BGC-Argo数据学习笔记

hgy8969

已于 2023-04-14 10:35:33 修改

阅读量4.9k

点赞数 2

分类专栏： Argo 海洋数据文章标签：大数据 argo

于 2020-11-09 14:09:48 首次发布

本文链接：https://blog.csdn.net/qq_33169259/article/details/109576572

版权

海洋数据同时被 2 个专栏收录

5 篇文章 0 订阅

订阅专栏

Argo

4 篇文章 1 订阅

订阅专栏

Argo数据文件：http://www.argodatamgt.org/Documentation
Global BGC-Argo review: http://bgc.argo.org.cn:8000/#/index

用户手册：3.4v
1.数据存储格式
每10天一个周期，进行数据传输。个别Argo根据实验者的设计，所循环的周期小于10天，有可能不被纳入Argo体系。此外，应注意Argo的采样季节性数量偏差。

DIRECTION：代表Argo的方向 A上升 D下降
DATA_MODE：整个文件的修改模式 D表示人工校正 A表示自动校正 R表示未校b正
包含CTD的浮标将不再包含BGC-Argo的参数,PRES是联系core-Argo和B-Argo之间的一个变量，PRES-adjusted只存储在core-Argo中。
N_PROF：垂直采样机制（可理解为某参量有多少个垂直剖面）,温度盐度等无多采样机制的数据则存储无效值(示例如下)。其中光学参数或包含多维度变量，则数据存储为：
float (N_PROF, N_LEVELS, N_VALUES)
char _QC(N_PROF, N_LEVELS)

数据纠正模式：
PARAMETER_DATA_MODE是每个变量的纠正模式
DATA_MODE，全体变量的纠正模式
POSITION_QC：位置精确度变量None为无效值

2. 数据质量控制
param_qc/param_adjusted_qc（和level长度相同）:
A和R中：1 good data; 2 可能是好数据，使用需要小心
D中：1 good data; 2 可能是好数据，已经基于不充足的数据进行了D校正，校正误差被提供。
3 4 坏数据，5 只用于CHLA校正值表示由于NPQ而改变的叶绿素值 8 只用于JULD和POSITION表示估计的时间和位置 9 缺失数据
overall profile quality flag
A 100% good data
B 75% good data
(1,2,5,8)被认为是好数据
在这里插入图片描述

时间计算： datetime.datetime(1950,1,1)+datetime.timedelta(days=time[i)）
以上时间记录的为UTC时间，西经的当地时间晚于UTC时间，通过longitude//15来进行换算

3.数据获取
中国Argo实时资料中心
https://www.sohu.com/a/312994999_726570
ftp://ftp.argo.org.cn/pub/ARGO/global/

GDAC数据
ftp://ftp.ifremer.fr/ifremer/argo/

4.Python数据读取

# B-C Argo的类型
data_type=data.variables['DATA_TYPE'][:].data
#v3.1
format_version=data.variables['FORMAT_VERSION'][:].data
#1950年1月1日
reference_date_time=data.variables['REFERENCE_DATE_TIME'][:].data
# Argo的编号
plat_form_number=data.variables['PLATFORM_NUMBER'][:].data
# 主要研究者姓名
pi_name=data.variables['PI_NAME'][:].data
# A 上升 D 下降  一般用下降的数据
direction=data.variables['DIRECTION'][:].data
# Station unique identifier in data centre
dc_reference=data.variables['DC_REFERENCE'][:].data
# 实时或者延迟模式
data_mode=data.variables['DATA_MODE']
# 时间，从1950年1月1日算起
juld=data.variables['JULD']
# 经纬度
juld_location=data.variables['JULD_LOCATION'][:].data
# 多维度矩阵
# Core参数和B参数
#多变量
parameter=data.variables['PARAMETER'][:].data
parameter_data_mode=data.variables['PARAMETER_DATA_MODE']

5. 坑（自己酌情处理）

Grey list中提到的有问题的变量，在aujusted数据中依然有较好质量的数据标签。
剔除flag为0,4,3(视情况而定)，1，2，5，8为可用的数据
pres与variables的信息存在不对应的情况，如adjusted对应，则使用该数据；若不对应，则使用非adjusted数据；若仍不对应，则舍弃剖面（该种情况比例不大）