python–读取TRMM-3B43月平均降水绘制气候态空间分布图（陆地区域做掩膜）

成果展示

TRMM降水数据介绍

热带降雨测量任务(The Tropical Rainfall Measuring Mission，TRMM)是美国国家航空航天局(NASA)和日本国家太空发展署(National Space Development Agency)的一项联合太空任务，旨在监测和研究热带和亚热带降雨及其相关的能量释放。该任务使用5种仪器: 降水雷达(Precipitation Radar，PR)、 TRMM 微波成像仪(TRMM Microwave Imager，TMI)、可见红外扫描仪(Visible Infrared Scanner，VIRS)、云与地球辐射能量系统(Clouds & Earths Radiant Energy System，CERES)和闪电成像传感器(Lightning Imaging Sensor，LSI)。TMI 和 PR 是用于降水的主要仪器。这些仪器被用于形成 TRMM 多卫星降水分析(TRMM Multi-satellite Precipitation Analysis，TMPA)的 TRMM 组合仪器(TRMM Combined Instrument ，TCI)校准数据集(TRMM 2B31)的算法中，其 TMPA 3B43月平均降水量和 TMPA 3B42日平均和次日(3小时)平均是最相关的 TRMM 相关气候研究的产品。3B42和3B43的空间分辨率为0.25 ° ，1998年至今覆盖北纬50 ° 至南纬50 ° 。

本文中用到的数据主要为TRMM-3B43月平均产品，用于绘制降水的气候态空间分布图

TRMM-3B43产品如下所示：

空间分辨率：0.25°
时间覆盖范围：1999.01 - 2020.01
经纬度范围：经度：0-360°，纬度：-50°S-50°N
单位为：mm/hour
降水类型：累计降水

这里使用的python系统环境：linux系统，因为windows上好多库都不好用

关于掩膜的方法，之前出过教程了，这里不再重复：

python 对陆地数据进行掩膜的两种方法

官网数据下载链接

数据处理

这里所使用的3B43降水资料数据为.HDF格式，因此需要使用pyhdf这个库来读取，不习惯的可以下载netcdf的数据格式
由于数据中缺少经纬度信息（也可能是我没有找到），为了实现区域切片，这里手动造了一个dataarray的数据，从而实现切片的过程
数据中读取的变量为precipitation，读取完之后是个二维的数组，为了给他加上时间纬度，所以手动给他进行了扩维，之后实现多年的气候态平均计算
使用global_land_mask实现对于陆地区域的掩膜处理
使用cnmaps 实现中国的区域绘制，这里的cnmaps的库在windows上可能不好安装，也直接使用cartopyax.coastlines('50m')自带的海岸线
将原始数据单位转化为 mm/year，这里只是简单的转换*24*365

代码实现

1、首先读取10年的数据路径

import xarray as xr
import os,glob
import numpy as np
from pyhdf.SD import SD
path = '/Datadisk/TRMM/3B43/'
file_list = []
for year in range(2009,2019):folder = os.path.join(path, str(year))file_name = glob.glob(folder+'/3B43.'+str(year)+'*.HDF')file_name.sort()file_list.extend(file_name)
file_list.sort()

2、封装数据读取函数，并对需要的区域进行切片，我选择的区域为经度：[90.0, 145]，纬度：[-10, 55]，并将循环读取的10年月平均数组创建为dataarray的格式方面后续掩膜，这里的时间可以通过pandas自己创建时间序列，我这里偷懒直接读取了之前处理过的月平均gpcp的time了

dt = xr.open_dataset("/gpcp_monthly_mask.nc")
precip = dt.sel(time=slice('2009','2018'),lat =slice(-10,55),lon = slice(90,145)).precip
time_num = precip.time.values
def get_data(path,time):da = SD(path)pre = da.select('precipitation')[:]pre = np.expand_dims(pre,axis=0)lon = np.arange(-180,180.,0.25)lat = np.arange(-50,50.,0.25)time = time
#   time = datetime.datetime.utcfromtimestamp(tim).strftime('%Y-%m-%d %H:%M:%S')da = xr.DataArray(pre, dims=['time','lon','lat'],coords=dict(lon=(['lon'], lon),lat=(['lat'], lat),time=(['time'],[time])),)##############################################################################lon_range = [90.0, 145]lat_range = [-10, 55]da = da.sel(lon=slice(*lon_range), lat=slice(*lat_range))x ,y = da.lon,da.lat   return da,x,y
rain = np.zeros((len(file_list),221,240))
for i in range(len(file_list)):print(i)da,x,y =  get_data(file_list[i], time_num[i])rain[i] = da
ds = xr.DataArray(rain, dims=['time','lon','lat'],coords=dict(lon=(['lon'], x.data),lat=(['lat'], y.data),time=(['time'],time_num)),)

3、对数据的陆地部分进行掩膜，并计算气候态平均，转换单位为mm/year

from global_land_mask import globe
def mask_land(ds, label='land', lonname='lon'):if lonname == 'lon':lat = ds.lat.datalon = ds.lon.dataif np.any(lon > 180):lon = lon - 180lons, 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):] = tempelse:lons, lats = np.meshgrid(lon, lat)# Make a gridmask = globe.is_ocean(lats, lons)# Get whether the points are on ocean.ds.coords['mask'] = (('lat', 'lon'), mask)elif lonname == 'longitude':lat = ds.latitude.datalon = ds.longitude.dataif np.any(lon > 180):lon = lon - 180lons, 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):] = tempelse: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
data =  mask_land(ds,'land')
precip_mean = np.nanmean(data*24*365,axis=0)

4、绘图，保存图片

import cartopy.feature as cfeature
from cartopy.mpl.ticker import LongitudeFormatter,LatitudeFormatter
import cmaps
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import matplotlib.ticker as mticker
from cartopy.mpl.gridliner import LONGITUDE_FORMATTER, LATITUDE_FORMATTER
from cnmaps import get_adm_maps, draw_maps
box = [100,140,0,50]
xstep,ystep = 10,10
proj = ccrs.PlateCarree(central_longitude=180)
plt.rcParams['font.family'] = 'Times New Roman',
fig = plt.figure(figsize=(8,7),dpi=200)
fig.tight_layout()
ax = fig.add_axes([0.1,0.2,0.8,0.7],projection = proj)
ax.set_extent(box,crs=ccrs.PlateCarree())
draw_maps(get_adm_maps(level='国')) #这里如果库不好安装的话可以使用下面注释的代码，cartopy自带的海岸线
# ax.coastlines('50m')
ax.set_xticks(np.arange(box[0],box[1]+xstep, xstep),crs=ccrs.PlateCarree())
ax.set_yticks(np.arange(box[2], box[3]+1, ystep),crs=ccrs.PlateCarree())
lon_formatter = LongitudeFormatter(zero_direction_label=False)#True/False
lat_formatter = LatitudeFormatter()
ax.xaxis.set_major_formatter(lon_formatter)
ax.yaxis.set_major_formatter(lat_formatter)
ax.set_title('TRMM(mm/year)',fontsize=16,pad=8,loc='left')
ax.tick_params(    which='both',direction='in',width=0.7,pad=8, labelsize=14,bottom=True, left=True, right=True, top=True)c = ax.contourf(x,y,precip_mean.T,levels=np.arange(200,3300,100),extend='both',transform=ccrs.PlateCarree(),cmap=cmaps.NCV_jet)
cb=plt.colorbar(c,shrink=0.98,orientation='vertical',aspect=28,)
cb.ax.tick_params(labelsize=10,which='both',direction='in',)
plt.show()
fig.savefig('./TRMM_10year_monthly.png',dpi=500)

全部代码

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Fri May  5 09:45:08 2023@author: %(jixianpu)sEmail : 211311040008@hhu.edu.cnintroduction : keep learning althongh walk slowly
"""
import xarray as xr
import os,glob
import numpy as np
from pyhdf.SD import SD
path = '/Datadisk/TRMM/3B43/'
file_list = []
for year in range(2009,2019):folder = os.path.join(path, str(year))file_name = glob.glob(folder+'/3B43.'+str(year)+'*.HDF')file_name.sort()file_list.extend(file_name)file_list.sort()
dt = xr.open_dataset("/gpcp_monthly_mask.nc")
precip = dt.sel(time=slice('2009','2018'),lat =slice(-10,55),lon = slice(90,145)).precip
time_num = precip.time.valuesdef get_data(path,time):da = SD(path)pre = da.select('precipitation')[:]pre = np.expand_dims(pre,axis=0)lon = np.arange(-180,180.,0.25)lat = np.arange(-50,50.,0.25)time = time
#   time = datetime.datetime.utcfromtimestamp(tim).strftime('%Y-%m-%d %H:%M:%S')da = xr.DataArray(pre, dims=['time','lon','lat'],coords=dict(lon=(['lon'], lon),lat=(['lat'], lat),time=(['time'],[time])),)
##############################################################################lon_range = [90.0, 145]lat_range = [-10, 55]da = da.sel(lon=slice(*lon_range), lat=slice(*lat_range))x ,y = da.lon,da.lat    return da,x,yrain = np.zeros((len(file_list),221,240))
for i in range(len(file_list)):print(i)da,x,y =  get_data(file_list[i], time_num[i])rain[i] = da
ds = xr.DataArray(rain, dims=['time','lon','lat'],coords=dict(lon=(['lon'], x.data),lat=(['lat'], y.data),time=(['time'],time_num)),)
from global_land_mask import globe
def mask_land(ds, label='land', lonname='lon'):if lonname == 'lon':lat = ds.lat.datalon = ds.lon.dataif np.any(lon > 180):lon = lon - 180lons, 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):] = tempelse:lons, lats = np.meshgrid(lon, lat)# Make a gridmask = globe.is_ocean(lats, lons)# Get whether the points are on ocean.ds.coords['mask'] = (('lat', 'lon'), mask)elif lonname == 'longitude':lat = ds.latitude.datalon = ds.longitude.dataif np.any(lon > 180):lon = lon - 180lons, 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):] = tempelse: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
data =  mask_land(ds,'land')
precip_mean = np.nanmean(data*24*365,axis=0)
import cartopy.feature as cfeature
from cartopy.mpl.ticker import LongitudeFormatter,LatitudeFormatter
import cmaps
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import matplotlib.ticker as mticker
from cartopy.mpl.gridliner import LONGITUDE_FORMATTER, LATITUDE_FORMATTER
from cnmaps import get_adm_maps, draw_maps
box = [100,140,0,50]
xstep,ystep = 10,10
proj = ccrs.PlateCarree(central_longitude=180)
plt.rcParams['font.family'] = 'Times New Roman',
fig = plt.figure(figsize=(8,7),dpi=200)
fig.tight_layout()
ax = fig.add_axes([0.1,0.2,0.8,0.7],projection = proj)
ax.set_extent(box,crs=ccrs.PlateCarree())
draw_maps(get_adm_maps(level='国'))
# ax.coastlines('50m')
ax.set_xticks(np.arange(box[0],box[1]+xstep, xstep),crs=ccrs.PlateCarree())
ax.set_yticks(np.arange(box[2], box[3]+1, ystep),crs=ccrs.PlateCarree())
lon_formatter = LongitudeFormatter(zero_direction_label=False)#True/False
lat_formatter = LatitudeFormatter()
ax.xaxis.set_major_formatter(lon_formatter)
ax.yaxis.set_major_formatter(lat_formatter)
ax.set_title('TRMM(mm/year)',fontsize=16,pad=8,loc='left')
ax.tick_params(    which='both',direction='in',width=0.7,pad=8, labelsize=14,bottom=True, left=True, right=True, top=True)c = ax.contourf(x,y,precip_mean.T,levels=np.arange(200,3300,100),extend='both',transform=ccrs.PlateCarree(),cmap=cmaps.NCV_jet)
cb=plt.colorbar(c,shrink=0.98,orientation='vertical',aspect=28,)
cb.ax.tick_params(labelsize=10,which='both',direction='in',)
plt.show()
fig.savefig('./TRMM_10year_monthly.png',dpi=500)

引用参考

TRMM: Tropical Rainfall Measuring Mission
https://climatedataguide.ucar.edu/climate-data/trmm-tropical-rainfall-measuring-mission

Monthly 0.25° x 0.25° TRMM multi-satellite and Other Sources Rainfall (3B43)
http://apdrc.soest.hawaii.edu/datadoc/trmm_3b43.php

TRMM 3B43: Monthly Precipitation Estimates
https://developers.google.com/earth-engine/datasets/catalog/TRMM_3B43V7

中巴经济走廊TRMM_3B43月降水数据（1998-2017年）：http://www.ncdc.ac.cn/portal/metadata/4b9504fa-0e34-47c9-a755-91d3f3253312

TRMM (TMPA/3B43) Rainfall Estimate L3 1 month 0.25 degree x 0.25 degree V7 (TRMM_3B43)（GES 官网介绍）：https://disc.gsfc.nasa.gov/datasets/TRMM_3B43_7/summary

国家海洋遥感在线分析平台 https://www.satco2.com/index.php?m=content&c=index&a=show&catid=317&id=217

之前没怎么处理过程HDF的文件，时间仓促，只是简单了记录了一下，没有考虑代码的美观和计算的高效性，欢迎大家评论或者联系我进行交流讨论~~