气象数据Grib及Python绘图

文章较长，却将所有常见的气象数据类型进行了详细的介绍，对各种方法的优劣势进行了详细分析，相信对于阅读者来说会有一定程度的帮助

GRIB

数据格式简介

使用Python处理Grib文件

法1：使用pygrib库

法2：使用cfgrib库

pygrib库与cfgrib库的区别与各自的优势

使用建议

GRIB

数据格式简介

GRIB(General Regularly distributed Information in Binary form)，是由世界气象组织（WMO）设计和维护的一种用于存储和传输网格数据的标准数据格式，它是一种自描述的二进制压缩格式，通常具有扩展名.grib，.grb或.gb。

世界气象组织一共发布了3各版本的GRIB标准：

GRIB 版本 0: 已淘汰，无技术支持，目前几乎不再使用。
GRIB 版本 1: 版本1是GRIB的历史遗留版本，已停止开发。由于它已在国际民航组织（ICAO）的世界范围预报系统中使用，因此仍得到WMO的认可。
GRIB 版本 2: 版本2格式是GRIB标准的扩展和强化，它与版本1相比在压缩比等性能上有更优异的表现。一些国家的数值天气预报机构（尤其是美国和欧洲）正在逐步采用此版本，版本2不能与版本1兼容。

GRIB数据格式是以一个被称为“报文”(Message)的数据结构为基本单元的集合体。每个“报文”中会存储一套经纬度、变量数组以及所有描述性的属性信息，而每个GRIB文件里会按顺序排列存储多个“报文”。

使用Python处理Grib文件

法1：使用pygrib库

In [1]: import pygribIn [2]: msgs = pygrib.open('./20180930-fc-sfc.grib')In [3]: msg1 = msgs[1]In [4]: msg1
Out[4]: 1:Surface pressure:Pa (instant):regular_ll:surface:level 0:fcst time 0 hrs:from 201809301200In [5]: msg1.keys()    # 查看所有关键字，此处列出的关键字都可以作为select的过滤条件
Out[5]:
['globalDomain','GRIBEditionNumber','eps',...'section5Length','analDate','validDate']In [6]: msg1.shortName   # 查看shortName
Out[6]: 'sp'In [10]: msg1.name    # 查看name
Out[10]: 'Surface pressure'In [17]: lats, lons = msg1.latlons()   # 提取经纬坐标In [21]: array = msg1.values    # 提取变量值In [23]: tps = msgs.select(shortName='tp')   # 选出所有shortName为tp的报文

法2：使用cfgrib库

为了能够更好的进行数据分析与可视化，请同时安装好numpy、pandas和matplotlib等常用库。

打开GRIB文件：

ds = cfgrib.open_file('example.grib')

此处的open_file函数将GRIB文件加载为一个xarray.Dataset对象，该对象类似于Pandas的DataFrame，但专为多维数组设计，非常适合处理气象数据。

使用函数打开对应的文件后，就可以进行后续处理

提取特定变量：

temperature = ds['t']  # 提取温度变量

数据切片与索引：

# 提取特定时间和层次的温度数据
temp_slice = temperature.sel(time='2023-01-01', level=500)

数据可视化：

数据可视化是理解和传达气象信息的关键步骤。利用matplotlib库，可以轻松地将GRIB数据绘制成图表。

import matplotlib.pyplot as plt
# 绘制温度场
temp_slice.plot()
plt.title('Temperature at 500 hPa on 2023-01-01')
plt.show()

CFGrib不仅支持基本的数据读取和可视化，还提供了一些高级功能，如丰富的数据处理功能。

数据聚合：

# 计算某区域内的平均温度
mean_temp = temperature.sel(latitude=slice(30, 60), longitude=slice(120, 150)).mean(dim=['latitude', 'longitude'])

单位转换：

# 将温度从K转换为°C
temperature_c = temperature - 273.15

写入GRIB文件：

除了读取，CFGrib也支持将处理后的数据重新写入GRIB格式，便于数据的存储和交换。

# 将处理后的温度数据写入新文件
temperature_c.to_grib('processed_temperature.grib')

pygrib库与cfgrib库的区别与各自的优势

二者均是用于读取和处理 GRIB 格式的数据文件。

pygrib

概述
- 基于 GRIB API (现为 ECMWF ecCodes) 的 Python 接口。
- 提供对 GRIB 文件的全面支持，包括各种 GRIB 文件版本（GRIB1 和 GRIB2）。
优点
- 灵活性：可以精确访问 GRIB 文件中的元数据和数据字段。
- 详细的元数据支持：可以轻松提取关于每个 GRIB 消息的详细元数据，如时间、经纬度网格、变量名称等。
- 广泛支持：支持读取几乎所有 GRIB 文件，兼容性较强。
适用场景
- 需要详细访问和操作 GRIB 文件中的元数据。
- 需要处理复杂的 GRIB 数据，例如气象模型输出或观测数据。
- 需要逐条读取 GRIB 消息。
局限性
- API 比较底层，操作起来可能需要更多代码和理解 GRIB 的知识。
- 与现代科学计算工具（如 xarray）的集成较弱。

cfgrib

概述
- 基于 ECMWF ecCodes，专为将 GRIB 文件加载为 xarray.Dataset 对象而设计。
- 遵循 CF 元数据约定，便于与其他气象或气候数据工具集成。
优点
- 集成性强：直接将 GRIB 文件转换为 xarray.Dataset，方便进行科学计算和可视化。
- 面向科学计算：与 xarray 和 dask 的无缝集成，支持并行计算和延迟加载。
- 简化操作：对用户屏蔽了 GRIB 文件的复杂性，便于快速使用。
适用场景
- 科学分析和研究，特别是基于 xarray 的气象或气候数据处理。
- 不需要详细操作 GRIB 文件的元数据，只需要直接加载变量。
局限性
- 功能有限：不支持所有 GRIB 文件，主要支持以 GRIB2 格式保存的气象数据（如 ECMWF 的 GRIB 数据）。
- 灵活性较低：对 GRIB 文件中的元数据访问不如 pygrib 灵活。
- 依赖 CF 约定：对不完全遵守 CF 标准的 GRIB 文件可能处理不当。