引言：我一直想理解空间相关分析的计算思维，于是今天又拿起python脚本和数据来做练习。首先需要说明的是，这次实验的数据和python脚本均来自于[好久不见]大佬，在跟大佬说明之后，允许我写到公众号来与大家共享，在此对大佬的指点表示感谢，这次实验的脚本可在气象家园或简书app(如果没记错的话)搜索到这次实验的相关内容，也可以微信或者后台发消息给我获取。在此之前我觉得自己还没理解这个方法的计算思维，检验的标准就是我能否迅速运用到其他方面。于是今天又重新回来温习一遍，我把自己的理解与大伙共同交流。
首先，数据的格式是netcdf(.nc)数据，两个数据分别是[哈德来中心海温sst数据，pc数据是对东太平洋ssta做的eof获取]。知道数据信息之后我们就准备开始去运行程序。原始脚本包括了回归分析和相关分析两部分，但是今天我做了空间相关分析这一部分，有兴趣的可以到[好久不见]大佬的气象家园阅读喔！如果还没有安装cartopy包的话请在后台联系我喔
为了方便理解每一步，我选择去jupyter运行，因为可以一段一段程序的运行，这是比较方便的。绘图部分并不是很难，关键还是在于数据预处理部分。
空间相关分析的脚本如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
|
import numpy as np #数值计算用，如相关系数
import xarray as xr #读取.nc文件用
from sklearn.feature_selection import f_regression #做显著性检验
import matplotlib.pyplot as plt #绘制和展示图形用
import cartopy.crs as ccrs #绘制地图用，如果没有安装好的话，请在后台联系我
import cartopy.feature as cfeature #添加一些矢量用，这里没用到，因为我没数据
from cartopy.mpl.ticker import longitudeformatter, latitudeformatter #经纬度格式设置
import cmaps #ncl的color，如果没有的话，请联系我，也可以在气象家园找到
#使用上下文管理器读取.nc数据，并提取数据中的变量，可以提前用nasa的panoply这个软件查看.nc信息
with xr.open_dataset(r'd:\inuyasha\codex\codelearn\sst.djf.mean.anom.nc') as f1:
pre = f1['sst_anom'][:-1, :, :] # 三维数据全取，时间，纬度+经度
lat, lon = f1['lat'], f1['lon'] #提取经纬度，后面格网化需要用到
pre2d = np.array(pre).reshape(pre.shape[0], pre.shape[1]*pre.shape[2])
#0表示行个数，1列代表的个数，2经度代表个数
with xr.open_dataset(r'd:\inuyasha\codex\codelearn\pc.djf.sst.nc') as f2:
pc = f2['pc'][0, :]
# 相关系数计算
pre_cor = np.corrcoef(pre2d.t, pc)[:-1, -1].reshape(len(lat), len(lon))
# 做显著性检验
pre_cor_sig = f_regression(np.nan_to_num(pre2d), pc)[1].reshape(len(lat), len(lon))#用0代替nan
area = np.where(pre_cor_sig < 0.05)
# numpy的作用又来了
nx, ny = np.meshgrid(lon, lat)
# 格网化经纬度，打印出来看看就知道为什么要这么做了
plt.figure(figsize=(16, 8)) #创建一个空画布
#让colorbar字体设置为新罗马字符
plt.rcparams['font.family'] = 'times new roman'
plt.rcparams['font.size'] = 16
ax2 = plt.subplot(projection=ccrs.platecarree(central_longitude=180))
# 在画布上绘图，这个叫axes，这不是坐标轴喔
ax2.coastlines(lw=0.4)
ax2.set_global()
c2 = ax2.contourf(nx, ny, pre_cor, extend='both', cmap=cmaps.nrl_sirkes, transform=ccrs.platecarree())
plt.colorbar(c2,fraction=0.05,orientation='horizontal', shrink=0.4, pad=0.06)
# extend关键字设置colorbar的形状，both为两端尖的，pad是距离主图的距离，其他参数web搜索
# 显著性打点
sig2 = ax2.scatter(nx[area], ny[area], marker='+', s=1, c='k', alpha=0.6, transform=ccrs.platecarree())
# 凸显显著性区域
plt.title('correlation analysis', fontdict={'family' : 'times new roman', 'size' : 16})
#标题字体也修改为新罗马字符，数字和因为建议都用新罗马字符
ax2.set_xticks(np.arange(0, 361, 30),crs=ccrs.platecarree())
# 经度范围设置，nunpy的作用这不就又来了嘛
plt.xticks(fontproperties = 'times new roman',size=16) #修改xy刻度字体为新罗马字符
plt.yticks(fontproperties = 'times new roman',size=16)
ax2.set_yticks(np.arange(-90, 90, 15),crs=ccrs.platecarree())
# 设置y
ax2.xaxis.set_major_formatter(longitudeformatter(zero_direction_label = false))#经度0度不加东西
ax2.yaxis.set_major_formatter(latitudeformatter())
# 设置经纬度格式，就是多少度显示那样的，而不是一些数字
ax2.set_extent([-178, 178, -70, 70], crs=ccrs.platecarree())
# 设置空间范围
plt.grid(color='k')
# 画一个网格吧
plt.show()
# 显示出图形
|
那么就运行看看效果吧
如果觉得这个color不喜欢的话，就换一下ncl的来吧，ncl的颜色多而漂亮，喜欢啥就换啥
想要理解这个方法的计算思维，有必要观察原始数据和数据处理之后的样式，理解了数据样式之后可能更有助于我们理解整个程序
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
import numpy as np
import xarray as xr
from sklearn.feature_selection import f_regression
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature
from cartopy.mpl.ticker import longitudeformatter, latitudeformatter
import cmaps
with xr.open_dataset(r'd:\inuyasha\codex\codelearn\sst.djf.mean.anom.nc') as f1:
pre = f1['sst_anom'][:-1, :, :] # 三维数据全取，时间，纬度+经度
lat, lon = f1['lat'], f1['lon']
pre2d = np.array(pre).reshape(pre.shape[0], pre.shape[1]*pre.shape[2])#0行代表的个数，1纬度，2经度
#pre2d.shape是一个39行，16020列的矩阵，t之后就变为了16020行，39列
with xr.open_dataset(r'd:\inuyasha\codex\codelearn\pc.djf.sst.nc') as f2:
pc = f2['pc'][0, :]
#pc是一个39行的数组
# # 相关系数
pre_cor = np.corrcoef(pre2d.t, pc)[:-1, -1].reshape(len(lat), len(lon))
#pre_cor.shape,(16020,)->reshape(89,180)
# # 显著性检验
# pre_cor_sig = f_regression(np.nan_to_num(pre2d), pc)[1].reshape(len(lat), len(lon))#用0代替nan
# area = np.where(pre_cor_sig < 0.05)
nx, ny = np.meshgrid(lon, lat) # 格网化
nx,ny
|
看看格网化后的经纬度多规范啊。画张图来看看可能也会直观一些。
好吧，今天的分享就到这里了，理解了这个计算思维，能更好地迁移运用到其他研究方面，如果还没有安装cartopy包的话请在后台联系我喔，如果需要测试数据和脚本请在后台联系我，当然也可以去[好久不见]大佬的主页。如果觉得这次分享不错的话，还请老铁们点个赞，多多分享，欢迎交流学习，感谢各位！
原始资料：
http://bbs.06climate.com/forum.php?mod=viewthread&tid=92816&highlight=%cf%d4%d6%f8%d0%d4%bc%ec%d1%e9%2b%cf%e0%b9%d8%b7%d6%ce%f6
以上就是如何使用python对netcdf数据做空间相关分析的详细内容，更多关于python对netcdf数据做空间分析的资料请关注服务器之家其它相关文章！
原文链接：https://mp.weixin.qq.com/s/sGLf_3rCFbjtJ2atUkBa2Q