Vairāk

Kā iegūt datus, lai izveidotu vidējo nokrišņu daudzumu 2012. gadā?

Kā iegūt datus, lai izveidotu vidējo nokrišņu daudzumu 2012. gadā?


Pašlaik es daru galīgo projektu, kurā, izmantojot dabisko kaimiņu interpolāciju, man ir jāizveido karte ar 2012. gada vidējo nokrišņu līmeni zemākiem 48 stāvokļiem. Problēma ir tā, kā es varu iegūt datus? Man jau ir 2012. gada dati no NOAA vietnes .CSV formātā. Failā ir vairāk nekā 80000 ģeogrāfisko atrašanās vietu (http://www1.ncdc.noaa.gov/pub/orders/cdo/434898.csv) Vai es varētu tos izmantot, lai izveidotu karti, un, ja kādam ir kāda ideja par datu iegūšanu, lūdzu, palīdziet.


Parādīt XY datus> Dabisko kaimiņu interpolācija - izmantojiet tikko izveidotos punktus kā Ievades punkta funkcijas un Z vērtību, kas iestatīta uz vidējo nokrišņu daudzumu.

Tas ļaus jums rasties nokrišņu rastra virsma, kuru jūs varat attēlot, kā jūs izvēlaties.

* Ņemiet vērā, ka, izmantojot dabisko kaimiņu interpolāciju, jums, iespējams, būs jāpievieno daži “enkura punkti”, lai nodrošinātu pilnīgu ASV pārklājumu.


Visticamāk, tas tiktu izveidots, izmantojot Thiessen Polygons rīku. Konvertējiet csv uz punkta failu un dodieties no turienes.


Daudzkritēriju novērtēšanas metožu integrēšana ar ģeogrāfiskās informācijas sistēmām poligona izvēlei: gadījumu izpēte, izmantojot pasūtīto vidējo svērto vērtību

Šajā rakstā ir uz GIS balstīta daudzkritēriju lēmumu analīzes pieeja, lai novērtētu piemērotību poligonu izvēlei Pologas reģionā, Maķedonijā. Daudzkritēriju lēmumu sistēmā tiek ņemti vērā vides un ekonomiskie faktori, kurus standartizē izplūdušās dalības funkcijas un apvieno analītiskās hierarhijas procesa (AHP) un sakārtoto vidējo svērto (OWA) metožu integrācija. AHP tiek izmantots atribūtu svaru izsaukšanai, savukārt OWA operatora funkcija tiek izmantota, lai ģenerētu plašu lēmumu alternatīvu klāstu nenoteiktības novēršanai, kas saistīta ar mijiedarbību starp vairākiem kritērijiem. Pieejas lietderību ilustrē dažādi OWA scenāriji, kas ziņo par poligonu piemērotību skalā no 0 līdz 1. OWA scenāriji ir paredzēti, lai aprēķinātu riska uzņemšanās līmeni (ti, optimistisku, pesimistisku un neitrālu) un veicinātu labāku izpratne par modeļiem, kas rodas no lēmumu pieņemšanas procesā iesaistītajām lēmumu alternatīvām.

Izceļ

► Lai novērtētu piemērotību poligonu izvēlei, mēs ieviesām uz GIS balstītu daudzkritēriju lēmumu analīzes pieeju. ► Sistēmā tiek ņemti vērā vides un ekonomiskie faktori, kurus standartizē izplūdušās dalības funkcijas. ► Faktori tiek apkopoti, integrējot analītiskās hierarhijas procesu (AHP) un sakārtotās vidējās svērtās (OWA) metodes. ► OWA nodrošina plašu dažādu risinājumu karšu klāstu un prognozējošas alternatīvas poligonu izvietošanai un lēmumu pieņemšanai. ► OWA risinājumu kartes ir paredzētas, lai noteiktu riska uzņemšanās līmeni ar dažādām prognozējošām alternatīvām.


Novērtējiet nokrišņu datu avotus

Mērinstrumentu dati parasti tiek vākti meteoroloģiskajā stacijā un atspoguļo nokrišņus šajā konkrētajā vietā. Šie datu avoti nodrošina reāllaika informāciju par nokrišņu daudzumu vietnē vai mobilajā lietotnē.

Floridas automatizētais laika apstākļu tīkls (FAWN)

Florida Automated Weather Network mēra un uzglabā informāciju par laika apstākļiem no vairāk nekā 40 meteoroloģiskām stacijām Floridā (http://fawn.ifas.ufl.edu/). FAWN vietne nodrošina reāllaika un vēsturisko datu lejupielādi. FAWN piedāvā arī rīkus iepriekšējo nokrišņu daudzumu grafikai un nedēļas un dienas nokrišņu kopsummas kartēšanai. Gada nokrišņu daudzuma sadalījums pa 40 FAWN meteostacijām tika kartēts, lai parādītu gada variācijas visā valstī (2. attēls).

Mana Floridas lauku laika (MFFW) lietotne

FAWN rīko arī lietotni My Florida Farm Weather (http://fawn.ifas.ufl.edu/mffw/). Šajā lietotnē ir nokrišņi no FAWN stacijām, Nacionālās okeāna un atmosfēras pārvaldes (NOAA) meteoroloģiskās asimilācijas datu uzņemšanas sistēmas (MADIS) meteoroloģiskajām stacijām un lauksaimnieku stacijām, kas piedalās Floridas Lauksaimniecības un patērētāju pakalpojumu departamenta (FDACS) izmaksu dalīšanas programmā. MFFW lietotne ir pieejama kā tīmekļa rīks un kā mobilā tālruņa lietotne.

AgroClimate lietotne

AgroClimate Mobile lietotne izmanto arī FAWN datus, taču tai ir papildu funkcijas un vizuāli pievilcīgs formāts. Lietotne sniedz kopsavilkuma informāciju par nokrišņu daudzumu un citiem laika apstākļu mērījumiem. Lietotne AgroClimate arī ļauj lietotājiem pievienot lauku un saistīt lauku ar meteoroloģisko staciju, sniedzot pielāgotus pārskatus augkopības sezonā. Lietotne ir pieejama iOS un Android formātos iTunes un Google Play veikalos.

Ūdenssaimniecības rajona gabarīta dati

Floridas piecos ūdenssaimniecības rajonos ir tiešsaistes sistēmas, lai koplietotu nokrišņu mērījumus no viņu jurisdikcijas. Dienvidfloridas ūdenssaimniecības apgabalā (SFWMD) darbojas datu bāzu sistēma DBHYDRO, kas nodrošina datus par nokrišņiem pēc stacijas, vietas, baseina, apgabala, ģeogrāfiskās atrašanās vietas koordinātām un aģentūras, kā arī citas datu funkcijas: http: //my.sfwmd. gov / dbhydroplsql / show_dbkey_info.main_menu. Floridas dienvidrietumu ūdenssaimniecības apgabalā (SWFWMD) ir arī tiešsaistes sistēma hidroloģisko datu koplietošanai, ūdens pārvaldības informācijas sistēma (WMIS), kurā lietotājs var atrast un lejupielādēt datus par nokrišņiem pēc apgabala, baseina, reģiona, mazpilsētas un vietnes nosaukuma un / un vai identifikācijas numurs: http://www18.swfwmd.state.fl.us/ResData/Search/ExtDefault.aspx.

Sentdžonsas upes ūdenssaimniecības rajons (SJRWMD) nodrošina interaktīvu karti Hidrologic Data, kas parāda laika staciju atrašanās vietas un ļauj lietotājiem kartē atlasīt interesējošo staciju: http://webapub.sjrwmd.com/agws10/ hdsnew / map.html. Suvannas upes ūdenssaimniecības apgabalā (SRWMD) ir interaktīva karte ar nosaukumu Rainfall Stations, kas ir līdzīga SJRWMD kartei. Kartē lietotājs var noteikt nokrišņu mērītāja stacijas pēc apgabala un lejupielādēt pilnu atlasītās stacijas nokrišņu datu kopu: http://www.mysuwanneeriver.org/portal/rainfall.htm. Floridas ziemeļrietumu ūdenssaimniecības rajons (NFWMD) pārvalda tīmekļa lapu Hydrologic WebPortal: http://aquarius-web.nwfwmd.state.fl.us/. Portālā lietotājs interaktīvā kartē var izvēlēties interesējošās meteoroloģiskās stacijas un lejupielādēt izmērītos nokrišņu datus.

Globālais vēsturiskās klimatoloģijas tīkls (GHCN)

Globālais vēsturiskās klimatoloģijas tīkls (GHCN) ir ikdienas un ikmēneša laika novērojumu datu bāze, kas veikta vairāk nekā 80 000 sauszemes stacijās 180 valstīs (Menne et al. 2012). Datu bāze ir atvērta sabiedrībai un lejupielādējama NOAA: https://www.ncdc.noaa.gov/data-access/land-based-station-data/land-based-datasets/global-historical-climatology-network- ghcn. Vēsturiskie klimata dati, kas apkopoti no dažādiem avotiem, tostarp Nacionālās okeānu un atmosfēras pārvaldes (NOAA), Eiropas klimata novērtēšanas un datu kopas (ECAD) un Nacionālā atmosfēras pētījumu centra (NCAR), nedēļā tiek apvienoti ar esošo GHCN datu bāzi. pēc skrīninga un klasifikācijas procesiem. Pārbaude novērš avotu datus par nezināmām vai apšaubāmām vietām, un klasifikācija identificē jaunas laika vietas.


Metodes

Lai izveidotu augstas izšķirtspējas gaisa piesārņojuma koncentrācijas kartes, mēs balstījāmies uz LUR modeļiem un datu kopām, kas sākotnēji tika izstrādāti ESCAPE projektā 10,15. Pirmkārt, mēs īsi raksturojam ESCAPE projektu un tajā izstrādātos LUR modeļus, kas aptver Nīderlandi. Pēc tam tiek aprakstīta datu sagatavošana laika un laika modelēšanas vidē PCRaster 22 un sešu gaisa piesārņojuma koncentrācijas modeļu piemērošana Nīderlandē. Nepieciešamā programmatūra, lai aprēķinātu prognozējošos mainīgos un gaisa piesārņojuma koncentrācijas kartes, ir aprakstīta sadaļā “Kodu pieejamība”.

ESCAPE zemes izmantošanas regresijas modeļi

Pēc tam, kad epidemioloģiskie pētījumi noteica iedarbības reakcijas attiecības Ziemeļamerikā 23 un Eiropas iedarbības aplēses tajā laikā tika balstītas uz šiem rezultātiem, tika ierosināts Eiropas pētījums par gaisa piesārņojuma efektu kohortām (http://escapeproject.eu/), lai izmeklētu ilgstošs ar satiksmi saistīts gaisa piesārņojums veselības stāvoklim. ESCAPE pētījums aptvēra 36 pētījumu apgabalus 15 Eiropas valstīs, un tas tika veikts laikā no 2008. līdz 2012. gadam. Standarta darbības procedūras mērījumiem (http://www.escapeproject.eu/manuals/) un standartizēta metodoloģija ilgtermiņa populācijas novērtēšanai. Gaisa piesārņojuma iedarbība tika izstrādāta, lai izpētītu iedarbības un reakcijas attiecības, piemēram elpošanas un sirds un asinsvadu slimības.

Visām Eiropas pētījumu jomām LUR modeļi tika izstrādāti, pamatojoties uz izmērītajām gada vidējām koncentrācijām. Nīderlandē vienlaicīgi mērījumi notika 80 NO novērošanas vietās2 un NĒxun 40 vietnes PM. Tika izvēlēta reģionālā fona, pilsētas fona un satiksmes vietas. Nīderlande atrodas Rietumeiropas mērenā klimata joslā (Cfb pēc Köppen-Geiger klasifikācijas 24,25) ar vidējo temperatūru 10,1 ° C un vidējo nokrišņu daudzumu 851 mm. 2009. gadā dažādās sezonās (aukstā, siltajā un starpposma sezonā) tika veiktas trīs divu nedēļu mērīšanas kampaņas, lai atspoguļotu sezonalitāti. Turklāt ESCAPE fona atsauces monitoringa vietā visu gadu tika mērītas piesārņotāju koncentrācijas. Pēc tam vidēji tika aprēķināti trīs mērījumu kampaņu dati, pielāgojot tos laika tendencēm, izmantojot nepārtrauktos datus no atsauces monitoringa vietas 15,26. PM10-2.5 netika izmērīts, bet aprēķināts kā starpība starp PM10 un PM2.5.

Visām izpētes vietām bija pieejamas zemes izmantošanas, satiksmes infrastruktūras un apdzīvotības blīvuma ģeogrāfiskās datu kopas, kuras izmantoja, lai iegūtu prognozējošos mainīgos. Datu kopas, kas, domājams, uzlabo LUR modeļus, piemēram, ielas konfigurāciju vai satiksmes ātrumu 27, nebija pieejamas Eiropas mērogā, un tāpēc tās netika ņemtas vērā. Tomēr Nīderlandē informācija par vieglo un lieljaudas satiksmes intensitāti bija pieejama un izmantota modeļa izstrādē.

Pēc tam katrai monitoringa vietnei un ģeogrāfiskajai datu kopai tika aprēķināti potenciālie prognozējošie mainīgie, izmantojot apļveida zonas un dažādus bufera izmērus. Pēc tam katram piesārņotājam tika noteikti prognozējošie mainīgie, kas vislabāk izskaidro izmērīto gada vidējo gaisa piesārņojuma koncentrāciju telpiskās izmaiņas. Pēc tam LUR modeļi tika izmantoti, lai novērtētu gaisa piesārņojuma iedarbību atsevišķiem kohorta dalībniekiem, aprēķinot prognozējošos mainīgos un novērtējot LUR modeļus mājas durvju mājas vietās.

Nīderlandē ESCAPE LUR modeļi izskaidroja 68% gada PM mainīgumu10 koncentrācijas, 67% PM2.5 koncentrācija, PM - 51%10-2.5 koncentrācijas, 92% absorbcijas koncentrācijā un 86% NO2 koncentrācijas. Zemākais modelis r 2 PM2.5 un PM10 salīdzinot ar NO2 un PM2.5. Absorbcija visticamāk, pateicoties vietējo (satiksmes) avotu mazākajai ietekmei uz šiem piesārņotājiem. Variāciju, kas saistīta ar lieliem avotu apgabaliem un transformācijas procesu atmosfērā, ir grūtāk raksturot ar empīriskās modelēšanas pieeju. Daži avoti, piemēram, lauksaimniecība vai kuģniecība, netika detalizēti novērtēti. Rupjā PM zemākais r 2 ir saistīts ar trūkstošiem avotiem un zemāku mērījumu precizitāti: rupjie tika aprēķināti kā starpība starp PM10 un PM2.5.

LUR modeļu izstrāde un modeļa veiktspējas novērtēšana ir sīkāk izskaidrota attiecībā uz slāpekļa (di) oksīdiem 10 un konkrēto vielu 15. 1. tabulā parādīti seši LUR modeļi Nīderlandes un Beļģijas izpētes apgabalam, kas tika izmantoti arī šeit sniegto datu kopu aprēķināšanai.

Datu avoti ESCAPE projektam

ESCAPE projekts izmantoja vairākus ģeogrāfisko datu avotus, lai atvasinātu LUR modeļu prognozējošos mainīgos. Datu kopas projektā bija pieejamas visām studiju jomām Eiropā, un tās tika papildinātas ar valstu datiem.

Ar satiksmi saistītos prognozējošos mainīgos aprēķināja, izmantojot digitālo ceļu tīklu, pamatojoties uz Eurostreets 3.1 versiju, kas iegūta no TeleAtlas MultiNet datu kopas 2008. gadam 15. Šo datu kopu izmantoja prognozētājiem, kas visu ceļu un galveno ceļu garumu (metros) turēja buferī (attiecīgi RL un MRL) un apgrieztos attālumus (m −1) līdz tuvākajam ceļam (IDC) vai tuvākajam ceļam galvenais ceļš (IDM). Ceļu platums datu kopās nebija skaidri norādīts, bet katrs ceļa joslas centrs tika norādīts kā atsevišķs līnijas segments.

Nīderlandē vietējo satiksmes tīklu un satiksmes intensitātes datus no Nīderlandes Vides novērtēšanas aģentūras (http://www.pbl.nl/en/) papildus izmantoja prognozējošajiem mainīgajiem ar satiksmes slodzi (transportlīdzekļi · diena –1 · m) visi ceļi (TL) un galvenie ceļi (MTL), un intensīva satiksmes slodze uz visiem ceļiem (HTL).

Informācija par zemes izmantošanu tika iegūta no CORINE zemes seguma 2000 datu kopas (https://land.copernicus.eu/pan-european/corine-land-cover). CORINE zemes izmantošanas kategorijas tika pārklasificētas un izmantotas, lai izveidotu prognozējošos mainīgos lielumus, kas satur ostas (HAR), rūpniecības (IND) un apgabalus ar augsta un zema blīvuma dzīvojamo zemi (RES). Iedzīvotāju blīvuma dati (POP) tika iegūti no INTARESE projekta datu kopas (http://www.integrated-assessment.eu/eu/).

Pētījuma apgabalā tika iekļauti reģionālie fona aprēķini (BEO, BEX, BEP, BEA), jo ne visas liela mēroga gaisa piesārņojuma koncentrācijas telpiskās tendences varēja izskaidrot ar potenciālajiem prognozējošajiem mainīgajiem lielumiem 10. Koncentrācijas dati, kas iegūti attiecīgi 20 stacijās attiecībā uz slāpekļa oksīdiem un 10 stacijās attiecībā uz pārējiem piesārņotājiem, tika izmantoti, lai novērtētu četras fona koncentrācijas, izmantojot inverso attāluma svērto interpolāciju. Reģionālā fona novērtējums neuzlaboja PM10 modeli un tāpēc netika iekļauts.

Telpiski izplatīta modelēšana

Sākotnējā ESCAPE projektā tika izmantoti vektoru datu avoti. Pēc tam prognozējamos mainīgos un modeļus aprēķināja, izmantojot vektoru balstītas ģeogrāfiskās informācijas sistēmas funkcijas ierobežotam novērojumu un mājas adrešu lokam. Izmantojot šo pieeju, nebija iespējams aprēķināt gaisa piesārņojuma koncentrāciju visās Nīderlandes mājas adresēs, ņemot vērā uz vektoriem balstīto darbību plašo izpildlaiku. Tāpēc mēs izmantojām uz rastra balstītu modelēšanas pieeju, kur vispirms vektoru ievades datu avoti tika pārveidoti par 5 m izšķirtspējas rastra datiem, un no šiem datiem tika aprēķināti arī prediktora mainīgie un LUR modeļi rastra vidē. Šī pieeja rada nelielas atšķirības starp sākotnējiem mainīgajiem, kas aprēķināti ar vektoru, un mainīgajiem, kas aprēķināti, izmantojot rastra metodi. Atšķirības starp abām pieejām ir nenozīmīgas, kā parādīs sadaļā “Tehniskā validācija”.

Lai aprēķinātu uz rastra bāzes paredzētos mainīgos un gaisa piesārņojuma koncentrācijas, mēs izmantojām PCRaster 22, atvērtā koda vides modelēšanas platformu, kas nodrošina plašu darbību klāstu, kas piemērota laika un laika procesu izteikšanai, izmantojot Python programmēšanas valodu (http: //www.python. org /). Lai izmantotu PCRaster, ģeogrāfisko avotu datu kopas tika tulkotas, izmantojot GDAL / OGR (http://www.gdal.org/). Tiek iekļauti skripti, kas realizē konversijas soļus no vektora uz rastra datiem (1. datu atsauce).

Datu kopas tika izveidotas šādi: Apdzīvotības blīvuma datu kopa tika rastrēta gdal_rasterize. Zemes lietošanai vispirms tika rastrēta CORINE datu kopa gdal_rasterize. Tad CORINE zemes izmantošanas klases tika pārklasificētas un pārkodētas atsevišķās rastra kartēs, kurās bija rūpniecības, ostu un dzīvojamie rajoni. Kopējais ceļu garums katrā rastra šūnā tika aprēķināts, krustojot 5 m 2 izšķirtspējas tīkla tīklu ar ceļu tīklu, lai iegūtu visus atsevišķos ceļa posmus katrā rastra šūnā. Pēc tam katra ceļa segmenta garumi rastra šūnā tika aprēķināti QGIS (http://qgis.osgeo.org). Visbeidzot, garuma vērtības tika summētas vienā šūnā un kopējie ceļa garumi tika piešķirti kā rastra šūnas vērtība.

Prognozējamo mainīgo aprēķināšana

Rastrētie datu avoti tika izmantoti, lai aprēķinātu prognozējošos mainīgos, kas tiek izmantoti LUR modeļos. Lai aprēķinātu sešus LUR modeļus, bija nepieciešami dažādi apļveida bufera izmēri zemes izmantošanai un iedzīvotāju blīvumam (ar 1000 un 5000 metriem), kā arī ceļa garumam un satiksmes slodzei (ar 25, 50, 500 un 1000 metriem). Kopumā tika aprēķināti 16 prediktora mainīgie ar buferiem. Šūnu vērtību summēšana, izmantojot apļveida buferus ar rādiusu no 25 līdz 5000 metriem, visā apgabalā tika aprēķināta Python, izmantojot daudzapstrādes, PCRaster 22 un NumPy 28 moduļus. Atkarībā no buferu lieluma prognozēšanas kartes tika aprēķinātas vai nu standarta Linux darbstacijā (40 kodoli Intel Xeon E5-2650, 128 Gb atmiņas buferi, kas mazāki par 1000 metriem), vai arī uz Nīderlandes nacionālā superdatora Cartesius (buferi ar 1000 un 5000 m rādiusā).

Apgrieztajiem attālumiem līdz ceļu tīkliem mēs aprēķinājām katrai šūnai šūnu centra koordinātu attālumu līdz tuvākajam ceļam, izmantojot Attālums funkciju no GDAL / OGR moduļa un piešķīra apgriezto attālumu kā rastra šūnas vērtību.

Četri reģionālie fona aprēķinātāji tika aprēķināti, izmantojot apgriezto attāluma svēršanas interpolāciju, izmantojot gaisa piesārņojuma mērījumus no 20 stacijām slāpekļa oksīdiem un 10 stacijām daļiņām. Vispirms mēs izveidojām rastra kartes ar vērtībām stacijas atrašanās vietās un izmantojām tās kā argumentus apgrieztā pretestība funkcija no PCRaster ar 100 km rādiusu.

LUR modeļu ieviešana un aprēķināšana

Ar katru no prognozējošajiem mainīgajiem lielumiem, kas pieejami kā individuāli rastra faili, LUR modeļus var ieviest, lai aprēķinātu gaisa piesārņojuma koncentrācijas kartes. PCRaster Python skripts, kas ilustrē LUR modeļa aprēķināšanu, parādīts 1. ailē. PCRaster nodrošina plašu darbību kopumu, pamatojoties uz kartes algebru un kartogrāfiskās modelēšanas koncepciju 29, šīs ģeotelpiskās darbības ir pieejamas pēc tā paša nosaukuma moduļa importēšanas. Nepieciešamos prognozējamos mainīgos no diska nolasa, izmantojot atbilstošos failu nosaukumus readmap operācijas (4. – 6. rinda) un katra piešķirta jauniem mainīgajiem. Tādējādi šie mainīgie kļūst par telpisko datu tipiem, kas būtībā satur informāciju par ģeogrāfisko apjomu un diskretizāciju, kā arī par divdimensiju masīviem rastra šūnu vērtībām. LUR modelis PM10 (skat. 1. tabulu) pati par sevi tiek ieviesta 9. rindā. Vienādojuma aritmētiskie operatori tiek izpildīti katrai rastra šūnai, pieeja ir salīdzināma ar citām masīvu programmēšanas valodām. Rezultātā iegūtās koncentrācijas vērtības tiek glabātas jaunā ģeotelpiskajā datu kopā diskā (12. rindiņa). Pieci citi LUR modeļi tiek aprēķināti vienādi.

Iegūto karšu piemēri parādīti 1. attēlā, parādot gaisa piesārņojuma koncentrācijas telpisko modeli valsts un pašvaldību mērogā. 2. attēlā redzamas koncentrācijas vērtības ziemeļu-dienvidu transektam caur Utrehtas pašvaldību. Modeļi ietver vairākus maza mēroga satiksmes prognozētājus, ieskaitot apgriezto attālumu līdz ceļiem, kas izskaidro slīpumu pie ceļiem. Paaugstināta koncentrācija krustojumu tuvumā ir saistīta ar augstākiem 50 metru satiksmes buferiem.

Paneļi parāda NO koncentrāciju2 (a), NĒx (b) un PM10 (c).

Paneļos redzams NĒ2 (a), NĒx (b) un PM10 koncentrācijas (c).

1. lodziņš: Python skripts, kurā parādīti galvenie soļi LUR modeļu aprēķināšanai, šeit piemērs PM10.

Iepriekš apstrādātie prediktora mainīgie tiek nolasīti no diska, aprēķināts LUR modelis un saglabāta iegūtā gaisa piesārņojuma koncentrācijas karte. PCRaster raksturīgās darbības ir atzīmētas ar zilu krāsu.

Kodu pieejamība

Programmatūras pakete PCRaster, ko izmanto, lai aprēķinātu ESCAPE zemes izmantošanas regresijas modeļus, ir atvērtā koda un to var izpildīt Linux, Windows un macOS. PCRaster avota kods ir pieejams vietnē GitHub (https://github.com/pcraster/pcraster/). Saites uz Windows izlaišanas pakotnēm, Unices izveidošanas instrukcijām, atsauces dokumentāciju, tiešsaistes kursiem un informāciju par pētniecības projektiem var atrast projekta vietnē (http://www.pcraster.eu). Modeļu izpildei ir nepieciešama PCRaster versija 4.2, pateicoties vairākiem neseniem koda uzlabojumiem lielu datu kopu apstrādei.

Turklāt zemes izmantošanas regresijas modeļu aprēķināšanai ir nepieciešama Python (http://www.python.org/) versija 2.7 (vai 3.6) ar NumPy moduļa 28. versiju 1.7 (vai jaunāku). Ģeotelpisko datu abstrakcijas bibliotēkas (GDAL, http://www.gdal.org/) versija 2.2.4 (vai jaunāka) ir nepieciešama, lai izpildītu skriptus, kas rastrē vektoru datu kopas, un lai izpildītu skriptus, veicot attālumu līdz ceļam.


1 Atbilde 1

Jūsu problēmas darba kods:

Paskaidrojums: Sākot ar šo StackOverflow atbildi, DateFormatter izmanto mdates. Lai tas darbotos, jums ir jāizveido DatetimeIndex-Array no mēnešu nosaukumiem, kurus DateFormatter pēc tam var atkārtoti formatēt.

Kas attiecas uz aprēķinu, es sapratu jūsu problēmas risinājumu kā tādu, ka mēs to izmantojam katra mēneša laikā un pēc tam ņem vidējo šo summu visu gadu laikā. Tādējādi jūs iegūstat vidējo nokrišņu daudzumu mēnesī visu gadu garumā.


Piereģistrēties

  • Izmantojiet iepriekš redzamos grafikus, lai aprakstītu parastos apstākļus, kādi varētu būt gaidāmi Ročesterā, Minesotā 1. maijā.
  1. Lai piekļūtu līdzīgam pilsētas tuvumā esošam pilsētas grafikam, dodieties uz ASV staciju klimatoloģiju NOAA Zemes sistēmas pētījumu laboratorijas lapu.
  2. Atlasiet valsti vai teritoriju un pilsētu, pēc tam noklikšķiniet uz Iesniegt. Pārbaudiet pa vienam grafikam: izlasiet asis un pārbaudiet līnijas, lai izprastu informāciju.
  3. Izmantojiet vietni, lai pieprasītu klimatoloģijas grafikus trim vai četrām dažādām vietām visā ASV. Noklikšķiniet uz saitēm vienas diagrammas lapas apakšdaļā, lai piekļūtu un interpretētu papildinformāciju par katru atrašanās vietu un klimatu.

4.21 Izlaiduma piezīmes

  • Laika vidējā karte ar pārklājumu. Laika vidējā kartē tagad ir variācija, kas ļauj lietotājam pārbaudīt divus mainīgos, kas pārklāti ēnainās krāsās un kontūrās. Lietotājs vizualizācijā var ievadīt vairākus mainīgos, taču vienlaikus var parādīt tikai divus (3, ja viens ir vektora mainīgais). Tā vizualizācija ļoti atšķiras no citām Džovanni vizualizācijām, tāpēc rūpīgi to pārskatiet (Lietošanas pamācībā par to ir īss raksts).
  • Zemes jūras maska. Sauszemes jūras masku dati ir iekļauti kā formas faili, tikai & ldquoSea & rdquo un & ldquoLand Only & rdquo, tāpēc iespējo sauszemes jūras maskēšanas iespēju. Piemēram, ja ir definēta ierobežojošā lodziņa un ir atlasīts tikai & ldquoLand & & rdquo formas fails, tad definētais reģions ir tikai ierobežojošās lodziņa zeme. Pašlaik divi zemes gabalu veidi - & ldquoTime Averageaged Map & rdquo un & ldquoArea-Averageaged Time Series & rdquo - ir iespējoti sauszemes jūras maskēšanas iespējām.
  • Web Coverage Service (WCS) atbalsts. Atvērtā ģeotelpiskā konsorcija (OCG) WCS saskarnes standarts, kas lietotājiem ļauj piekļūt ģeotelpiskajiem datiem internetā. GES DISC WCS saskarne atbilst standarta protokolam, ļaujot klientiem piekļūt datiem gan tieši, gan datiem, kas aprēķināti pēc laika, izmantojot Giovanni-4 iespējas (detalizētu dokumentāciju skatiet lietotāja rokasgrāmatā).
  • Novērstas kļūdas, ja vienību pārveidošana nedarbojās ar vidējo apgabala izkliedi.
  • Jaunā pārklājuma karte automātiski tuvinās jūsu izvēlēto reģionu vai formu.
  • GLDAS_NOAH025_3H (16 mainīgie)
  • Gruntsūdeņu un augsnes mitruma apstākļi no GRACE datu asimilācijas L4 7 dienas 0,25 x 0,25 grādi V1,0 (GRACEDADM_CLSM025NA_7D.1.0) (3 mainīgie)
  • MERRA-2 instM_3d_ana_Np: 3d, mēneša vidējais, acumirklīgais, spiediena līmenis, analīze, analizētie meteoroloģiskie lauki V5.12.4 (M2IMNPANA.5.12.4) (6 mainīgie)
  • MERRA-2 tavgM_3d_cld_Np: 3d, mēneša vidējais, vidējais laiks, spiediena līmenis, asimilācija, mākoņdiagnostika V5.12.4 (142 mainīgie)
  • MODISA_L3m (5 jauni mainīgie)
  • NLDAS_NOAH0125 Klimatoloģija (kopā 43 mainīgie)
  • NLDAS_FORB0125_H (kopā 9 mainīgie)
  • IMERG (17 jauni mainīgie)

Par autoru

Sudhir Shrestha

Sudhir Raj Shrestha šobrīd strādā Vides sistēmu izpētes institūtā (ESRI) kā risinājumu inženieris pētnieks, atbalstot ģeotelpiskās zinātnes lietojumus NASA, JPL, NOAA un USDA ARS un nozares partneros, piemēram, Microsoft un Amazon. Viņš ir zinātnisko datu entuziasts, kuram ir liela interese padarīt datus viegli atklājamus un savietojamus. Viņa pētījumi ir vērsti uz ģeogrāfiskās informācijas zinātni, ģeozinātni, lauksaimniecības zinātni un augsnes zinātni. Viņa intereses un zināšanas ir saistītas ar jaunu un novatorisku ģeotelpisko metožu un paņēmienu izstrādi un ieviešanu. Tie ietver augsnes mitrumu, hidroloģisko modelēšanu un citas sarežģītas telpiskās un statistiskās modelēšanas metodes, kas aptver laika un klimata prognozes, kā arī zinātnisko datu, tostarp daudzdimensionālo laika un klimata datu, modelēšanu un pielietošanu. Sudhir plaši strādā ar datu savietojamības, datu un metadatu standartiem, R programmēšanu un Linux sistēmu integrāciju, tostarp augstas izšķirtspējas hiperspektrālo attēlu un uz zemes izvietotu un gaisā esošu LiDAR datu lietošanu. Viņa līdzšinējā pieredze ir darbs ASV (NOAA, Kalifornijas Universitātes Merced, NOAA Vides kooperatīvā zinātnes centrā Floridas A & ampM Universitātē, Merced pilsētā, Vaiomingas Universitātē) un starptautiskā mērogā (vizītzinātniece Japānas Akita prefektūras universitāte, VLIR Scholar Gent University Beļģija, Konsultants ANO Vides programmas (UNEP) finansētajā Nepālas lauku tehnoloģiju centra projektā, vieslektors Himalaju koledžā Nepālas Lauksaimniecības zinātnes un tehnoloģiju un Nepālas inženieru koledžā). Iepriekš Sudhir ir vadījis vairākas organizācijas, piemēram, bezpeļņas organizāciju Young Water Action Team (YWAT), kas atrodas Nīderlandē. Viņš bija Vaiomingas Universitātes ASPRS (Amerikas Fotogrammetrijas un attālās uzrādes biedrības) studentu nodaļas prezidents un dibinātājs. Sudhir tika iecelts par bezpeļņas Zemes kosmosa informācijas partnera (ESIP) viceprezidentu 2020. gadam. Viņš brīvprātīgi kalpo zemes un ģeotelpisko zinātņu kopienai, kā arī paplašina savu pieredzi, strādājot valsts un starptautiskā mērogā zemes zinātnes jomā ar valdību, akadēmisko aprindu un privāto nozari, palīdzot veidot un paplašināt sadarbību un paplašināt ESIP un Esri kopienu kopumā.


Citi karšu pielāgojumi

Krāsu skalas diapazons

Džovanni automātiski izvēlas attēlam atbilstošu krāsu skalu, pamatojoties uz zīmējamo datu minimālajām un maksimālajām vērtībām. Var redzēt, ka šim attēlam Džovanni automātiski izvēlējās diapazonu 0 mm / h - 2,988 mm / h.

Lai mainītu šo, noklikšķiniet uz Iespējas poga blakus Attēls poga, kas ir riņķota 4. attēlā. Uznirstošajā logā tiek izsaukts Kartes opcijas jūs varat mainīt minimālo un maksimālo vērtību.

Mainīt krāsu paleti

Noklusējuma zila līdz sarkana krāsu palete var nebūt piemērota visiem lietotājiem. Lai to mainītu, noklikšķiniet uz Iespējas poga blakus Attēls poga, kas ir riņķota 4. attēlā. Uznirstošajā logā tiek izsaukts Kartes opcijas jūs varat mainīt paleti.

Mainīt datu izlīdzināšanu

Datu izlīdzināšanas opcija Kartes opcijas iepriekš aprakstītais logs ļauj izmantot GRADS ' gxout aizēnots un divkubu formas vienmērīgāki dati. Lai gan tas var būt noderīgi zemas izšķirtspējas datiem, ietekme uz 0,1 ° IMERG datiem ir nenozīmīga.

Zemāk 5. attēlā parādīta iegūtā karte, kas izveidota, datu diapazonu nosakot uz 0 - 2 mm / h, krāsu paleti uz Balta-zila-sarkana-dzeltena un izlīdzināšana līdz Ieslēgts.

5. attēls. IMERG datu karte, kurā tiek izmantoti visi trīs izvēles pielāgojumi.

Pārskats:
Šī recepte parāda, kā, izmantojot Python, nolasīt datus no globālās nokrišņu mērīšanas (GPM) misijas IMERG datu kopas.

Vislabāk, kad:
Lietotājs vēlas lasīt GPM IMERG datos, izmantojot Python

Piemērs:
Datu piemēri: GPM 3. līmeņa IMERG mēneša 0,1 x 0,1 grādu nokrišņi (GPM_3IMERGM) 2015. gada jūlijā.

Paredzamais laiks šādu procedūru izpildei: 20 minūtes

Prasības: Python un bezmaksas pakotnes: numpy, matplotlib, basemap un h5py. Matplotlib un pamatkarte ir vajadzīga tikai zīmēšanai.

Šajā receptē mēs izmantojam datu meklētājprogrammu Mirador, taču datus varat iegūt, izmantojot citus GES DISC datu pakalpojumus.

  • Tīmekļa pārlūkprogrammā dodieties uz: http://mirador.gsfc.nasa.gov.
  • Laukā Atslēgvārds ievadiet IMERG un nospiediet Meklēt GES-DISC.
  • Pirmais rezultāts parāda mēneša nokrišņu aprēķinus, GPM 3. līmeņa IMERG mēneša 0,1 x 0,1 grādu nokrišņu daudzums (GPM_3IMERGM). Noklikšķiniet uz Skatīt failus (skatiet sarkano bultiņu 1. attēlā).
  • Noklikšķiniet uz pirmā faila nosaukuma sarakstā, lai to lejupielādētu. To sauc par 3B-MO.MS.MRG.3IMERG.20150701-S000000-E235959.07.V03D.HDF5.

Piezīme: šī recepte darbojas visiem IMERG datiem, ne tikai ikmēneša aprēķiniem.

1. attēls: Mirador meklēšanas rezultātu piemērs IMERG.

2. Palaidiet šādu Python skriptu:

# Šis ir skripta paraugs, kas nolasa un uzzīmē IMERG datus.

no mpl_toolkits.basemap importēt Basemap, cm

importēt matplotlib.pyplot kā plt

dataset = h5py.File ('/ path / to / data / 3B-MO.MS.MRG.3IMERG.20150801-S000000-E235959.08.V03D.HDF5', 'r') # Mainiet to uz pareizo ceļu

# Uzzīmējiet attēlu, definējiet ģeogrāfiskās robežas

# Uzzīmējiet krasta līnijas, štatu un valstu robežas, kartes malu.

# Definējiet platuma un garuma datus

x, y = np.float32 (np.meshgrid (theLons, theLats))

# Maskējiet vērtības, kas mazākas par 0, jo nav datu, ko uzzīmēt.

masked_array = np.ma.masked_where (nokrišņi & lt 0, nokrišņi)

# Atzīmējiet katru maskēto vērtību kā baltu

plt.title ('2015. gada augusta mēneša vidējais lietus līmenis')

Pārskats

Orbit Viewer THOR ir rīks satelītu datu failu parādīšanai tropisko nokrišņu mērīšanas misijas (TRMM) arhīvā. THOR nozīmē “Rīks augstas izšķirtspējas novērojumu pārskatīšanai”. Tā ir IDL rakstīta norādīšanas un klikšķināšanas programma, kas darbojas operētājsistēmās Linux, Mac OS X un Windows. Šis skatītājs ļauj attēlot TRMM Zemes novērojumu kartē ar pilnu instrumenta izšķirtspēju. Pat ja plānojat lasīt un analizēt GPM HDF5 failus, izmantojot savas IDL programmas, tas var palīdzēt instalēt THOR datu skatītāju, lai ātri pārbaudītu analizējamos HDF5 failus.

Instrukcijas

Parole: [jūsu e-pasta adrese]

Lejupielādējiet savai sistēmai vispiemērotāko versiju. Kad zip fails ir lejupielādēts, izpakojiet to un palaidiet kādu no šiem skriptiem, lai instalētu:

Kad iestatīšanas skripts ir pabeigts, palaidiet jauno izpildāmo failu, kas tika izveidots, lai palaistu THOR. Pilnīga dokumentācija par THOR lietošanu atrodas atspiestā THOR instalēšanas direktorijā sadaļā “Doc” - & gt “Tutorial.pdf”.

Lai lejupielādētu datus no TRMM FTP, vispirms jāreģistrē sava e-pasta adrese nokrišņu apstrādes sistēmā, izmantojot šo lapu: http://registration.pps.eosdis.nasa.gov/registration/newContact.html

Lejupielādējiet vēlamos HDF datu failus no TRMM FTP: ftp://arthurhou.pps.eosdis.nasa.gov/pub/trmmdata/

Katalogu struktūra norāda datu veidu, kuriem piekļūsit. Piemēram:

“ByDate” - & gt “V07” - & gt “2014” - & gt “06” - & gt “03” No 3. jūnija jūs novedīsit pie TRMM datu failiem, izmantojot sakārtotus pēc datuma, izmantojot 7. versijas algoritmu.

“By Instrument” -> “V06” -> “PRC” -> “2014” -> “05” -> “14” will lead you to TRMM Precipitation Radar data files using the Version 6 algorithm, from May 14th, 2014.

The HDF file name also indicates the data contained. The format is: [algorithm ID].[dataset end date in YYYYMMDD format].[orbit number (for swath products only)].[data processing version].[file format].gz

Unzip the HDF data file, and use the THOR program to open the file using “File” -> “Open File”

You can navigate the structure of the HDF file using the left panel. The right panel displays your selected info, depending on what kind of data you are viewing. Each algorithm may contain different fields and data types, full documentation is available here: http://pps.gsfc.nasa.gov/ppsdocuments.html#version7

To view surface precipitation rate by date, download a file from this location in the FTP: “ByDate” -> “V07” -> [select your desired date and a “Level 3” algorithm file]. Then in THOR load the file and select “Grid” -> “surfacePrecipRate” to view average precipitation on a global map.

To view TRMM Precipitation Radar data in 3D, download a file from this location in theFTP: “ByInstrument” -> “V07” -> “PCR” -> [select your desired date and a “Level 2” algorithm file]. Then in THOR load the file and select “Swath” -> “Rain” and choose an area on the map that has precipitation and is covered by the swath, then click “View” -> “Swath” -> “3D View”


Rain and Precipitation

Rain and snow are key elements in the Earth's water cycle, which is vital to all life on Earth. Rainfall is the main way that the water in the skies comes down to Earth, where it fills our lakes and rivers, recharges the underground aquifers, and provides drinks to plants and animals.

Rain and Precipitation

A localized heavy summer rainstorm in Colorado

Here is a classic summer rainstorm they are often small but intense. Other rain events are more "frontal" in nature, with large nimbostratus types of clouds bringing precipitation over a large area. (Credit: Howard Perlman, USGS )

Fortunately for everyone, water is a renewable resource that moves in a cycle with neither beginning nor end (but, you can put in your vote as to where you think it begins). Water vapor (evaporated no oceans, lakes, forests, fields, animals, and plants) condenses and returns to Earth as precipitation, once again replenishing reservoirs, lakes, rivers, underground aquifers, and other sources of water and providing the moisture required by plants and animals. an endless water cycle.

The amount of precipitation that falls around the world may range from less than 0.1 inch per year in some deserts to more than 900 inches per year in the tropics. One of the driest spots on Earth is Iquique, Chile, where no rain fell for 14 years. The world's wettest spot, as shown by data collected from a rainfall gage operated by the USGS, is on Mt. Waialeale, Hawaii, where an average of more than 451 inches of rain falls each year, and where more than 642 inches fell from July 1947 to July 1948. Although Mt. Waialeale averages slightly more rain per year, Cherrapunji, India, holds the single year record of 905 inches measured in 1861.

By contrast, the conterminous (the 48 "lower" states) United States receives enough precipitation during an average year to cover the States to a depth of about 30 inches. This is equivalent to about 1,430 cubic miles of water each year. What happens to the water after it reaches the ground depends upon many factors such as the rate of rainfall, topography, soil condition, density of vegetation, temperature, and the extent of urbanization.

Wide spread flooding in Lithia Springs, Georgia just west of downtown Atlanta, after epic rainfall, 22 Sept. 2009. Impervious surfaces and urban buildup causes rainfall to runoff much quicker, and with greater flooding consequences, during heavy rains.

For example, the direct runoff in a highly urbanized area is relatively great, not only because of the density of roofs and impermeable pavements permits less rain to infiltrate the ground, but also because storm-sewer systems carry more water directly to the streams and lakes. In a more natural or undeveloped area, the direct runoff would be considerably less.

In the United States, an average of some 70 percent of the annual precipitation returns to the atmosphere by evaporation from land and water surfaces and by transpiration from vegetation. The remaining 30 percent eventually reaches a stream, lake, or ocean, partly by overland runoff during and immediately after rain, and partly by a much slower route by moving though the ground.

Much of the rain that enters the ground filters down into subsurface water-bearing rocks (aquifers) and eventually reaches lakes, streams, and rivers where these surface-water bodies intercept the aquifers. The portion of the precipitation that reaches the streams produces an average annual streamflow in the United States of approximately 1,200 billion gallons a day. By comparison, the Nations's homes, farms, and factories withdraw and use about 355 billion gallons a day (2010).

Amount of water received when an inch of rain occurs

Have you ever wondered how much water falls onto your yard during a rainstorm? Using a 1-inch rainstorm as an example, the table below gives example of how much water falls during a storm for various land areas.


Skatīties video: Naktinis lietus ir perkūnija Vilniuje