python对站点数据做EOF且做插值绘制填色图
更新时间：2022年09月26日 11:46:22 作者：oceanography-Rookie
这篇文章主要介绍了python对站点数据做EOF且做插值绘制填色图，文章围绕主题展开详细的内容介绍，具有一定的参考价值，，需要的小伙伴可以参考一下
前言
读取站点资料数据对站点数据进行插值，插值到规则网格上绘制EOF第一模态和第二模态的空间分布图绘制PC序列
关于插值，这里主要提供了两个插值函数，一个是一般常用的规则网格插值:
griddata
另一个是metpy中的:
inverse_distance_to_grid()
本来只是测验一下不同插值方法，但是发现两种插值方法的结果差别很大，由于对于站点数据处理较少，所以不太清楚具体原因。如果有知道的朋友可以告知一下，不甚感谢！
本次数据存储的文件格式为.txt，读取的方法是通过pandas.read_csv()
同时，之前一直尝试使用proplot进行绘图，较长时间不用matplotlib.pyplot绘图了，也当做是复习一下绘图过程。
绘图中的代码主要通过封装函数，这样做的好处是大大减少了代码量。
导入必要的库：
from eofs.standard import Eof import matplotlib.pyplot as plt import numpy as np from scipy.interpolate import griddata import pandas as pd import matplotlib.pyplot as plt import cartopy.crs as ccrs import cartopy.feature as cfeature from cartopy.mpl.ticker import LongitudeFormatter, LatitudeFormatter from metpy.interpolate import inverse_distance_to_grid
出现找不到库的报错，这里使用conda install packagename 安装一下就好
读取存储的数据
##################### read station data ##########################################
path = r'D:/data.txt'
file = pd.read_csv(path,sep= "\t",
header=None,
names=['station','lat','lon','year','data'],
na_values=-99.90)
data = file['data'].to_numpy()
lon = file['lon'].to_numpy()
lat = file['lat'].to_numpy()
year = file['year'].to_numpy()
station = file['station'].to_numpy()
year_max = np.max(year)
year_min = np.min(year)
year_range = np.arange(year_min,year_max+1,1)
data_all = data.reshape(70,53)
lon_all = lon.reshape(70,53)/100
lat_all = lat.reshape(70,53)/100
lon_real = lon_all[:,0]
lat_real = lat_all[:,0]这里将读取的数据全部转为array格式，方便查看以及后续处理。本来存储的文件中是没有相关的经度、纬度、站点、时间的名称的，这里我是自己加在上面方面数据读取的。
本次处理的数据包含70个站点，53年
插值
##################### interp data ##########################################
### interp data to target grid
### set target grid
lon_target = np.arange(115,135.5,0.5)
lat_target = np.arange(38,55.5,0.5)
x_t, y_t = np.meshgrid(lon_target, lat_target)
z = np.zeros((len(year_range),lat_target.shape[0],lon_target.shape[0]))
for i in range(len(year_range)):
print(i)
# z[i] = inverse_distance_to_grid(lon_real,lat_real,
# data_all[:,i],
# x_t,y_t, r=15, min_neighbors=3)
z[i] = griddata((lon_real,lat_real),
data_all[:,i],
(x_t,y_t),method='cubic')这里显示了使用griddata()的插值过程，metpy的过程注释掉了，需要测试的同学之间取消注释即可。
注意点：插值过程需要先设置目标的插值网格。
EOF处理
#计算纬度权重 lat_new = np.array(lat_target) coslat=np.cos(np.deg2rad(lat_new)) wgts = np.sqrt(coslat)[..., np.newaxis] #创建EOF分解器 solver=Eof(z,weights=wgts) eof=solver.eofsAsCorrelation(neofs=2) #此处的neofs的值是我们需要的空间模态数 pc=solver.pcs(npcs=2,pcscaling=1)#方差 var=solver.varianceFraction(neigs=2)
这里没啥好说的，需要几个模态自由选择即可
定义绘图函数并绘图
##################### def plot function ##########################################
def contourf(ax,i,level,cmap):
extents = [115,135,35,55]
ax.set_extent(extents, crs=proj)
ax.add_feature(cfeature.LAND, edgecolor='black',facecolor='silver',
)
ax.add_feature(cfeature.LAKES, edgecolor='black',facecolor='w',
)
ax.add_feature(cfeature.BORDERS)
xtick = np.arange(extents[0], extents[1], 5)
ytick = np.arange(extents[2], extents[3], 5)
ax.coastlines()
tick_proj = ccrs.PlateCarree()
c = ax.contourf(lon_target,lat_target,eof[i],
transform=ccrs.PlateCarree(),
levels=level,
extend='both',
cmap=cmap)
ax.set_xticks(xtick, crs=tick_proj)
ax.set_xticks(xtick, crs=tick_proj)
ax.set_yticks(ytick, crs=tick_proj)
ax.set_yticks(ytick, crs=tick_proj)
ax.xaxis.set_major_formatter(LongitudeFormatter())
ax.yaxis.set_major_formatter(LatitudeFormatter())
plt.yticks(fontproperties='Times New Roman',size=10)
plt.xticks(fontproperties='Times New Roman',size=10)
ax.tick_params(which='major', direction='out',
length=4, width=0.5,
pad=5, bottom=True, left=True, right=True, top=True)
ax.tick_params(which='minor', direction='out',
bottom=True, left=True, right=True, top=True)
ax.set_title( 'EOF'+str(i),loc='left',fontsize =15)
return c
def p_line(ax,i):
ax.set_title('pc'+str(i)+'',loc='left',fontsize = 15)
# ax.set_ylim(-3.5,3.5)
ax.axhline(0,linestyle="--")
ax.plot(year_range,pc[:,i],color='blue')
ax.set_ylim(-3,3)
##################### plot ##########################################
fig = plt.figure(figsize=(8, 6), dpi=200)
proj = ccrs.PlateCarree()
contourf_1 = fig.add_axes([0.02,0.63,0.5,0.3],projection=proj)
c1=contourf(contourf_1,0,np.arange(0.7,1,0.05),plt.cm.bwr)
plot_1 = fig.add_axes([0.45,0.63,0.5,0.3])
p_line(plot_1,0)
contourf_2 = fig.add_axes([0.02,0.15,0.5,0.3],projection=proj)
c2= contourf(contourf_2,1,np.arange(-0.5,0.6,0.1),plt.cm.bwr)
plot_2 = fig.add_axes([0.45,0.15,0.5,0.3],)
p_line(plot_2,1)
cbposition1 = fig.add_axes([0.16, 0.55, 0.22, 0.02])
cb = fig.colorbar(c1,cax=cbposition1,
orientation='horizontal',format='%.1f')
cb.ax.tick_params(which='both',direction='in')
cbposition2=fig.add_axes([0.16, 0.08, 0.22, 0.02])
cb2 = fig.colorbar(c2,cax=cbposition2,
orientation='horizontal',format='%.1f')
cb2.ax.tick_params(which='both',direction='in')
plt.show()这里将大部分重复的绘图代码，进行了封装，通过封装好的函数进行调用，大大简洁了代码量。相关的封装过程之前也有讲过，可以翻看之前的记录。
展示结果
使用griddata的绘图结果：
使用metpt插值函数的结果：
附上全部的绘图代码：
# -*- coding: utf-8 -*-
"""
Created on Fri Sep 23 17:46:42 2022
@author: Administrator
"""
from eofs.standard import Eof
import matplotlib.pyplot as plt
import numpy as np
from scipy.interpolate import griddata
import pandas as pd
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature
from cartopy.mpl.ticker import LongitudeFormatter, LatitudeFormatter
from metpy.interpolate import inverse_distance_to_grid
##################### read station data ##########################################
path = r'D:/data.txt'
file = pd.read_csv(path,sep= "\t",
header=None,
names=['station','lat','lon','year','data'],
na_values=-99.90)
data = file['data'].to_numpy()
lon = file['lon'].to_numpy()
lat = file['lat'].to_numpy()
year = file['year'].to_numpy()
station = file['station'].to_numpy()
year_max = np.max(year)
year_min = np.min(year)
year_range = np.arange(year_min,year_max+1,1)
data_all = data.reshape(70,53)
lon_all = lon.reshape(70,53)/100
lat_all = lat.reshape(70,53)/100
lon_real = lon_all[:,0]
lat_real = lat_all[:,0]
##################### interp data ##########################################
### interp data to target grid
### set target grid
lon_target = np.arange(115,135.5,0.5)
lat_target = np.arange(38,55.5,0.5)
x_t, y_t = np.meshgrid(lon_target, lat_target)
z = np.zeros((len(year_range),lat_target.shape[0],lon_target.shape[0]))
for i in range(len(year_range)):
print(i)
# z[i] = inverse_distance_to_grid(lon_real,lat_real,
# data_all[:,i],
# x_t,y_t, r=15, min_neighbors=3)
z[i] = griddata((lon_real,lat_real),
data_all[:,i],
(x_t,y_t),method='cubic')
#计算纬度权重
lat_new = np.array(lat_target)
coslat=np.cos(np.deg2rad(lat_new))
wgts = np.sqrt(coslat)[..., np.newaxis]
#创建EOF分解器
solver=Eof(z,weights=wgts)
eof=solver.eofsAsCorrelation(neofs=2)
#此处的neofs的值是我们需要的空间模态数
pc=solver.pcs(npcs=2,pcscaling=1)#方差
var=solver.varianceFraction(neigs=2)
##################### def plot function ##########################################
def contourf(ax,i,level,cmap):
extents = [115,135,35,55]
ax.set_extent(extents, crs=proj)
ax.add_feature(cfeature.LAND, edgecolor='black',facecolor='silver',
)
ax.add_feature(cfeature.LAKES, edgecolor='black',facecolor='w',
)
ax.add_feature(cfeature.BORDERS)
xtick = np.arange(extents[0], extents[1], 5)
ytick = np.arange(extents[2], extents[3], 5)
ax.coastlines()
tick_proj = ccrs.PlateCarree()
c = ax.contourf(lon_target,lat_target,eof[i],
transform=ccrs.PlateCarree(),
levels=level,
extend='both',
cmap=cmap)
ax.set_xticks(xtick, crs=tick_proj)
ax.set_xticks(xtick, crs=tick_proj)
ax.set_yticks(ytick, crs=tick_proj)
ax.set_yticks(ytick, crs=tick_proj)
ax.xaxis.set_major_formatter(LongitudeFormatter())
ax.yaxis.set_major_formatter(LatitudeFormatter())
plt.yticks(fontproperties='Times New Roman',size=10)
plt.xticks(fontproperties='Times New Roman',size=10)
ax.tick_params(which='major', direction='out',
length=4, width=0.5,
pad=5, bottom=True, left=True, right=True, top=True)
ax.tick_params(which='minor', direction='out',
bottom=True, left=True, right=True, top=True)
ax.set_title( 'EOF'+str(i),loc='left',fontsize =15)
return c
def p_line(ax,i):
ax.set_title('pc'+str(i)+'',loc='left',fontsize = 15)
# ax.set_ylim(-3.5,3.5)
ax.axhline(0,linestyle="--")
ax.plot(year_range,pc[:,i],color='blue')
ax.set_ylim(-3,3)
##################### plot ##########################################
fig = plt.figure(figsize=(8, 6), dpi=200)
proj = ccrs.PlateCarree()
contourf_1 = fig.add_axes([0.02,0.63,0.5,0.3],projection=proj)
c1=contourf(contourf_1,0,np.arange(0.7,1,0.05),plt.cm.bwr)
plot_1 = fig.add_axes([0.45,0.63,0.5,0.3])
p_line(plot_1,0)
contourf_2 = fig.add_axes([0.02,0.15,0.5,0.3],projection=proj)
c2= contourf(contourf_2,1,np.arange(-0.5,0.6,0.1),plt.cm.bwr)
plot_2 = fig.add_axes([0.45,0.15,0.5,0.3],)
p_line(plot_2,1)
cbposition1 = fig.add_axes([0.16, 0.55, 0.22, 0.02])
cb = fig.colorbar(c1,cax=cbposition1,
orientation='horizontal',format='%.1f')
cb.ax.tick_params(which='both',direction='in')
cbposition2=fig.add_axes([0.16, 0.08, 0.22, 0.02])
cb2 = fig.colorbar(c2,cax=cbposition2,
orientation='horizontal',format='%.1f')
cb2.ax.tick_params(which='both',direction='in')
plt.show()总结
metpy的插值函数好处在于可以自由填充整个绘图区域，但是感觉griddata函数的插值结果更加符合预期，虽然也有点怪怪的。
到此这篇关于python对站点数据做EOF且做插值绘制填色图的文章就介绍到这了,更多相关python EOF插值绘制内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
这篇文章主要介绍了Python之reload流程实例代码解析，分享了相关代码示例，小编觉得还是挺不错的，具有一定借鉴价值，需要的朋友可以参考下2018-01-01
这篇文章主要介绍了让Python代码更快运行的5种方法,本文分别介绍了PyPy、Pyston、Nuitka、Cython、Numba等开源软件,可以提升Python的运行效率,需要的朋友可以参考下2015-06-06
这篇文章主要介绍了python 列表元素左右循环移动 的多种解决方案，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2021-03-03
这篇文章主要介绍Djang中静态文件配置方法的相关资料，django静态文件配置主要是为了让用户请求django服务器时能找到静态文件返回,需要的朋友可以参考下2015-07-07
这篇文章主要为大家详细介绍了Python函数式编程实现登录注册功能，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2022-02-02
这篇文章主要介绍了关于pyqtSignal的基本使用方式，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2022-06-06
这篇文章主要介绍了pytorch之深度神经网络概念，本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2021-09-09
Pycharm debug程序,跳转至指定循环条件/循环次数问题
这篇文章主要介绍了Pycharm debug程序,跳转至指定循环条件/循环次数问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2023-08-08
这篇文章主要为大家详细介绍了Ubuntu安装Jupyter Notebook教程，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2017-10-10
这篇文章主要介绍了python如何实现腾讯滑块验证码识别，帮助大家更好的理解和学习使用python，感兴趣的朋友可以了解下2021-04-04
最新评论