Skip to main content
 首页 » 编程设计

python之计算卫星数据中 u 和 v 风分量的旋度之Python

2025年05月04日33lexus

我不确定如何对卫星数据中风的 u 和 v 分量求导数。我以为我可以这样使用 numpy.gradient:

    from netCDF4 import Dataset       
    import numpy as np       
    import matplotlib.pyplot as plt  
 
    GridSat = Dataset('analysis_20040713_v11l30flk.nc4','r',format='NETCDF4') 
    missing_data = -9999.0 
    lat = GridSat.variables['lat']    
    lat = lat[:]      
    lat[np.where(lat==missing_data)] = np.nan   
    lat[np.where(lat > 90.0)] = np.nan      
 
    lon = GridSat.variables['lon']    
    lon = lon[:]                 
    lon[np.where(lon==missing_data)] = np.nan 
 
 
    uwind_data = GridSat.variables['uwnd']   
    uwind = GridSat.variables['uwnd'][:] 
    uwind_sf = uwind_data.scale_factor    
    uwind_ao = uwind_data.add_offset 
    miss_uwind = uwind_data.missing_value 
 
    uwind[np.where(uwind==miss_uwind)] = np.nan     
 
 
    vwind_data = GridSat.variables['vwnd']   
    vwind = GridSat.variables['vwnd'][:] 
    vwind_sf = vwind_data.scale_factor     
    vwind_ao = vwind_data.add_offset 
    miss_vwind = vwind_data.missing_value 
 
    vwind[np.where(vwind==miss_vwind)] = np.nan   
 
 
    uwind = uwind[2,:,:] 
    vwind = vwind[2,:,:]   
 
    dx = 28400.0 # meters calculated from the 0.25 degree spatial gridding  
    dy = 28400.0 # meters calculated from the 0.25 degree spatial gridding  
 
    dv_dx, dv_dy = np.gradient(vwind, [dx,dy]) 
    du_dx, du_dy = np.gradient(uwind, [dx,dy]) 
 
 
    File "<ipython-input-229-c6a5d5b09224>", line 1, in <module> 
     np.gradient(vwind, [dx,dy]) 
 
    File "/Users/anaconda/lib/python2.7/site-packages/nump/lib/function_base.py", line 1040, in gradient 
out /= dx[axis] 
 
    ValueError: operands could not be broadcast together with shapes (628,1440) (2,) (628,1440)  

老实说,我不确定如何计算具有 (0.25x0.25) 度间距的卫星数据的中心差异。我认为我的 dx 和 dy 也不正确。如果有人对在卫星数据中进行这些类型的计算有好主意,我将不胜感激。谢谢!!

请您参考如下方法:

正如 @moarningsun 评论的那样,改变你调用 np.gradient 的方式应该更正 ValueError

dv_dx, dv_dy = np.gradient(vwind, dx,dy) 
du_dx, du_dy = np.gradient(uwind, dx,dy) 

如何从文件中获取 vwind 并不是特别重要,尤其是因为我们无权访问该文件。 vwind 的形状会很有用,尽管我们可以从错误消息中猜测到。错误中对 (2,) 数组的引用是对 [dx,dy] 的引用。当您遇到 广播 错误时,请检查各种参数的形状。

np.gradient 代码很简单,只是因为它可以处理 1、2、3d 和更高的数据而变得复杂。基本上它像这样进行计算

(z[:,2:]-z[:,:-2])/2 
(z[2:,:]-z[:-2,:])/2 

用于内部值,1 项步骤用于边界值。

我将把从梯度(或不从梯度)导出 curl 的问题留给其他人。