采样点流量数据提取(代码分享)：利用ECMWF开源数据

最新推荐文章于 2023-06-06 19:49:29 发布

SherryKyd

最新推荐文章于 2023-06-06 19:49:29 发布

阅读量379

点赞数 1

文章标签：人工智能深度学习

本文链接：https://blog.csdn.net/SherryKyd/article/details/129436427

版权

内容介绍：

利用欧洲中期天气预报中心（ECMWF）开源数据提取采样时采样点流量数据，在研究范围为大尺度时适用。

数据来源：River discharge and related historical data from the Global Flood Awareness System (copernicus.eu)https://cds.climate.copernicus.eu/cdsapp#!/dataset/cems-glofas-historical?tab=overview

欧洲中期天气预报中心（ECMWF）：https://cds.climate.copernicus.eu/https://cds.climate.copernicus.eu/

0.导语：

我们平时在进行科研分析的时候，可能经常因为找不到河流流量数据而发愁，该分享将教会你，如何利用欧洲中期天气预报中心开源数据，提取自己想要的水文信息。

本期主要分为5个部分，先介绍①需要准备的材料，然后②下载开源数据，③进行基础数据处理，之后④用R语言去提取你所需要的数据信息（附代码分享），最后把⑤数据整合到一起。

如果你的没有R语言，有其他的编程软件，也是可以的，按照逻辑修改相关的代码即可。

1.需要准备的材料

把需要提的采样点位和对应的采样时间准备好。

采样点位：经纬度；

采样时间：时间根据自己需求定，年月日都行，我们能提到日数据，月数据就平均日一下，年数据就再月平均一下。

2.下载开源数据

数据来源：

River discharge and related historical data from the Global Flood Awareness System (copernicus.eu)https://cds.climate.copernicus.eu/cdsapp#!/dataset/cems-glofas-historical?tab=overview

下载之前需要先注册一下。

数据介绍：

这个数据是来自全球洪水意识系统（GloFAS）的河流流量和相关历史数据，

概述介绍了数据集的分析建模过程，数据集的优势就是可一致地表示全球范围内的关键水文变量，更适合于大尺度数据的研究。

本期示例采用的是3.0版本，精度是0.1经纬度，1经纬度差不多是110km，那0.1经纬度就是11km，这个投影是网格化的预测平均，意思是11km的这么一个方格里都会是这个数据，如果你的研究区很小，采样点很近，可能会不适用。

我们要提取的流量数据，他是一个过去 24 小时内的河流流量，单位是m3/s。数据还提供了两个用于解释的辅助文件，一个包含上游区域数据，另一个包含高程数据，如果有需要，可以在参阅文档中的相关变量表中找一下。

最右边有引文格式，如果你参考了该数据集，要规范引用哦~

数据下载：

下载数据就切到下载界面，选择需要的版本，我选的是3.1，选择需要，对应好网格分辨率就行。水文模型选这个能选的就行，产品类型有两种，我理解的是前面这个流量数据是前24小时流量数据取了均值，后面这个是取了中位数，我这里选了第一个。

根据第一步中你所整理好的时间，选择下面的时间：我这里要提取的数据是2019年1月的数据，我在提取月数据时，因为精度要求并没有特别高，一般取的是1号，15号和30号进行平均，这个你全提了也行，写代码的时候对应修改就行。

这是下载全球你选择的日期的流量数据，你也可以根据只下载你需要的区域，在下面改就可以，这数值是经纬度，对应好版本的最小经纬度是0.1或0.05度就行，格式的话我这里下载的是NC格式的数据。

然后你如果注册并登录了，这里应该是绿色的可以提交的，如果显示让你登录再提交，那么你登录一下。提交之后点下载就行了。

3.将经纬度进行转换

我们用R语言分析一下，看一下下载的数据里有什么。

dis24里的内容就是流量数据，这个流量数据有三个维度，分别是经度，纬度和时间。我们把三个坐标都对应好，才能提出了对应的流量数据。

时间很简单嘛，只有三个，对应的就是我们所下载的3天，也就是1号，15号和31号的数据，主要是要把经纬度对应起来，这个过程在excle中进行即可。

#install.packages("ncdf4")
library(ncdf4)

###########数据分析#################
liul201901 <- nc_open('201901.nc')
print(liul201901)

options(max.print = 5000)
lat <- ncvar_get(nc =liul201901,varid = 'latitude')
lat
lon <- ncvar_get(nc =liul201901,varid = 'longitude')
lon
time <- ncvar_get(nc =liul201901,varid = 'time')
?ncvar_get

我们对数据进行处理，原始数据，新建个表，用这个round函数，保留一位有效数字，粘贴为文本。

4.R语言数据提取

第四部分就是数据提取了。

数据提取：

############数据提取##############
Q201901 <- ncvar_get( nc =liul201901, varid = 'dis24')
Q201901_1 <- Q201901[,,1]
Q201901_2 <- Q201901[,,2]
Q201901_3 <- Q201901[,,3]

dianwei <- read.csv('201901.csv')
#第一个日期提取
dis201901_1 <- c()
for (i in 1:73)
{
  dis201901_1 <- c(dis201901_1,Q201901_1[dianwei$longitude[i],dianwei$latitude[i]])
}

print(dis201901_1)

dianwei[,3]=dis201901_1
#第二个日期提取
dis201901_2 <- c()
for (i in 1:73)
{
  dis201901_2 <- c(dis201901_2,Q201901_2[dianwei$longitude[i],dianwei$latitude[i]])
}

dianwei[,4]=dis201901_2
#第三个日期提取
dis201901_3 <- c()
for (i in 1:73)
{
  dis201901_3 <- c(dis201901_3,Q201901_3[dianwei$longitude[i],dianwei$latitude[i]])
}

dianwei[,5]=dis201901_3

#求均值
dianwei[,6]=rowMeans(dianwei[,3:5])

#输出结果
write.csv(dianwei,"201901流量.csv", row.names = F)

要提的数量多可以写一个循环。