空气质量仿真软件：CAMx (Comprehensive Air Quality Model with Extensions)_（7）.气象数据准备与处理

于 2025-05-03 08:15:16 发布
阅读量583 收藏 11
点赞数 34
分类专栏： 环境仿真 文章标签： 仿真模拟 环境仿真 模拟仿真
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42749425/article/details/147675141
版权

气象数据准备与处理

气象数据的重要性

在空气质量仿真软件中，气象数据是至关重要的输入之一。气象数据包括风速、风向、温度、湿度、气压等参数，这些参数直接影响大气中的污染物传输、扩散和化学反应过程。准确的气象数据可以提高仿真结果的可靠性和准确性，因此在使用CAMx进行空气质量仿真之前，需要对气象数据进行详细的准备和处理。

气象数据的来源

气象数据可以来自多种途径，包括但不限于：

  • 观测数据：地面气象站、探空数据、雷达数据等。

  • 数值天气预报模型：如WRF（Weather Research and Forecasting Model）、MM5（Mesoscale Model 5）等。

  • 卫星数据：如MODIS、METEOSAT等。

观测数据的准备

观测数据通常需要进行预处理，以便符合CAMx的输入格式要求。以下是一些常见的预处理步骤：

  1. 数据清洗：去除无效或错误的数据。

  2. 数据插值：将不连续的数据点插值为连续的数据。

  3. 数据格式转换：将数据转换为CAMx可以读取的格式。

代码示例：数据清洗

假设我们有一组地面气象站的温度数据，数据文件格式为CSV，包含时间戳、温度、湿度等字段。我们可以使用Python进行数据清洗。


import pandas as pd



# 读取数据

data = pd.read_csv('meteorological_data.csv')



# 查看数据前几行

print(data.head())



# 检查缺失值

print(data.isnull().sum())



# 填充缺失值

data.fillna(method='ffill', inplace=True)  # 使用前向填充



# 去除异常值

data = data[(data['temperature'] > -50) & (data['temperature'] < 50)]  # 温度范围限制



# 保存清洗后的数据

data.to_csv('cleaned_meteorological_data.csv', index=False)

数值天气预报模型数据的准备

数值天气预报模型（如WRF）生成的气象数据通常需要经过一些处理才能被CAMx使用。以下是一些常见的处理步骤：

  1. 数据提取：从WRF输出文件中提取所需的气象参数。

  2. 数据格式转换：将WRF数据转换为CAMx的输入格式。

  3. 数据插值：将WRF数据插值到CAMx的网格上。

代码示例：从WRF数据中提取气象参数

假设我们有一个WRF输出文件wrfout_d01_2023-01-01_00:00:00，我们需要从中提取风速、风向、温度和湿度数据，并将其转换为CAMx的输入格式。


import netCDF4 as nc

import numpy as np



# 读取WRF输出文件

wrf_file = nc.Dataset('wrfout_d01_2023-01-01_00:00:00', 'r')



# 提取所需变量

u = wrf_file.variables['U'][:]

v = wrf_file.variables['V'][:]

temperature = wrf_file.variables['T2'][:]

humidity = wrf_file.variables['Q2'][:]



# 计算风速和风向

wind_speed = np.sqrt(u**2 + v**2)

wind_direction = np.arctan2(v, u) * (180 / np.pi)



# 保存提取的数据

np.save('wind_speed.npy', wind_speed)

np.save('wind_direction.npy', wind_direction)

np.save('temperature.npy', temperature)

np.save('humidity.npy', humidity)

卫星数据的准备

卫星数据通常用于补充地面观测数据和数值天气预报模型数据。以下是一些常见的处理步骤：

  1. 数据下载：从卫星数据源下载所需的数据。

  2. 数据预处理：将下载的数据进行预处理，如辐射校正、地理校正等。

  3. 数据插值：将卫星数据插值到CAMx的网格上。

代码示例：下载并处理MODIS卫星数据

假设我们需要从MODIS卫星数据源下载温度数据，并进行预处理和插值。


import requests

import numpy as np

import xarray as xr



# 下载MODIS数据

url = 'https://ladsweb.modaps.eosdis.nasa.gov/archive/allData/6/MYD11A1/2023/001/MYD11A1.A2023001.h15v02.006.2023002022008.hdf'

response = requests.get(url)

with open('modis_data.hdf', 'wb') as file:

    file.write(response.content)



# 读取HDF文件

modis_file = xr.open_dataset('modis_data.hdf', engine='h5netcdf')



# 提取温度数据

temperature = modis_file['LST_Day_1km'].values



# 进行插值

# 假设CAMx网格的纬度和经度范围

lat_camx = np.linspace(-90, 90, 100)

lon_camx = np.linspace(-180, 180, 200)



# 使用scipy进行插值

from scipy.interpolate import griddata



# 获取MODIS数据的经纬度

lat_modis = modis_file['Latitude'].values.flatten()

lon_modis = modis_file['Longitude'].values.flatten()



# 创建网格点

grid_lon, grid_lat = np.meshgrid(lon_camx, lat_camx)



# 插值

temperature_camx = griddata((lon_modis, lat_modis), temperature.flatten(), (grid_lon, grid_lat), method='linear')



# 保存插值后的数据

np.save('temperature_camx.npy', temperature_camx)

气象数据的格式要求

CAMx对输入的气象数据有特定的格式要求，这些要求包括数据的格式、分辨率、时间步长等。以下是一些常见的格式要求：

  • 数据格式：CAMx通常使用NetCDF或GRIB格式的气象数据。

  • 空间分辨率：根据仿真区域的大小和模型的网格分辨率，气象数据的空间分辨率需要进行调整。

  • 时间步长：CAMx的仿真时间步长通常为1小时，因此输入的气象数据也应为1小时间隔。

NetCDF格式的气象数据

NetCDF（Network Common Data Form）是一种用于存储多维科学数据的文件格式。CAMx支持NetCDF格式的气象数据输入。以下是一个NetCDF文件的结构示例：


import netCDF4 as nc



# 创建一个新的NetCDF文件

nc_file = nc.Dataset('meteorological_data.nc', 'w', format='NETCDF4')



# 创建维度

nc_file.createDimension('time', None)

nc_file.createDimension('lat', 100)

nc_file.createDimension('lon', 200)



# 创建变量

time = nc_file.createVariable('time', 'f8', ('time',))

lat = nc_file.createVariable('lat', 'f8', ('lat',))

lon = nc_file.createVariable('lon', 'f8', ('lon',))

wind_speed = nc_file.createVariable('wind_speed', 'f8', ('time', 'lat', 'lon'))

wind_direction = nc_file.createVariable('wind_direction', 'f8', ('time', 'lat', 'lon'))

temperature = nc_file.createVariable('temperature', 'f8', ('time', 'lat', 'lon'))

humidity = nc_file.createVariable('humidity', 'f8', ('time', 'lat', 'lon'))



# 设置变量属性

time.units = 'hours since 2023-01-01 00:00:00'

lat.units = 'degrees_north'

lon.units = 'degrees_east'

wind_speed.units = 'm/s'

wind_direction.units = 'degrees'

temperature.units = 'K'

humidity.units = 'kg/kg'



# 填充数据

time[:] = np.arange(24)  # 24小时的数据

lat[:] = np.linspace(-90, 90, 100)

lon[:] = np.linspace(-180, 180, 200)

wind_speed[:] = np.random.rand(24, 100, 200)  # 示例风速数据

wind_direction[:] = np.random.rand(24, 100, 200) * 360  # 示例风向数据

temperature[:] = np.random.rand(24, 100, 200) * 300  # 示例温度数据

humidity[:] = np.random.rand(24, 100, 200) * 0.02  # 示例湿度数据



# 关闭文件

nc_file.close()

GRIB格式的气象数据

GRIB（GRIdded Binary）是一种用于存储气象数据的文件格式。CAMx也支持GRIB格式的气象数据输入。以下是一个GRIB文件的处理示例：


import eccodes



# 打开GRIB文件

with open('meteorological_data.grib', 'rb') as file:

    messages = eccodes.codes_grib_new_from_file(file)

    while messages is not None:

        # 读取变量

        wind_speed = eccodes.codes_get(messages, 'windSpeed')

        wind_direction = eccodes.codes_get(messages, 'windDirection')

        temperature = eccodes.codes_get(messages, 'temperature')

        humidity = eccodes.codes_get(messages, 'humidity')



        # 处理数据

        # 假设我们需要将数据插值到CAMx的网格上

        # 使用scipy进行插值

        from scipy.interpolate import griddata



        # 获取GRIB数据的经纬度

        lat_grib = eccodes.codes_get_array(messages, 'latitude')

        lon_grib = eccodes.codes_get_array(messages, 'longitude')



        # 创建网格点

        lat_camx = np.linspace(-90, 90, 100)

        lon_camx = np.linspace(-180, 180, 200)

        grid_lon, grid_lat = np.meshgrid(lon_camx, lat_camx)



        # 插值

        wind_speed_camx = griddata((lon_grib, lat_grib), wind_speed, (grid_lon, grid_lat), method='linear')

        wind_direction_camx = griddata((lon_grib, lat_grib), wind_direction, (grid_lon, grid_lat), method='linear')

        temperature_camx = griddata((lon_grib, lat_grib), temperature, (grid_lon, grid_lat), method='linear')

        humidity_camx = griddata((lon_grib, lat_grib), humidity, (grid_lon, grid_lat), method='linear')



        # 保存插值后的数据

        np.save('wind_speed_camx.npy', wind_speed_camx)

        np.save('wind_direction_camx.npy', wind_direction_camx)

        np.save('temperature_camx.npy', temperature_camx)

        np.save('humidity_camx.npy', humidity_camx)



        messages = eccodes.codes_grib_new_from_file(file)



# 关闭文件

file.close()

气象数据的插值方法

插值方法用于将不连续或不同分辨率的气象数据转换为连续的、符合CAMx网格要求的数据。常见的插值方法包括：

  • 线性插值：基于两个已知数据点之间的线性关系进行插值。

  • 最近邻插值：选择最近的数据点作为插值结果。

  • 双线性插值：基于四个已知数据点之间的双线性关系进行插值。

  • 三次样条插值：基于三次样条曲线进行插值，适用于平滑数据。

线性插值示例

假设我们有一组不连续的温度数据点，需要将其插值到CAMx的网格上。


import numpy as np

from scipy.interpolate import griddata



# 假设不连续的温度数据点

temperature_points = np.array([[1, 2, 30], [2, 3, 32], [3, 4, 31], [4, 5, 33]])

lat_points = temperature_points[:, 0]

lon_points = temperature_points[:, 1]

temperature_values = temperature_points[:, 2]



# 创建CAMx网格

lat_camx = np.linspace(1, 5, 100)

lon_camx = np.linspace(2, 5, 100)

grid_lon, grid_lat = np.meshgrid(lon_camx, lat_camx)



# 进行线性插值

temperature_camx = griddata((lon_points, lat_points), temperature_values, (grid_lon, grid_lat), method='linear')



# 保存插值后的数据

np.save('temperature_camx.npy', temperature_camx)

双线性插值示例

假设我们有一组高分辨率的风速数据，需要将其插值到CAMx的低分辨率网格上。


import numpy as np

from scipy.interpolate import interp2d



# 假设高分辨率的风速数据

lat_high = np.linspace(-90, 90, 500)

lon_high = np.linspace(-180, 180, 1000)

temperature_high = np.random.rand(500, 1000) * 300  # 示例温度数据



# 创建双线性插值函数

interpolator = interp2d(lon_high, lat_high, temperature_high, kind='linear')



# 创建CAMx网格

lat_camx = np.linspace(-90, 90, 100)

lon_camx = np.linspace(-180, 180, 200)



# 进行双线性插值

temperature_camx = interpolator(lon_camx, lat_camx)



# 保存插值后的数据

np.save('temperature_camx.npy', temperature_camx)

气象数据的校验与验证

在准备和处理气象数据之后，需要对其进行校验和验证，以确保数据的准确性和完整性。以下是一些常见的校验和验证方法：

  • 数据完整性检查：确保所有需要的气象参数都已准备齐全。

  • 数据范围检查：确保气象参数在合理范围内。

  • 数据一致性检查：确保不同数据源之间的一致性。

数据完整性检查示例

假设我们已经准备了一组气象数据，需要检查是否所有参数都已准备齐全。


import numpy as np



# 假设已准备的数据

wind_speed = np.load('wind_speed_camx.npy')

wind_direction = np.load('wind_direction_camx.npy')

temperature = np.load('temperature_camx.npy')

humidity = np.load('humidity_camx.npy')



# 检查数据完整性

if wind_speed is None or wind_direction is None or temperature is None or humidity is None:

    print("数据不完整，请检查数据文件。")

else:

    print("数据完整，可以进行仿真。")

数据范围检查示例

假设我们已经准备了一组温度数据，需要检查温度是否在合理范围内（例如，-50到50摄氏度）。


import numpy as np



# 假设已准备的温度数据

temperature = np.load('temperature_camx.npy')



# 检查温度范围

if np.any(temperature < 223.15) or np.any(temperature > 323.15):

    print("温度数据存在异常值，请检查数据。")

else:

    print("温度数据在合理范围内。")

数据一致性检查示例

假设我们有两组不同的气象数据源，需要检查它们之间的一致性。


import numpy as np



# 假设两组数据

temperature1 = np.load('temperature_camx1.npy')

temperature2 = np.load('temperature_camx2.npy')



# 检查数据一致性

if np.allclose(temperature1, temperature2, atol=1.0):

    print("两组数据一致，可以进行仿真。")

else:

    print("两组数据存在差异，请检查数据源。")

气象数据的可视化

在准备和处理气象数据之后，可以使用可视化工具来检查数据的分布和变化趋势。这一步骤对于确保数据的准确性和完整性至关重要，同时也帮助我们更好地理解数据的特征。以下是一些常用的可视化工具和方法：

  • Matplotlib：Python的绘图库，可以用于绘制二维和三维图形。

  • Basemap：用于绘制地理地图的库。

  • Plotly：交互式绘图库，适合生成动态图表。

Matplotlib可视化示例

假设我们已经准备了一组风速数据，需要绘制风速的变化趋势。Matplotlib 是一个非常强大的绘图库，可以轻松地生成二维和三维图形。


import matplotlib.pyplot as plt

import numpy as np



# 假设已准备的风速数据

wind_speed = np.load('wind_speed_camx.npy')



# 绘制风速变化趋势

plt.figure(figsize=(10, 6))

plt.imshow(wind_speed[0], cmap='viridis', origin='lower')

plt.colorbar(label='Wind Speed (m/s)')

plt.title('Wind Speed Distribution at t=0')

plt.xlabel('Longitude')

plt.ylabel('Latitude')

plt.show()

Basemap可视化示例

假设我们已经准备了一组温度数据，需要绘制温度的地理分布。Basemap 是一个专门用于绘制地理地图的库，可以方便地将气象数据与地理信息结合起来。


from mpl_toolkits.basemap import Basemap

import matplotlib.pyplot as plt

import numpy as np



# 假设已准备的温度数据

temperature = np.load('temperature_camx.npy')

lat_camx = np.linspace(-90, 90, 100)

lon_camx = np.linspace(-180, 180, 200)



# 创建Basemap对象

m = Basemap(projection='merc', llcrnrlat=-90, urcrnrlat=90, llcrnrlon=-180, urcrnrlon=180, resolution='c')



# 绘制地理分布

lon, lat = np.meshgrid(lon_camx, lat_camx)

xi, yi = m(lon, lat)

cs = m.contourf(xi, yi, temperature[0], cmap='viridis')



# 添加图例

m.colorbar(cs, label='Temperature (K)')



# 添加地图边界

m.drawcoastlines()

m.drawcountries()

m.drawstates()



# 显示图形

plt.title('Temperature Distribution at t=0')

plt.show()

Plotly可视化示例

假设我们已经准备了一组湿度数据，需要生成一个交互式的三维图形。Plotly 是一个非常适合生成动态图表的库，可以用于展示数据的变化趋势和空间分布。


import plotly.graph_objects as go

import numpy as np



# 假设已准备的湿度数据

humidity = np.load('humidity_camx.npy')

lat_camx = np.linspace(-90, 90, 100)

lon_camx = np.linspace(-180, 180, 200)



# 创建网格点

lon, lat = np.meshgrid(lon_camx, lat_camx)



# 生成三维图形

fig = go.Figure(data=[go.Surface(z=humidity[0], x=lon, y=lat, colorscale='Viridis')])



# 设置布局

fig.update_layout(

    title='Humidity Distribution at t=0',

    scene=dict(

        xaxis_title='Longitude',

        yaxis_title='Latitude',

        zaxis_title='Humidity (kg/kg)'

    )

)



# 显示图形

fig.show()

气象数据的质量控制

在准备和处理气象数据的过程中，质量控制是非常重要的一步。质量控制可以确保数据的准确性和可靠性，从而提高空气质量仿真的精度。以下是一些常见的质量控制方法：

  • 数据验证：与历史数据或参考数据进行对比，确保数据的一致性。

  • 数据平滑：使用滤波器或平滑算法减少数据中的噪声。

  • 数据插补：对于缺失数据点，使用插值方法进行补全。

数据验证示例

假设我们有一个新的气象数据集和一个历史数据集，需要验证新数据的准确性。


import numpy as np



# 假设新数据和历史数据

new_temperature = np.load('new_temperature_camx.npy')

historical_temperature = np.load('historical_temperature_camx.npy')



# 计算误差

error = np.abs(new_temperature - historical_temperature)



# 检查误差范围

if np.any(error > 5):  # 误差超过5度K

    print("新数据与历史数据存在较大差异，请检查数据。")

else:

    print("新数据与历史数据一致，可以进行仿真。")

数据平滑示例

假设我们有一组风速数据，需要对其进行平滑处理以减少噪声。


import numpy as np

import scipy.ndimage



# 假设已准备的风速数据

wind_speed = np.load('wind_speed_camx.npy')



# 进行高斯平滑

smoothed_wind_speed = scipy.ndimage.gaussian_filter(wind_speed, sigma=1.0)



# 保存平滑后的数据

np.save('smoothed_wind_speed_camx.npy', smoothed_wind_speed)

数据插补示例

假设我们有一组湿度数据，其中存在一些缺失值，需要使用插值方法进行补全。


import numpy as np

from scipy.interpolate import griddata



# 假设已准备的湿度数据

humidity = np.load('humidity_camx.npy')

lat_camx = np.linspace(-90, 90, 100)

lon_camx = np.linspace(-180, 180, 200)



# 创建网格点

lon, lat = np.meshgrid(lon_camx, lat_camx)



# 查找缺失值的位置

missing_indices = np.isnan(humidity[0])



# 从有效数据中提取坐标和值

valid_indices = ~missing_indices

valid_lon = lon[valid_indices]

valid_lat = lat[valid_indices]

valid_humidity = humidity[0][valid_indices]



# 进行插值

interpolated_humidity = griddata((valid_lon, valid_lat), valid_humidity, (lon, lat), method='linear')



# 将插值结果填充回原数据

humidity[0][missing_indices] = interpolated_humidity[missing_indices]



# 保存插值后的数据

np.save('interpolated_humidity_camx.npy', humidity)

气象数据的集成与应用

在完成气象数据的准备、处理和质量控制之后，需要将这些数据集成到CAMx中进行空气质量仿真。以下是一些常见的集成步骤：

  1. 数据导入：将处理好的气象数据导入CAMx。

  2. 参数设置：在CAMx中设置气象参数的输入路径和格式。

  3. 仿真运行：运行CAMx进行空气质量仿真。

数据导入示例

假设我们已经将气象数据处理成NetCDF格式，需要将其导入CAMx。


import os



# 假设处理好的NetCDF文件路径

netcdf_file_path = 'meteorological_data.nc'



# 检查文件是否存在

if os.path.exists(netcdf_file_path):

    print("NetCDF文件已准备好，可以导入CAMx。")

else:

    print("NetCDF文件不存在，请检查数据处理步骤。")

参数设置示例

在CAMx中设置气象参数的输入路径和格式。


# 假设CAMx配置文件路径

config_file_path = 'camx_config.txt'



# 编辑配置文件，设置NetCDF数据路径

echo "METEO_INPUT_FILE = meteorological_data.nc" > $config_file_path

echo "METEO_INPUT_FORMAT = netcdf" >> $config_file_path



# 检查配置文件

cat $config_file_path

仿真运行示例

运行CAMx进行空气质量仿真。


# 假设CAMx可执行文件路径

camx_executable_path = 'camx'



# 运行CAMx

$camx_executable_path -i $config_file_path



# 检查仿真结果

if [ -f "output.nc" ]; then

    echo "CAMx仿真完成，输出文件为output.nc。"

else

    echo "CAMx仿真失败，请检查配置和数据文件。"

fi

通过以上步骤，我们可以有效地准备、处理和应用气象数据，从而提高空气质量仿真的准确性和可靠性。希望这些示例和方法能够帮助你在实际工作中更好地处理气象数据。

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

kkchenjj

你的鼓励是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值