四站气象对比（ECMWF+NOAA+中国气象网+GFS）——大气数据分析研究

最新推荐文章于 2023-10-25 00:00:00 发布

爱做梦的鱼

最新推荐文章于 2023-10-25 00:00:00 发布

阅读量2.6w

点赞数 80

分类专栏： ECMWF数据分析文章标签： ECMWF 气象数据分析研究 NOAA GFS 中国气象

本文链接：https://blog.csdn.net/dreamingzihao/article/details/103532763

版权

ECMWF数据分析专栏收录该内容

9 篇文章 24 订阅

订阅专栏

一、ECMWF（方正附近，46，128.75，张志浩）

from netCDF4 import Dataset
from netCDF4 import num2date

nc_obj = Dataset ( "download.nc" )

# 查看nc文件中的变量
print ( nc_obj.variables.keys() )

odict_keys(['longitude', 'latitude', 'time', 'u10', 'v10', 't2m', 'sp'])

# 查看每个变量的单位
for i in nc_obj.variables.keys ():
    print ( nc_obj.variables[i].units )

degrees_east
degrees_north
hours since 1900-01-01 00:00:00.0
m s**-1
m s**-1
K
Pa

# 查看每个变量的形状（维度）
for i in nc_obj.variables.keys ():
    print ( nc_obj.variables[i].shape )

(21,)
(41,)
(144,)
(144, 41, 21)
(144, 41, 21)
(144, 41, 21)
(144, 41, 21)

#取出时间
time=nc_obj['time'][:]
print(time[:5])

[1051152 1051153 1051154 1051155 1051156]

#将时间转化为人类可读时间 datetime.datetime
time1=num2date(time,units=nc_obj['time'].units)
print(time1[:5])

[datetime.datetime(2019, 12, 1, 0, 0) datetime.datetime(2019, 12, 1, 1, 0)
 datetime.datetime(2019, 12, 1, 2, 0) datetime.datetime(2019, 12, 1, 3, 0)
 datetime.datetime(2019, 12, 1, 4, 0)]

#经度  128.5   14    128.75  15
longitude=nc_obj['longitude'][:]
print(longitude)
# print(nc_obj['longitude'][14])

[125.   125.25 125.5  125.75 126.   126.25 126.5  126.75 127.   127.25
 127.5  127.75 128.   128.25 128.5  128.75 129.   129.25 129.5  129.75
 130.  ]

#纬度 45.5  18       46  16
latitude=nc_obj['latitude'][:]
print(latitude)
# print(nc_obj['latitude'][18])
# print(nc_obj['latitude'][16])

[50.   49.75 49.5  49.25 49.   48.75 48.5  48.25 48.   47.75 47.5  47.25
 47.   46.75 46.5  46.25 46.   45.75 45.5  45.25 45.   44.75 44.5  44.25
 44.   43.75 43.5  43.25 43.   42.75 42.5  42.25 42.   41.75 41.5  41.25
 41.   40.75 40.5  40.25 40.  ]

#取出变量blh  10 metre V wind component(10米V风分量)
v10=nc_obj['v10'][:]

#取出北纬46东经128.75的v10数值
a = [0]*144
for i in range(144):
    a[i]=nc_obj.variables['v10'][i][16][15]

#取出变量10 metre U wind component,(10米U风分量)
u10=nc_obj['u10'][:]

#取出北纬46东经128.75的u10数值
b = [0]*144
for i in range(144):
    b[i]=nc_obj.variables['u10'][i][16][15]

#对v10和u10平方和开平方
c = [0]*144
for i in range(144):
    c[i]=(a[i]**2+b[i]**2)**0.5

import matplotlib.pyplot as plt
import  pandas as pd

plt.rc('font', family='SimHei', size=15) #绘图中的中文显示问题，图表字体为SimHei，字号为15
#plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

plt.figure(figsize=(31,8))
plt.title('ECMWF风速(v10和u10平方和的开平方)与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('风速（m/s）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(time1,c,marker='o',c='r')
# plt.xticks(pd.date_range('2019-12-01','2019-01-31'))
# plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
plt.gcf().autofmt_xdate()
# plt.savefig('ECMWF.png') #保存图片
plt.show()

D:\Users\zzh\Anaconda3\lib\site-packages\pandas\plotting\_matplotlib\converter.py:103: FutureWarning: Using an implicitly registered datetime converter for a matplotlib plotting method. The converter was registered by pandas on import. Future versions of pandas will require you to explicitly register matplotlib converters.

To register the converters:
	>>> from pandas.plotting import register_matplotlib_converters
	>>> register_matplotlib_converters()
  warnings.warn(msg, FutureWarning)

在这里插入图片描述

t2m=nc_obj['t2m'][:]
# print(t2m)

#取出北纬46东经128.75的t2m数值
t2m1 = [0]*144
for i in range(144):
    t2m1[i]=nc_obj.variables['t2m'][i][16][15]

# 将开氏度转化为摄氏度 
# 1摄氏度(℃)=274.15开氏度(K)
t2m2=[]
for i in t2m1:
    t2m2.append(i/274.15)

plt.figure(figsize=(31,8))
plt.title('ECMWF的2米温度（t2m）与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('温度（K）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(time1,t2m2,marker='o',c='r')
# plt.xticks(pd.date_range('2019-12-01','2019-01-31'))
# plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
plt.gcf().autofmt_xdate()
# plt.savefig('ECMWF.png') #保存图片
plt.show()

在这里插入图片描述

sp=nc_obj['sp'][:]
# print(sp)

#取出北纬46东经128.75的sp数值
e = [0]*144
for i in range(144):
    e[i]=nc_obj.variables['sp'][i][16][15]

plt.figure(figsize=(31,8))
plt.title('ECMWF的表明压力（sp）与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('压力（Pa）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(time1,e,marker='o',c='r')
# plt.xticks(pd.date_range('2019-12-01','2019-01-31'))
# plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
plt.gcf().autofmt_xdate()
# plt.savefig('ECMWF.png') #保存图片
plt.show()

在这里插入图片描述

#将数据存储到csv文件
import pandas as pd
#a和b的长c度必须保持一致，否则报错
#字典中的key值即为csv中列名
dataframe = pd.DataFrame({'时间':time1,'风速（m/s）':c,'2米温度(℃)':t2m2,'压力(Pa)':e})
#将DataFrame存储为csv,index表示是否显示行名，default=True
dataframe.to_csv(r"ECMWF(方正)20191201-06.csv",sep=',',index=False)

二、NOAA（通河,45.967 ,128.733王阔）

from datetime import datetime
import  pandas as pd

noaa=pd.read_csv("C:\\Users\\zzh\\Desktop\\tonghe1201-1208.csv")

print(noaa.shape)

(64, 33)

noaa.head()

	USAF	WBAN	TIME	DIR	SPD	GUS	CLG	SKC	L	M	...	SLP	ALT	STP	MAX	MIN	PCP01	PCP06	PCP24	PCPXX	SD
0	509630	*****	201912010000	261	18	28	***	***	*	*	...	1023.6	*****	1009.2	***	***	*****	*****	0.19	*****	0
1	509630	*****	201912010300	272	12	28	***	***	*	*	...	1023.4	*****	1009.0	***	***	*****	0.00	0.19	*****	0
2	509630	*****	201912010600	292	7	28	***	***	*	*	...	1022.7	*****	1008.3	20	14	*****	0.01	0.19	*****	0
3	509630	*****	201912010900	300	4	28	722	CLR	*	*	...	1022.5	*****	1007.9	***	***	*****	0.00	0.16	0.01	**
4	509630	*****	201912011200	223	1	25	722	CLR	*	*	...	1021.6	*****	1006.8	***	***	*****	*****	0.05	*****	0

5 rows × 33 columns

#取出时间
TIME=noaa['TIME'][:64,]
print(TIME)

0     201912010000
1     201912010300
2     201912010600
3     201912010900
4     201912011200
          ...     
59    201912080900
60    201912081200
61    201912081500
62    201912081800
63    201912082100
Name: TIME, Length: 64, dtype: int64

# 201901041500，
# 每一个时间如上所示，为2019-01-04，15：00
# 我把分钟数截断，因为所有数据分钟数都是00
TIME1=[]
for i in TIME:
    # 201901041500
    TIME1.append((str.split(str(i)[:10]))[0])
print(TIME1)

['2019120100', '2019120103', '2019120106', '2019120109', '2019120112', '2019120115', '2019120118', '2019120121', '2019120200', '2019120203', '2019120206', '2019120209', '2019120212', '2019120215', '2019120218', '2019120221', '2019120300', '2019120303', '2019120306', '2019120309', '2019120312', '2019120315', '2019120318', '2019120321', '2019120400', '2019120403', '2019120406', '2019120409', '2019120412', '2019120415', '2019120418', '2019120421', '2019120500', '2019120503', '2019120506', '2019120509', '2019120512', '2019120515', '2019120518', '2019120521', '2019120600', '2019120603', '2019120606', '2019120609', '2019120612', '2019120615', '2019120618', '2019120621', '2019120700', '2019120703', '2019120706', '2019120709', '2019120712', '2019120715', '2019120718', '2019120721', '2019120800', '2019120803', '2019120806', '2019120809', '2019120812', '2019120815', '2019120818', '2019120821']

TIME2 =[]
for i in TIME1:
    # 2019010415
    TIME2.append(datetime.strptime(i,'%Y%m%d%H'))

# # 隔行选取数据
# TIME3 =[]
# for i in range(0,247,2):
#     TIME3 .append(TIME2[i])

SPD=noaa['SPD'][:64,]
# print(DIR)

#将英里每小时转化为米每秒
# 1英里每小时（mile/h）=0.44704米每秒(m/s)
SPD1=[]
for i in SPD:
    SPD1.append(i*0.44704)
# print(spd)

# # 隔行选取数据
# SPD2 =[]
# for i in range(0,247,2):
#     SPD2 .append(SPD1[i])

plt.figure(figsize=(31,8))
plt.title('NOAA风速与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('风速（m/s）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(TIME2,SPD1,marker='o',c='g')
# plt.xticks(pd.date_range('2019-01-01','2019-01-31'))
# plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
plt.gcf().autofmt_xdate()
# plt.savefig('NOAA.png') #保存图片
plt.show()

在这里插入图片描述

# TEMP	温度	华氏度
TEMP=noaa['TEMP'][:64,]

# 将华氏度转化为摄氏度
# 1摄氏度(℃)=33.8华氏度(℉)
TEMP1=[]
for i in TEMP:
    TEMP1.append(i/33.8)

plt.figure(figsize=(31,8))
plt.title('NOAA温度与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('温度（℃）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(TIME2,TEMP1,marker='o',c='g')
# plt.xticks(pd.date_range('2019-01-01','2019-01-31'))
# plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
plt.gcf().autofmt_xdate()
# plt.savefig('NOAA.png') #保存图片
plt.show()

在这里插入图片描述

plt.figure(figsize=(31,8))
plt.title('NOAA温度与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('温度（℃）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(TIME2,TEMP1,marker='o',c='g')
# plt.xticks(pd.date_range('2019-01-01','2019-01-31'))
# plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
plt.gcf().autofmt_xdate()
# plt.savefig('NOAA.png') #保存图片
plt.show()

在这里插入图片描述

# STP	站压	毫巴
STP=noaa['STP'][:64,]

# 讲毫巴转化成帕
# 1毫巴(mbar)=100帕斯卡(Pa)Pa
STP1=[]
for i in STP:
    STP1.append(i*100)

plt.figure(figsize=(31,8))
plt.title('NOAA站压与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('气压（Pa）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(TIME2,STP1,marker='o',c='g')
# plt.xticks(pd.date_range('2019-01-01','2019-01-31'))
# plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
plt.gcf().autofmt_xdate()
# plt.savefig('NOAA.png') #保存图片
plt.show()

在这里插入图片描述

三、中国气象网（方正，45.50，128.48，王阔）

china=pd.read_csv("C:\\Users\\zzh\\Desktop\\方正1202-1208.csv")
print(china.head())

   Unnamed: 0  Station_Id_C  Year  Mon  Day  Hour    PRS  PRS_Sea  PRS_Max  \
0           1         50964  2019   12    2     0  998.4   1014.2    998.5   
1           2         50964  2019   12    2     1  998.3   1014.1    998.5   
2           3         50964  2019   12    2     2  998.5   1014.3    998.6   
3           4         50964  2019   12    2     3  997.8   1013.6    998.5   
4           5         50964  2019   12    2     4  997.7   1013.5    997.9   

   PRS_Min  ...  WIN_S_Avg_2mi  WIN_D_Avg_2mi  WEP_Now  WIN_S_Inst_Max  tigan  \
0    998.3  ...            3.8            206      0.0             8.0 -12.66   
1    998.2  ...            2.9            217     22.0             9.6 -12.96   
2    998.2  ...            5.8            200     70.0            11.0 -12.70   
3    997.8  ...            4.1            220      0.0            11.3 -11.98   
4    997.7  ...            5.4            218     70.0            11.9 -12.68   

   windpower      VIS  CLO_Cov  CLO_Cov_Low  CLO_COV_LM  
0          3   7200.0   999999       999999      999999  
1          3  10500.0   999999       999999      999999  
2          3  11200.0   999999       999999      999999  
3          3  16900.0   999999       999999      999999  
4          3   5000.0   999999       999999      999999  

[5 rows x 30 columns]

china['Year'] = [str(i) for i in china['Year']]
china['Mon'] = [str(i) for i in china['Mon']]
china['Day'] = ['0'+str(i) for i in china['Day']]
china['Hour'] = [str(i) for i in china['Hour']]

# china['time'] = china[['Year', 'Mon','Day','Hour']].apply(lambda x: ''.join(x), axis=1)
china['time'] =china['Year']+china['Mon']+china['Day']+china['Hour']

print(china.head())

   Unnamed: 0  Station_Id_C  Year Mon Day Hour    PRS  PRS_Sea  PRS_Max  \
0           1         50964  2019  12  02    0  998.4   1014.2    998.5   
1           2         50964  2019  12  02    1  998.3   1014.1    998.5   
2           3         50964  2019  12  02    2  998.5   1014.3    998.6   
3           4         50964  2019  12  02    3  997.8   1013.6    998.5   
4           5         50964  2019  12  02    4  997.7   1013.5    997.9   

   PRS_Min  ...  WIN_D_Avg_2mi  WEP_Now  WIN_S_Inst_Max  tigan  windpower  \
0    998.3  ...            206      0.0             8.0 -12.66          3   
1    998.2  ...            217     22.0             9.6 -12.96          3   
2    998.2  ...            200     70.0            11.0 -12.70          3   
3    997.8  ...            220      0.0            11.3 -11.98          3   
4    997.7  ...            218     70.0            11.9 -12.68          3   

       VIS  CLO_Cov  CLO_Cov_Low  CLO_COV_LM       time  
0   7200.0   999999       999999      999999  201912020  
1  10500.0   999999       999999      999999  201912021  
2  11200.0   999999       999999      999999  201912022  
3  16900.0   999999       999999      999999  201912023  
4   5000.0   999999       999999      999999  201912024  

[5 rows x 31 columns]

china_time=china['time']
print(china_time)

0       201912020
1       201912021
2       201912022
3       201912023
4       201912024
          ...    
163    2019120819
164    2019120820
165    2019120821
166    2019120822
167    2019120823
Name: time, Length: 168, dtype: object

china_time1 =[]
for i in china_time:
    # 2019010415
    china_time1.append(datetime.strptime(i,'%Y%m%d%H'))

WIN_S_Avg_2mi=china['WIN_S_Avg_2mi']

plt.figure(figsize=(31,8))
plt.title('中国气象网2分钟平均风速与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('风速（m/s）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(china_time1,WIN_S_Avg_2mi,marker='o',c='y')
# plt.xticks(pd.date_range('2019-01-01','2019-01-31'))
# plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
plt.gcf().autofmt_xdate()
# plt.savefig('NOAA.png') #保存图片
plt.show()

在这里插入图片描述

TEM=china['TEM']

# TEM1 = [-i for i in TEM]

plt.figure(figsize=(31,8))
plt.title('中国气象网温度与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('温度（℃）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(china_time1,TEM,marker='o',c='y')
# plt.xticks(pd.date_range('2019-01-01','2019-01-31'))
# plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
plt.gcf().autofmt_xdate()
# plt.savefig('NOAA.png') #保存图片
plt.show()

在这里插入图片描述

PRS=china['PRS']

# 将百帕转化成帕
# 1百帕(hpa)=100帕斯卡(Pa)
PRS1=[]
for i in PRS:
    PRS1.append(i*100)

plt.figure(figsize=(31,8))
plt.title('中国气象网气压与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('气压（Pa）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(china_time1,PRS1,marker='o',c='y')
# plt.xticks(pd.date_range('2019-01-01','2019-01-31'))
# plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
plt.gcf().autofmt_xdate()
# plt.savefig('NOAA.png') #保存图片
plt.show()

在这里插入图片描述

四、GFS（方正附近，46.0、128.75，梁晨）

from datetime import datetime
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

df1 = pd.read_csv("C:\\Users\\zzh\Desktop\\20191130-1209.csv",header=None)
print(df1[:5])

                     0                    1     2        3       4     5  \
0  2019-12-09 06:00:00  2019-12-09 06:00:00  GUST  surface  128.00  45.0   
1  2019-12-09 06:00:00  2019-12-09 06:00:00  GUST  surface  128.25  45.0   
2  2019-12-09 06:00:00  2019-12-09 06:00:00  GUST  surface  128.50  45.0   
3  2019-12-09 06:00:00  2019-12-09 06:00:00  GUST  surface  128.75  45.0   
4  2019-12-09 06:00:00  2019-12-09 06:00:00  GUST  surface  129.00  45.0   

        6  
0  7.1135  
1  2.3135  
2  3.2135  
3  4.1135  
4  3.4135

df1.columns=["time1","time2","WindSpeed","level","longitude","latitude","value"]
print(df1[:5])

                 time1                time2 WindSpeed    level  longitude  \
0  2019-12-09 06:00:00  2019-12-09 06:00:00      GUST  surface     128.00   
1  2019-12-09 06:00:00  2019-12-09 06:00:00      GUST  surface     128.25   
2  2019-12-09 06:00:00  2019-12-09 06:00:00      GUST  surface     128.50   
3  2019-12-09 06:00:00  2019-12-09 06:00:00      GUST  surface     128.75   
4  2019-12-09 06:00:00  2019-12-09 06:00:00      GUST  surface     129.00   

   latitude   value  
0      45.0  7.1135  
1      45.0  2.3135  
2      45.0  3.2135  
3      45.0  4.1135  
4      45.0  3.4135

#df2=df1[(df1["longitude"]==128.75)&(df1["latitude"]==46.00)]

df1 =df1.sort_values("time1",inplace=False)
df1 = df1.reset_index(drop=True)

n_time=[]
for i in range(0,df1.iloc[:,0].size):
    if (df1["longitude"][i]==128.75)&(df1["latitude"][i]==46.00):
        n_time.append(datetime.strptime( df1["time1"][i], "%Y-%m-%d %H:%M:%S"))

n_gust=[]
for i in range(0,df1.iloc[:,0].size):
    if (df1["longitude"][i]==128.75)&(df1["latitude"][i]==46.00):
        n_gust.append(df1["value"][i])

plt.figure(figsize=(30,8))
plt.plot(n_time,n_gust,'go-')
plt.title("201903-09  00:00 06:00 12:00 18:00   GUST")

Text(0.5, 1.0, '201903-09  00:00 06:00 12:00 18:00   GUST')

在这里插入图片描述

五、对比图

plt.figure(figsize=(31,8))
plt.title('风速与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('风速（m/s）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(time1,c,marker='o',c='r',label='ECMWF')#ECMWF
plt.plot(TIME2,SPD1,marker='o',c='g',label='NOAA')#NOAA
plt.plot(n_time,n_gust,marker='o',c='b',label='GFS')#GFS
plt.plot(china_time1,WIN_S_Avg_2mi,marker='o',c='y',label='中国气象网')#中国气象网
# plt.xticks(pd.date_range('2019-01-01','2019-01-31'))
plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
# plt.gcf().autofmt_xdate()
plt.legend(loc='best')
plt.gcf().autofmt_xdate()
plt.savefig('风速对比图') #保存图片
plt.show()

在这里插入图片描述

plt.figure(figsize=(31,8))
plt.title('温度与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('温度（℃）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(time1,t2m2,marker='o',c='r',label='ECMWF')#ECMWF
plt.plot(TIME2,TEMP1,marker='o',c='g',label='NOAA')#NOAA
# plt.plot(china_time1,TEM,marker='o',c='y',label='中国气象网')#中国气象网
# plt.xticks(pd.date_range('2019-01-01','2019-01-31'))
plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
# plt.gcf().autofmt_xdate()
plt.legend(loc='best')
plt.gcf().autofmt_xdate()
plt.savefig('温度对比图') #保存图片
plt.show()

在这里插入图片描述

plt.figure(figsize=(31,8))
plt.title('气压与时间的函数')  #有标题(风速与风向的函数)
plt.xlabel('时间') #横坐标的标题
plt.ylabel('气压（Pa）') #纵坐标的标题
plt.grid(color='#95a5a6',linestyle='--',linewidth=3,axis='both',alpha=0.4) #设置网格
plt.plot(time1,e,marker='o',c='r',label='ECMWF')#ECMWF
plt.plot(TIME2,STP1,marker='o',c='g',label='NOAA',)#NOAA
plt.plot(china_time1,PRS1,marker='o',c='y',label='中国气象网')#中国气象网
# plt.xticks(pd.date_range('2019-01-01','2019-01-31'))
plt.xticks(rotation='vertical')
# plt.xticks(rotation=30)
# plt.gcf().autofmt_xdate()
plt.legend(loc='best')
plt.gcf().autofmt_xdate()
plt.savefig('气压对比图') #保存图片
plt.show()

在这里插入图片描述

爱做梦的鱼

关注

80
点赞
踩
67

收藏

觉得还不错? 一键收藏
打赏
11
评论
四站气象对比（ECMWF+NOAA+中国气象网+GFS）——大气数据分析研究

一、ECMWF（方正附近，46，128.75，张志浩）from netCDF4 import Datasetfrom netCDF4 import num2datenc_obj = Dataset ( "download.nc" )# 查看nc文件中的变量print ( nc_obj.variables.keys() )odict_keys(['longitude', 'lati...
复制链接

扫一扫