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 Lectura. La columna interfície correspon al nom que cal indicar per importar la funció a través de la funció get_reader de Interfície.

Model	Interfície	Funció
Arome	‘arome’	`unimodel.io.readers_nwp.read_arome_grib()`
Arpege	‘arpege’	`unimodel.io.readers_nwp.read_arpege_grib()`
Bolam	‘bolam’	`unimodel.io.readers_nwp.read_bolam_grib()`
ECMWF-HRES	‘ecmwf_hres’	`unimodel.io.readers_nwp.read_ecmwf_hres_grib()`
ICON	‘icon’	`unimodel.io.readers_nwp.read_icon_grib()`
Moloch-GFS	‘moloch_gfs’	`unimodel.io.readers_nwp.read_moloch_grib()`
Moloch-ECMWF	‘moloch_ecmwf’	`unimodel.io.readers_nwp.read_moloch_grib()`
Unified Model	‘unified_model’	`unimodel.io.readers_nwp.read_unified_model_grib()`
WRF-ECM	‘wrf_ecm’	`unimodel.io.readers_nwp.read_wrf_prs()`
WRF-EXP	‘wrf_exp’	`unimodel.io.readers_nwp.read_wrf_prs()`
WRF-GFS-3km	‘wrf_gfs_3’	`unimodel.io.readers_nwp.read_wrf_prs()`
WRF-GFS-9km	‘wrf_gfs_9’	`unimodel.io.readers_nwp.read_wrf_prs()`
WRF-TL-ENS	‘wrf_tl_ens’	`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.

{
    "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.

{
    "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.

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: 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.

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')

Com funciona?

Contents