python计算nino3.4指数

Mango0o00

已于 2025-01-17 10:17:21 修改

阅读量777

点赞数 10

文章标签： python 后端 matplotlib

于 2025-01-17 00:21:19 首次发布

本文链接：https://blog.csdn.net/Mango0919/article/details/145194127

版权

本文定义厄尔尼诺与拉尼娜事件的方法为美国气象中心（CPC）的定义方法，即以30年为一次气候模态，三个月滑动平均的Niño 3.4指数连续五个月大于0.5℃被认为是一次厄尔尼诺事件，连续五个月小于-0.5℃则被认为是一次拉尼娜事件，Niño 3.4区的范围为5°N–5°S, 120°–170°W。

我们分析的是海表面温度(SST)，我选取的是1951-1980年的数据，全球海洋温度月数据可以从美国国家气象海洋管理局（NOAA）上下载，格式是科学文件格式.nc。

首先我们引用可能会使用的第三方库，第三方库的下载可参考这篇文章

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Mango0o00

关注关注

10
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

ENSO时间预测--构建预测ENSO的深度学习模型，预测未来1-24个月的Nino3.4指数

llyandyyl的博客

04-02

1910

发生在热带太平洋上的厄尔尼诺-南方涛动(ENSO)现象是地球上最强、最显著的年际气候信号。通过大气或海洋遥相关过程，经常会引发洪涝、干旱、高温、雪灾等极端事件，对全球的天气、气候以及粮食产量具有重要的影响。准确预测ENSO，是提高东亚和全球气候预测水平和防灾减灾的关键。本次赛题是一个时间序列预测问题。本次比赛使用的数据包括CMIP5/6模式的历史模拟数据和美国SODA模式重建的近100多年历史观测同化数据。

天池时间序列竞赛——AI助力精准气象和海洋预测学习笔记其一：赛题分析

zenghr的博客

02-21

3774

序：最近参加了天池的气象和海洋预测竞赛，希望能够借此机会学习时间序列的相关模型，接下来会通过系列博客记录并梳理自己在竞赛过程中的一些心得体会。作为系列学习笔记的第一章，这篇文章旨在梳理和分享我对赛题的一些理解。 1. 项目背景问题陈述这个竞赛是一个自然科学相关的时间序列预测问题，要求基于历史气候观测和模式模拟数据，准确预测厄尔尼诺-南方涛动(ENSO)现象。具体来说，我们的任务就是根据过去12个月的气象及时空数据，预测未来24个月的Nino3.4指数。对于这样一个题目，我们可以考虑以下三个问题：

参与评论您还未登录，请先登录后发表或查看评论

Python绘制nino指数IEP和ICP学习笔记

2201_75862806的博客

12-09

1257

Python绘制nino指数IEP和ICP学习笔记

Python绘制Nino3.4指数年际变化图-学习笔记

2201_75862806的博客

12-09

3010

Python绘制Nino3.4指数年际变化

nino3.4_nino3.4怎么计算_nino3.4区海温指数及其标准化_nino的计算_

10-03

通过读入nino3.4区海温计算3.4区海温指数并进行标准化

小白学习ENSO-GTC

weixin_45831829的博客

03-22

3149

延续前人提出的热带太平洋多元海气耦合器，设计了全球时空遥相关耦合器(GTC)，对全球海表温度(SST)之间的潜在遥相关进行建模。为此，将太平洋、印度洋和大西洋划分为组成动态图的小海洋斑块，其中相邻关系由先验知识人工构建，非相邻关系由深度学习方法从数据中学习。基于GTC，建立El Niño-Southern Oscillation (ENSO)深度学习预测模型(ENSO-GTC)，设计概率图卷积层学习时空遥相关，即动态图中的非相邻关系。为了保持物理一致性，提出了一种具有图总变分惩罚项的损失函数。

Python | 超前滞后分析

【更新于公众号 | 简谱学记】

04-09

3400

厄尔尼诺1 + 2区域是Niño海表温度区域中最小和最东部的区域，与南美洲沿海地区相对应，在那里El Niño,首先被当地居民识别发现。这个区域曾经是监测和预测El Niño现象的主要焦点，但是研究人员后来了解到，ENSO 海洋-大气耦合相互作用的关键区域位于更西部(Trenberth，1997)。事件的独特性，Trenberth 和 Stepaniak (2001)认为，应该将厄尔尼诺3.4指数与他们引入的一个指数结合使用，这个指数被称为跨尼诺指数(通常，异常是相对于30年的周期来计算的。

python 气象绘图计算多年一月的nino指数和站点降水相关图

Zhuang_y_f的博客

05-24

2629

python 气象绘图计算多年一月的nino指数和站点降水相关图效果图代码实现导入包 import cartopy.crs as ccrs import cartopy.io.shapereader as shapereader import matplotlib.pyplot as plt import numpy as np import math import pandas as pd from scipy.interpolate import Rbf import maskout 定义计

如何用python计算nino3.4指数

06-06

以下是一个简单的Python代码示例，演示如何计算nino3.4指数： ```python import pandas as pd import xarray as xr # 读取海温数据文件 ds = xr.open_dataset('sst_data.nc') # 提取nino3.4区域的海温数据 nino34...

TPSST_nino3.4区海温指数及其标准化_

10-02

"TPSST_nino3.4区海温指数及其标准化"这一主题主要涉及两个关键步骤：计算Nino3.4区的海温指数和对结果进行标准化处理。首先，计算Nino3.4区的海温指数涉及收集该区域的海表面温度（SST）数据。这些数据通常来自...

matlabeof代码-Cal_CM:在MATLAB中计算Nino3.4、AMO和PDO指数的教程

06-16

matlab eof代码使用 MATLAB 从 SST 计算 Nino3.4、AMO 和 PDO 指数这是一个关于使用海面温度计算Nino3.4、AMO和PDO指数的教程。数据说明这里有1950-2018年的HADISST（828个时间点），还有ENSO ONI指数、AMO指数、长期ERISST衍生的PDO指数，用来评价我们的计算是否正确。这里用于生成 Nino3.4、AMO 和 PDO 的代码由我编写，EOF 代码由 Chad A. Greene 编写。分步代码让我们首先加载 SST。 %% Load data sst=NaN(360,180,828); for i=1950:2018 file_here=['sst_' num2str(i)]; load(file_here); sst(:,:,(1:12)+(i-1950)*12)=sst_here; end 然后我们使用enso34函数计算 Nino3.4 指数。这个函数只需要4个变量， sst是3D海sst数据集(lon - lat - Time)， t是(Time, 2)大小的矩阵，两列分别对应对应的年月， l

在python中如何对nino3.4指数作谱分析和小波分析

10-26

在Python中，对NINO3.4指数进行谱分析和小波分析通常涉及以下几个步骤： 1. 数据获取和预处理：首先需要获取NINO3.4指数的数据，这通常可以通过公开的气象数据集获得。然后对数据进行必要的预处理，如去除缺失值、...

竞赛经历AI气象_nino_厄尔尼诺_预测

Hello World!

04-20

2723

竞赛题目官网地址问题类型：时间序列预测问题。基于历史气候观测和模式模拟数据，利用T时刻过去12个月(包含T时刻)的时空序列（气象因子），构建预测ENSO的深度学习模型，预测未来1-24个月的Nino3.4指数，如下图所示：数据东经 0°–360°，南纬 55°到北纬 60°-> 维度（24，72）海平面温度（SST）热含量异常(T300) 纬向风异常（Ua）经向风异常（Va） SODA数据：可以当成真实数据 100年 CMIP5/CMIP6：可以当成模拟数据（大气模型模拟） CM

三个月滑动平均Nino3.4指数随时间的变化图

最新发布

u012346248的博客

12-07

2037

分别设置每个子图的时间坐标，创建2015年开始、间隔一年、与nino34长度一致的时间序列。#color：覆盖区域的颜色；#x1：第一个参数表示覆盖的区域，此处表示整个x都覆盖；#y1：表示覆盖的上限是y1这个曲线；#画直线(参考线)，color设置曲线颜色，linestyle设置线型。#创建画布，画布大小15*10，分辨率300，4行1列4个子图。#垂直于x轴画网格线，线型为虚线，axis='y'则垂直于y轴。#设置x轴刻度标签，fontname设置字体。#画曲线，lw设置线宽，label设置图例。

2020-08-06

xiaowang_hi的博客

08-06

612

nino1+2，nino3，nino4，nino3.4是什么原来是将赤道太平洋进行分区，每个有1+2，3，4和3.4区，

时间序列实践-task1

地山谦的博客

02-22

465

1. 赛题介绍发生在热带太平洋上的厄尔尼诺-南方涛动(ENSO)现象是地球上最强、最显著的年际气候信号。通过大气或海洋遥相关过程，经常会引发洪涝、干旱、高温、雪灾等极端事件，对全球的天气、气候以及粮食产量具有重要的影响。准确预测ENSO，是提高东亚和全球气候预测水平和防灾减灾的关键。本次赛题是一个时间序列预测问题。基于历史气候观测和模式模拟数据，利用T时刻过去12个月(包含T时刻)的时空序列（气象因子），构建预测ENSO的深度学习模型，预测未来1-24个月的Nino3.4指数，如下图所示： 2. 数据介

ENSO介绍

m0_54800671的博客

03-12

1740

根据NOAA/CPC将太平洋海温依其对於显著年际变异所区分之四个指标海域(图2)，分为Nino1+2(西经90度-西经80度、赤道-南纬10度)、Nino3(西经150度-西经90度、北纬5度-南纬5度)、Nino4(西经150度-东经160度、北纬5度-南纬5度)与Nino3.4(西经170度-西经120度、北纬5度-南纬5度)，据此选定Nino3.4为界定圣婴期/反圣婴期之指标。拉尼娜是指在厄尔尼诺发生的区域海水温度异常降低的一种现象，也称为反厄尔尼诺或者冷事件，总是出现在厄尔尼诺现象之后。

基于Python的Nino的时间序列绘制

frankgis的博客

12-02

165

以下是逐行添加中文注释的代码：import matplotlib.pyplot as plt # 导入matplotlib库，用于绘制图形import xarray as xr # 导入xarray库，用于处理多维数据#打开NetCDF文件并读取数据data = xr.open_dataset(r"nino3.4.nc") # 读取NetCDF文件，路径为“nino3.4.nc”nino = data[‘nino3.4’] # 获取“nino3.4”变量数据。