python 对陆地数据进行掩膜的两种方法

简介: 一般我们分析海洋或者气象相关数据时,经常会绘制散点图分析两重变量之间的相关性。近期在分析数据时,发现有个容易出问题的情况:

前提杂谈



一般我们分析海洋或者气象相关数据时,经常会绘制散点图分析两重变量之间的相关性。近期在分析数据时,发现有个容易出问题的情况:


  • 如果我们只需要分析海洋上的某一变量的变化时,最好先将陆地数据进行掩膜,防止因为地形等原因导致陆地上的数据存在误差,影响我们的分析结果。
    基于上述需求,在这里介绍两种掩膜的方法,这里选择将陆地进行掩膜,掩膜海洋的办法类似。
  • 一种是在任何windows系统上的python自带的库进行掩膜,另一种需要通过geopandas+Salem库进行掩膜。其中,后者往往库在Windows上难以安装,一般建议在linux系统进行处理。


方法



  • 1、使用python自带的库global_land_mask进行掩膜 ( Windows/Linux都适用)
  • 2、使用geopandas+Salem进行掩膜 (建议在Linux系统上使用)


方法1:使用global_land_mask进行掩膜


这里主要通过global_land_mask中的globe.is_ocean()判断数据点的所在的经纬度坐标是否在海洋。如果是陆地,就进行掩膜,反之就不处理。下面封装一个掩膜的函数,方便后续调用处理。


所需要的库主要如下所示:

from global_land_mask import globe
import cmaps
import numpy as np
import xarray as xr
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
from cartopy.mpl.ticker import LongitudeFormatter, LatitudeFormatter


封装掩膜的函数代码如下,其中,对于不同文件的经度名称也进行了考虑设置。

def mask_land(ds, label='land', lonname='lon'):
    if lonname == 'lon':
        lat = ds.lat.data
        lon = ds.lon.data
        if np.any(lon > 180):
            lon = lon - 180
            lons, lats = np.meshgrid(lon, lat)
            mask = globe.is_ocean(lats, lons)
            temp = []
            temp = mask[:, 0:(len(lon) // 2)].copy()
            mask[:, 0:(len(lon) // 2)] = mask[:, (len(lon) // 2):]
            mask[:, (len(lon) // 2):] = temp
        else:
            lons, lats = np.meshgrid(lon, lat)# Make a grid
            mask = globe.is_ocean(lats, lons)# Get whether the points are on ocean.
        ds.coords['mask'] = (('lat', 'lon'), mask)
    elif lonname == 'longitude':
        lat = ds.latitude.data
        lon = ds.longitude.data
        if np.any(lon > 180):
            lon = lon - 180
            lons, lats = np.meshgrid(lon, lat)
            mask = globe.is_ocean(lats, lons)
            temp = []
            temp = mask[:, 0:(len(lon) // 2)].copy()
            mask[:, 0:(len(lon) // 2)] = mask[:, (len(lon) // 2):]
            mask[:, (len(lon) // 2):] = temp
        else:
            lons, lats = np.meshgrid(lon, lat)
            mask = globe.is_ocean(lats, lons)
        lons, lats = np.meshgrid(lon, lat)
        mask = globe.is_ocean(lats, lons)
        ds.coords['mask'] = (('latitude', 'longitude'), mask)
    if label == 'land':
        ds = ds.where(ds.mask == True)
    elif label == 'ocean':
        ds = ds.where(ds.mask == False)
    return ds


这个函数调用起来非常简单,只需要输入你的数据,选择掩膜的区域是海洋和陆地,指定经度名称即可。


下面以月均海温资料为例,展示掩膜前后的效果:


2bd185809eb54bf9a580c8445d0a0a0a.png

可以发现,掩膜成功,效果还是不错的。基本满足我们下一步的处理需求。绘图代码如下:

infile = xr.open_dataset(r"sst.mnmean.nc")
infile = mask_land(infile,'land','lon')
infile = infile.transpose("time","lat","lon",...)
def make_map(ax, title):
    # set_extent  set crs
    ax.set_extent(box, crs=ccrs.PlateCarree())
    # land = cfeature.NaturalEarthFeature('physical',
    #                                     'land',
    #                                     scale,
    #                                     edgecolor='face')
    ax.set_xticks(np.arange(box[0], box[1] + xstep, xstep),
                  crs=ccrs.PlateCarree())  # [ )
    ax.set_yticks(np.arange(box[2], box[3] + ystep, ystep),
                  crs=ccrs.PlateCarree())
    plt.tick_params(labelsize=15)
    lon_formatter = LongitudeFormatter(zero_direction_label=False)  
    lat_formatter = LatitudeFormatter()
    ax.gridlines()
    ax.xaxis.set_major_formatter(lon_formatter)
    ax.yaxis.set_major_formatter(lat_formatter)
    ax.set_ylabel('Latitude', fontsize=15)
    ax.set_xlabel('Longitute', fontsize=15)
    ax.set_title(title, fontsize=23, loc='left')
    return ax
lat = infile['lat'].data
lon = infile['lon'].data
sst = infile['sst'].data
sst_m=np.nanmean(sst,axis=0)
sst_ori = xr.open_dataset(r"sst.mnmean.nc").sst
sst_ori = np.nanmean(sst_ori,axis=0)
box = [0, 361, -90, 85]  
scale = '50m'            
xstep, ystep = 45, 35   
# cmap=plt.get_cmap('rainbow')#'RdYlBu_r'
cmap=cmaps.NCV_jet
fig=plt.figure(figsize=(20,16))
ax=fig.add_subplot(121,projection=ccrs.PlateCarree(central_longitude=180))
make_map(ax,'SST-Mask data')
ax.contourf(lon,lat,sst_m,cmap=cmap,transform=ccrs.PlateCarree(),zorder=2)
ax2=fig.add_subplot(122,projection=ccrs.PlateCarree(central_longitude=180))
make_map(ax2,'SST-origin data')
plot=ax2.contourf(lon,lat,sst_ori,cmap=cmap,transform=ccrs.PlateCarree(),zorder=2)
ax3=fig.add_axes([0.27,0.3,0.4,0.017])
cb=fig.colorbar(plot,cax=ax3,shrink=0.9,ticks=[0,10,20,30],pad=0.04,aspect=15,orientation='horizontal')
cb.ax.tick_params(labelsize=10)
cb.ax.set_title('$°C$', fontsize=20, loc='center')


方法2:使用geopandas+salem库进行掩膜


关于salem和geopandas在Windows系统的安装可以查看以下帖子,可能有用:

salem安装

geopandas安装


使用geopandas+salem进行掩膜相比上述方法,大大减少了代码量,非常方便简洁,只需要提供数据和一个海洋的shp文件即可。缺点在于geopanda和Salem在windows系统的安装较为困难,很难成功安装使用。但是,在linux系统下则相对来说比较容易安装。这里也在Linux系统下以对垂直速度的数据的掩膜进行演示:

我这里的数据的经度排序是0~360,先将其转为-180~180排列,方便我后续处理使用:


import salem
import geopandas as geo
import xarray as xr
ds=xr.open_dataset("omiga.nc")
# change 0-360 to -180 ~ 180
lon_name = 'lon'
ds['longitude_adjusted'] = xr.where(
    ds[lon_name] > 180,
    ds[lon_name] - 360,
    ds[lon_name])
ds = (ds.swap_dims({lon_name: 'longitude_adjusted'}).sel(**{'longitude_adjusted': sorted(ds.longitude_adjusted)}).drop(lon_name))
ds = ds.rename({'longitude_adjusted': lon_name})
# mask
shp_path="shp/10m_physical/ne_10m_ocean_scale_rank.shp"
shp=geo.read_file(shp_path)
sst=ds.salem.roi(shape=shp)
sst.to_netcdf(path="omiga_mask.nc")


绘制填色图查看掩膜结果:


294c8ac69f6a4cff91e8268b8700e505.png

总体上还不错,绘图代码这里就不贴了,与方法1中的代码一致。

虽然不同的掩膜方法掩膜的结果可能不同,但是基本上满足我们后续的计算需求,只需要统一掩膜方法即可。有兴趣的xd可以尝试起来。


                        一个努力学习python的海洋人
                        水平有限,欢迎指正!!!
                          欢迎评论、收藏、点赞、转发、关注。
                          关注我不后悔,记录学习进步的过程~~


相关文章
|
2天前
|
数据处理 Python
Python 高级技巧:深入解析读取 Excel 文件的多种方法
在数据分析中,从 Excel 文件读取数据是常见需求。本文介绍了使用 Python 的三个库:`pandas`、`openpyxl` 和 `xlrd` 来高效处理 Excel 文件的方法。`pandas` 提供了简洁的接口,而 `openpyxl` 和 `xlrd` 则针对不同版本的 Excel 文件格式提供了详细的数据读取和处理功能。此外,还介绍了如何处理复杂格式(如合并单元格)和进行性能优化(如分块读取)。通过这些技巧,可以轻松应对各种 Excel 数据处理任务。
29 16
|
8天前
|
数据挖掘 索引 Python
Python数据挖掘编程基础3
字典在数学上是一个映射,类似列表但使用自定义键而非数字索引,键在整个字典中必须唯一。可以通过直接赋值、`dict`函数或`dict.fromkeys`创建字典,并通过键访问元素。集合是一种不重复且无序的数据结构,可通过花括号或`set`函数创建,支持并集、交集、差集和对称差集等运算。
15 9
|
5天前
|
数据采集 数据挖掘 数据处理
Python中实现简单爬虫并处理数据
【9月更文挑战第31天】本文将引导读者理解如何通过Python创建一个简单的网络爬虫,并展示如何处理爬取的数据。我们将讨论爬虫的基本原理、使用requests和BeautifulSoup库进行网页抓取的方法,以及如何使用pandas对数据进行清洗和分析。文章旨在为初学者提供一个易于理解的实践指南,帮助他们快速掌握网络数据抓取的基本技能。
16 3
|
8天前
|
Python
Python量化炒股的数据信息获取—获取沪深股市每日成交概况信息
Python量化炒股的数据信息获取—获取沪深股市每日成交概况信息
21 5
|
7天前
|
存储 索引 Python
python中的数据容器
python中的数据容器
|
8天前
|
Python
Python量化炒股的数据信息获取—获取上市公司分红送股数据信息
Python量化炒股的数据信息获取—获取上市公司分红送股数据信息
20 3
|
8天前
|
机器学习/深度学习 TensorFlow 算法框架/工具
使用Python实现深度学习模型:智能数据隐私保护
使用Python实现深度学习模型:智能数据隐私保护
20 1
|
7天前
|
数据采集 存储 监控
如何使用 Python 爬取京东商品数据
如何使用 Python 爬取京东商品数据
22 0
|
8天前
|
数据挖掘 Python
Python数据挖掘编程基础8
在Python中,默认环境下并不会加载所有功能,需要手动导入库以增强功能。Python内置了诸多强大库,例如`math`库可用于复杂数学运算。导入库不仅限于`import 库名`,还可以通过别名简化调用,如`import math as m`;也可指定导入库中的特定函数,如`from math import exp as e`;甚至直接导入库中所有函数`from math import *`。但需注意,后者可能引发命名冲突。读者可通过`help('modules')`查看已安装模块。
13 0
|
8天前
|
人工智能 数据挖掘 Serverless
Python数据挖掘编程基础
函数式编程中的`reduce`函数用于对可迭代对象中的元素进行累积计算,不同于逐一遍历的`map`函数。例如,在Python3中,计算n的阶乘可以使用`reduce`(需从`funtools`库导入)实现,也可用循环命令完成。另一方面,`filter`函数则像一个过滤器,用于筛选列表中符合条件的元素,同样地功能也可以通过列表解析来实现。使用这些函数不仅使代码更加简洁,而且由于其内部循环机制,执行效率通常高于普通的`for`或`while`循环。
13 0
下一篇
无影云桌面