳定的时间段,用于计算异常值。
  • 计算异常:将观测数据与基准期的平均值进行比较,计算出每个时间点的异常值。异常值表示该时间点的数据与基准期相比的偏离程度。
  • 异常检测:对计算得到的异常值进行检测,识别出突发事件或非正常事件。
  • 异常可视化:将计算得到的异常值以图形方式呈现,通常使用折线图或柱状图来展示异常事件的发生情况。
    异常分析的结果可以帮助科学家们理解气候系统中的非正常事件,从而采取相应的应对措施或预测未来可能发生的异常情况。

本案例分析以海表温度为例,计算了1982年至2016年全球每十年的温度变化率。此外,还给出了其面积加权的全球月海温异常时间序列。

  • 数据来源:
    NOAA Optimum Interpolation (OI) Sea Surface Temperature (SST) V2

  • 下载地址:
    https://www.esrl.noaa.gov/psd/data/gridded/data.noaa.oisst.v2.html

image

NOAA Optimum Interpolation (OI) Sea Surface Temperature (SST) V2

  • 空间分辨率:
1.0纬度 x 1.0经度全球网格(180x360)。
  • 覆盖范围
89.5 N-89.5 S 0.5 E-359.5 E.

因为oisst是一个插值数据,所以它覆盖了海洋和陆地。
因此,必须同时使用陆地-海洋掩膜数据,可以从如下网站获得:

https://psl.noaa.gov/repository/entry/show?entryid=b5492d1c-7d9c-47f7-b058-e84030622bbd

mask data

1. 加载基础库

import numpy as np
import datetime 
import cftime
from netCDF4 import Dataset as netcdf # netcdf4-python module
import netCDF4 as nc
import matplotlib.pyplot as plt
from mpl_toolkits.basemap import Basemap
import matplotlib.dates as mdates
from matplotlib.dates import MonthLocator, WeekdayLocator, DateFormatter
import matplotlib.ticker as ticker
from matplotlib.pylab import rcParams
rcParams['figure.figsize'] = 15, 6
import warnings
warnings.simplefilter('ignore')# Your code continues here# ================================================================================================
# Author: %(Jianpu)s | Affiliation: Hohai
# Email : %(email)s
# Last modified: 2024-04-04 12:28:06
# Filename: Trend and Anomaly Analyses.py
# Description:
# =================================================================================================

2. 读取数据、提取变量

2.1 Read SST


ncset= netcdf(r'G:/code_daily/sst.mnmean.nc')
lons = ncset['lon'][:]  
lats = ncset['lat'][:]           
sst  = ncset['sst'][1:421,:,:]    # 1982-2016 to make it divisible by 12
nctime = ncset['time'][1:421]
t_unit = ncset['time'].unitstry :t_cal =ncset['time'].calendar
except AttributeError : # Attribute doesn't existt_cal = u"gregorian" # or standardnt, nlat, nlon = sst.shape
ngrd = nlon*nlat

2.2 解析时间

datevar = nc.num2date(nctime,units = "days since 1800-1-1 00:00:00")
print(datevar.shape)datevar[0:5]

2.3读取 mask (1=ocen, 0=land)

lmfile = 'G:/code_daily/lsmask.nc'
lmset  = netcdf(lmfile)
lsmask = lmset['mask'][0,:,:]
lsmask = lsmask-1num_repeats = nt
lsm = np.stack([lsmask]*num_repeats,axis=-1).transpose((2,0,1))
lsm.shape

2.3 将海温的陆地区域进行掩膜

sst = np.ma.masked_array(sst, mask=lsm)
3. Trend Analysis
3.1 计算线性趋势
sst_grd  = sst.reshape((nt, ngrd), order='F') 
x        = np.linspace(1,nt,nt)#.reshape((nt,1))
sst_rate = np.empty((ngrd,1))
sst_rate[:,:] = np.nanfor i in range(ngrd): y = sst_grd[:,i]   if(not np.ma.is_masked(y)):         z = np.polyfit(x, y, 1)sst_rate[i,0] = z[0]*120.0#slope, intercept, r_value, p_value, std_err = stats.linregress(x, sst_grd[:,i])#sst_rate[i,0] = slope*120.0     sst_rate = sst_rate.reshape((nlat,nlon), order='F')

3 绘制趋势空间分布

spacia distribution

plt.figure(dpi=200)
m = Basemap(projection='cyl', llcrnrlon=min(lons), llcrnrlat=min(lats),urcrnrlon=max(lons), urcrnrlat=max(lats))x, y = m(*np.meshgrid(lons, lats))
clevs = np.linspace(-0.5, 0.5, 21)
cs = m.contourf(x, y, sst_rate.squeeze(), clevs, cmap=plt.cm.RdBu_r)
m.drawcoastlines()
#m.fillcontinents(color='#000000',lake_color='#99ffff')cb = m.colorbar(cs)
cb.set_label('SST Changing Rate ($^oC$/decade)', fontsize=12)
plt.title('SST Changing Rate ($^oC$/decade)', fontsize=16)

4. Anomaly analysis

4.1 转换数据大小为: (nyear) x (12) x (lat x lon)

sst_grd_ym  = sst.reshape((12,round(nt/12), ngrd), order='F').transpose((1,0,2))
sst_grd_ym.shape

4.2 计算季节趋势

sst_grd_clm = np.mean(sst_grd_ym, axis=0)
sst_grd_clm.shape

4.3 去除季节趋势

sst_grd_anom = (sst_grd_ym - sst_grd_clm).transpose((1,0,2)).reshape((nt, nlat, nlon), order='F')
sst_grd_anom.shape

4.4 计算区域权重

4.4.1 确认经纬度的方向

print(lats[0:12])
print(lons[0:12])

4.4.2 计算随纬度变化的区域权重

lonx, latx = np.meshgrid(lons, lats)
weights = np.cos(latx * np.pi / 180.)
print(weights.shape)

4.4.3 计算全球、北半球、南半球的有效网格总面积

sst_glb_avg = np.zeros(nt)
sst_nh_avg  = np.zeros(nt)
sst_sh_avg  = np.zeros(nt)for it in np.arange(nt):sst_glb_avg[it] = np.ma.average(sst_grd_anom[it, :], weights=weights)sst_nh_avg[it]  = np.ma.average(sst_grd_anom[it,0:round(nlat/2),:],    weights=weights[0:round(nlat/2),:])sst_sh_avg[it]  = np.ma.average(sst_grd_anom[it,round(nlat/2):nlat,:], weights=weights[round(nlat/2):nlat,:])

4.5 转换时间为字符串格式

datestr = [date.strftime('%Y-%m-%d') for date in datevar]

5. 绘制海温异常时间序列

temporal distribution

fig, ax = plt.subplots(1, 1 , figsize=(15,5),dpi=200)ax.plot(datestr[::12], sst_glb_avg[::12], color='b', linewidth=2, label='GLB')
ax.plot(datestr[::12], sst_nh_avg[::12],  color='r', linewidth=2, label='NH')
ax.plot(datestr[::12], sst_sh_avg[::12],  color='g', linewidth=2, label='SH')
ax.set_xticklabels(datestr[::12], rotation=45)
ax.axhline(0, linewidth=1, color='k')
ax.legend()
ax.set_title('Monthly SST Anomaly Time Series (1982 - 2016)', fontsize=16)
ax.set_xlabel('Month/Year ', fontsize=12)
ax.set_ylabel('$^oC$', fontsize=12)
ax.set_ylim(-0.6, 0.6)
fig.set_figheight(9)# rotate and align the tick labels so they look better
fig.autofmt_xdate()
# use a more precise date string for the x axis locations in the toolbar
ax.fmt_xdata = mdates.DateFormatter('%Y')

http://unidata.github.io/netcdf4-python/

http://www.scipy.org/

本文由mdnice多平台发布

这篇关于Python | 海表面温度(SST) | 长期趋势和异常分析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/892451

相关文章

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

nudepy,一个有趣的 Python 库!

更多资料获取 📚 个人网站:ipengtao.com 大家好,今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址:https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中,检测图像中的不适当内容(例如裸露图像)是一个重要的任务。nudepy 是一个基于 Python 的库,专门用于检测图像中的不适当内容。该

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

MOLE 2.5 分析分子通道和孔隙

软件介绍 生物大分子通道和孔隙在生物学中发挥着重要作用,例如在分子识别和酶底物特异性方面。 我们介绍了一种名为 MOLE 2.5 的高级软件工具,该工具旨在分析分子通道和孔隙。 与其他可用软件工具的基准测试表明,MOLE 2.5 相比更快、更强大、功能更丰富。作为一项新功能,MOLE 2.5 可以估算已识别通道的物理化学性质。 软件下载 https://pan.quark.cn/s/57

pip-tools:打造可重复、可控的 Python 开发环境,解决依赖关系,让代码更稳定

在 Python 开发中,管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等,都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools? pip-tools 是一组命令行工具,旨在简化 Python 依赖关系的管理,确保项目环境的稳定性和可重复性。它主要包含两个核心工具:pip-compile 和 pip