Com funciona? ============= En aquest apartat mostrem de forma breu i amb exemples el funcionament del paquet **unimodel**. Models disponibles ------------------ El paquet no disposa d'una funció genèrica que permeti treballar amb tots els models, sinó que són específiques per a cada model disponible. Les funcions per transformar un fitxer grib a `xarray.DataArray` es troben a :ref:`api-lectura`. La columna interfície correspon al nom que cal indicar per importar la funció a través de la funció ``get_reader`` de :ref:`api-interficie`. +-----------------+----------------+------------------------------------------------------------+ | Model | Interfície | Funció | +=================+================+============================================================+ | Arome | 'arome' | :py:func:`unimodel.io.readers_nwp.read_arome_grib` | +-----------------+----------------+------------------------------------------------------------+ | Arpege | 'arpege' | :py:func:`unimodel.io.readers_nwp.read_arpege_grib` | +-----------------+----------------+------------------------------------------------------------+ | Bolam | 'bolam' | :py:func:`unimodel.io.readers_nwp.read_bolam_grib` | +-----------------+----------------+------------------------------------------------------------+ | ECMWF-HRES | 'ecmwf_hres' | :py:func:`unimodel.io.readers_nwp.read_ecmwf_hres_grib` | +-----------------+----------------+------------------------------------------------------------+ | ICON | 'icon' | :py:func:`unimodel.io.readers_nwp.read_icon_grib` | +-----------------+----------------+------------------------------------------------------------+ | Moloch-GFS | 'moloch_gfs' | :py:func:`unimodel.io.readers_nwp.read_moloch_grib` | +-----------------+----------------+------------------------------------------------------------+ | Moloch-ECMWF | 'moloch_ecmwf' | :py:func:`unimodel.io.readers_nwp.read_moloch_grib` | +-----------------+----------------+------------------------------------------------------------+ | Unified Model | 'unified_model'| :py:func:`unimodel.io.readers_nwp.read_unified_model_grib` | +-----------------+----------------+------------------------------------------------------------+ | WRF-ECM | 'wrf_ecm' | :py:func:`unimodel.io.readers_nwp.read_wrf_prs` | +-----------------+----------------+------------------------------------------------------------+ | WRF-EXP | 'wrf_exp' | :py:func:`unimodel.io.readers_nwp.read_wrf_prs` | +-----------------+----------------+------------------------------------------------------------+ | WRF-GFS-3km | 'wrf_gfs_3' | :py:func:`unimodel.io.readers_nwp.read_wrf_prs` | +-----------------+----------------+------------------------------------------------------------+ | WRF-GFS-9km | 'wrf_gfs_9' | :py:func:`unimodel.io.readers_nwp.read_wrf_prs` | +-----------------+----------------+------------------------------------------------------------+ | WRF-TL-ENS | 'wrf_tl_ens' | :py:func:`unimodel.io.readers_nwp.read_wrf_tl_ens_grib` | +-----------------+----------------+------------------------------------------------------------+ Fitxer de configuració ---------------------- Cal tenir un fitxer de configuració per poder córrer la majoria de funcions del paquet. A continuació indiquem què ha de tenir, com a mínim, aquest fitxer .json. .. code-block:: json { "nwp_dir": "Ruta al directori de treball on es copiaran els fitxers grib des del Filer", "lead_times": "int amb el nombre d'horitzons de pronòstic a considerar", "corner_ul": "cantonada superior esquerra [coordenada-x, coordenada-y]", "grid_shape": "mida de la matriu final [nombre-de-files, nombre-de-columnes]", "grid_res": "resolució espacial de la matriu final [resolució-en-x, resolució-en-y]", "{nom-model-1}" : { "src_tar": "Ruta a un fitxer .tar.gz", "src": "Nom del fitxer grib dins del .tar.gz", "compressed": "True, indica que s'ha d'importar i descomprimir", "lead_time_digits": "Nombre de digits que té el lead time al path (per exemple, 3 si és de la forma xxxxx_012.grib, o bé 2 si és de la forma xxxxx_12.grib)" }, "{nom-model-2}" : { "src": "Nom del fitxer grib dins del .tar.gz", "compressed": "False, indicant que només s'ha d'importar" "lead_time_digits": "Nombre de digits que té el lead time al path (per exemple, 3 si és de la forma xxxxx_012.grib, o bé 2 si és de la forma xxxxx_12.grib)" } } El ``lead_time_digits`` és un paràmetre obligatori només per a aquells fitxers que tinguin l'argument ``{lt}`` al camp ``src`` del model. Exemples per llegir fitxers --------------------------- En aquest apartat mostrem alguns exemples de com llegir fitxers amb l'execució de diverses funcions que inclou el paquet **unimodel**. Definim primer el fitxer de configuració, en el qual inclourem dos models, l'Arome i l'Arpege. .. code-block:: json { "nwp_dir": "/data/RECERCA/software_data/pme/nwp_stage/", "lead_times": 73, "corner_ul": [-1.6211310000000103, 43.4553730000000016], "grid_shape": [620, 417], "grid_res": [0.010642, 0.010642], "arpege": { "src_tar": "/data/dades/ARPEGE/arpege-11.{year}{month}{day}{run}.tar.gz", "src": "arpege-11.{year}{month}{day}{run}_{lt}.grib2", "compressed": true }, "arome": { "src_tar": "/data/dades/AROME/arome-1p1.{year}{month}{day}{run}.tar.gz", "src": "arome-1p1.{year}{month}{day}{run}_{lt}.grib2", "compressed": true } } Exemple 1: lectura d'un sol model ********************************* En aquest exemple importarem i llegirem només la simulació de les 00 UTC del model Arome del 24 de febrer del 2022 per a l'horitzó de pronòstic 10. .. code-block:: python from datetime import datetime import unimodel.io from unimodel.downscaling.interpolation import bilinear from unimodel.io.importers_nwp import import_nwp_grib from unimodel.utils.load_config import load_config # Definim els paràmetres inicials date = datetime(2022, 2, 24, 0) model = 'arome' lead_time = 10 config = load_config('path-al-config') # Copiem el fitxer des del Filer fins al directori de treball nwp_file = import_nwp_grib(date, lead_time, model, config) # Importem el lector a través de la interfície, el 'reader' és # equivalent a 'read_arome_grib' reader = unimodel.io.get_reader(model) # Cridem la funció reader on llegim la variable 'tp' nwp_data = reader(nwp_file, 'tp', model) .. _exemple-2: Exemple 2: lectura de més d'un model ************************************ En aquest exemple importarem i llegirem la simulació de les 00 UTC dels models Arome i Arpege del 24 de febrer del 2022 per a l'horitzó de pronòstic 10. A més, els unirem en un sol xarray.DataArray i ho exportarem a netcdf. .. code-block:: python from datetime import datetime import unimodel.io from unimodel.downscaling.interpolation import bilinear from unimodel.io.importers_nwp import import_nwp_grib from unimodel.io.exporters import merge_models from unimodel.utils.load_config import load_config # Definim els paràmetres inicials date = datetime(2022, 2, 24, 0) models = ['arome', 'arpege'] lead_time = 10 config = load_config('path-al-config') models_data = [] for model in models: # Copiem el fitxer des del Filer fins al directori de treball nwp_file = import_nwp_grib(date, lead_time, model, config) # Importem el lector a través de la interfície, el 'reader' és # equivalent a 'read_arome_grib' reader = unimodel.io.get_reader(model) # Cridem la funció reader on llegim la variable 'tp' nwp_data = reader(nwp_file, 'tp', model) # Afegim la sortida de cadascun dels models a una sola llista models_data.append(nwp_data) # Una vegada tenim els models en una llista, els podem unir en un # sol xarray.DataArray mitjançant la funció merge models model_data = merge_models(models_data) # I si ho volguéssim exportar a netcdf només ens cal fer el següent: model_data.to_netcdf('fitxer-de-sortida', engine='netcdf4')