微模板网站建设,seo编辑培训,个人网站建站申请,徐州市制作网站的公司趋势和异常分析#xff08;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#xff08;Trend Analysis#xff09;#xff1a;
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#xff0c;常见的趋势分析包括海表面温…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 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?entryidb5492d1c-7d9c-47f7-b058-e84030622bbd 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(rG:/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 doesnt existt_cal ugregorian # or standardnt, nlat, nlon sst.shape
ngrd nlon*nlat2.2 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 (1ocen, 0land)
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.shape2.3 将海温的陆地区域进行掩膜
sst np.ma.masked_array(sst, masklsm)
3. Trend Analysis
3.1 计算线性趋势
sst_grd sst.reshape((nt, ngrd), orderF)
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), orderF)3 绘制趋势空间分布 plt.figure(dpi200)
m Basemap(projectioncyl, llcrnrlonmin(lons), llcrnrlatmin(lats),urcrnrlonmax(lons), urcrnrlatmax(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, cmapplt.cm.RdBu_r)
m.drawcoastlines()
#m.fillcontinents(color#000000,lake_color#99ffff)cb m.colorbar(cs)
cb.set_label(SST Changing Rate ($^oC$/decade), fontsize12)
plt.title(SST Changing Rate ($^oC$/decade), fontsize16)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), orderF).transpose((1,0,2))
sst_grd_ym.shape4.2 计算季节趋势
sst_grd_clm np.mean(sst_grd_ym, axis0)
sst_grd_clm.shape4.3 去除季节趋势
sst_grd_anom (sst_grd_ym - sst_grd_clm).transpose((1,0,2)).reshape((nt, nlat, nlon), orderF)
sst_grd_anom.shape4.4 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, :], weightsweights)sst_nh_avg[it] np.ma.average(sst_grd_anom[it,0:round(nlat/2),:], weightsweights[0:round(nlat/2),:])sst_sh_avg[it] np.ma.average(sst_grd_anom[it,round(nlat/2):nlat,:], weightsweights[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 fig, ax plt.subplots(1, 1 , figsize(15,5),dpi200)ax.plot(datestr[::12], sst_glb_avg[::12], colorb, linewidth2, labelGLB)
ax.plot(datestr[::12], sst_nh_avg[::12], colorr, linewidth2, labelNH)
ax.plot(datestr[::12], sst_sh_avg[::12], colorg, linewidth2, labelSH)
ax.set_xticklabels(datestr[::12], rotation45)
ax.axhline(0, linewidth1, colork)
ax.legend()
ax.set_title(Monthly SST Anomaly Time Series (1982 - 2016), fontsize16)
ax.set_xlabel(Month/Year , fontsize12)
ax.set_ylabel($^oC$, fontsize12)
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
