高维数据是一种非常常见的数据类型，其中包含了多种属性。比如：数值模式输出结果通常包含多种物理参量及多个时次，还有一些空间位置信息。尽管高维数据非常常见，但是高维数据的分析一直是个挑战。那么如何才能有效的分析高维数据呢？就此问题，本文主要介绍一些气象领域的高维数据可视化工具。

Vis5D是一个3D可视化系统，主要应用于气象模拟数据的3D可视化，比如：常规3D网格的时间序列模式输出数据。它是第一个能够将时变体数据集可视化为3D动画的完全交互系统，而且还是第一个开源的3D可视化系统。Vis5D已经升级为Vis5D+项目，开始了新一轮的更新。

Vis5D中的5D表示的是包含3D网格时间序列的大气/海洋物理参数集，前3D表示经度，纬度和高度，第4维表示时间，第5维表示物理变量，如温度，风等。图形用户界面使用户可以非常方便的可视化每一个参数，当然，也可以对多个参数进行可视化。Vis5D的关键创新点是它能够让用户很快的看到模拟结果的动画显示效果。其提供的内存管理功能可以对大数据集单个时步数据进行可视化，而不需要对整个时间序列进行计算，对于小数据集来说，可以直接动态显示整个数据集。vis5d同时提供了API，对于开发者来说可以将Vis5D的功能扩展到其他系统或编程语言，比如”胶水语言“python，这样能有效降低Vis5D的学习曲线。

利用Vis5D可视化模式数据之前，需要将模式输出数据转换为v5d。官方文档中提供了fortran和C语言版本的程序提供转换操作，但是学习成本比较高。如果你的数据格式是HDF5，你可以利用h5utils工具中的h5tov5d将HDF5格式文件转换为v5d格式文件(注意：编译h5utils之前需要先编译vis5d)，除此之外，grib2v5d 工具提供将GRIB格式数据转换为v5d格式，对于NetCDF格式，ARWpost(旧版支持)提供了vis5d的编译选项，可以支持将WRF模式输出转换为v5d格式。还有WRF2VIS5D提供了转换支持。

目前有很多数据格式互相转换的工具，如果你所使用的数据格式无法直接转换到vis5d支持的格式，则可以转换为hdf5或grib或NetCDF中的任何一种，然后再转换为vis5d支持的格式即可。

Vis5D可视化效果

图片来源于NSSL

除了Vis5D之外，美国国家大气研究中心计算信息系统实验室开发的VAPOR也可以进行3D可视化，并且主要作为海洋，大气研究者的可视化和研究平台，其可以直接导入NetCDF，GRIB数据格式，以及WRF，ROMS产生的数据格式。

VAPOR可以直接导入WRF模式所产生的数据，而无需转换操作。通过VAPOR的图形界面"Import WRF-ARW data into default session"按钮即可导入WRF模式数据。更多的可视化数据操作见官方文档 。VAPOR提供了和IDL，NCL，Python交互使用的示例及接口，还提供了Python脚本编辑器，可以非常方便的提取和创建变量 (谁用谁知道～)。

VAPOR可视化效果

图片来源于VAPOR

可视化真的是一门艺术！尤其是高维数据的可视化！国外在这方面的研究真的是太多了。除了以上介绍的以外，还有很多可视化项目。比如VisAD以及基于VisAD和IDV的McIDAS-V等等。

VisAD是交互协作可视化及分析数值数据的Java库。作为纯Java实现的库，其优点是不依赖于平台，而且支持数据共享以及实时的用户协作；可以适应几乎任何数值数据，并且支持不同用户之间共享数据，不同的数据源和不同的学科，支持NetCDF，hdf5，HDFEOS，GIF，JPEG，TIFF，Vis5D，ASCII等文件格式。最重要的是提供了Python接口，但需要安装Jython 。

McIDAS-V完全支持Java和Java 3D，因此可以运行在任何平台。McIDAS-V支持多种数据格式以及远程获取数据功能，比如数值模式以及再分析网格数据格式 (NetCDF，GRIB，Vis5D，GEMPAK)，大多数格式的卫星图像，Level II 和III 等雷达数据以及GIS使用的数据格式 。如果你需要利用Python扩展一些功能，McIDAS-V允许使用Jython库编辑器添加自定义Jython方法，在主菜单中选择 Tools->Formulas->Jython Library 即可，如下图：

更多使用方法见 注15 Data Analysis -> Jython Methods

McIDAS-V可视化效果

图片来源于McIDAS-V  [注16]

上面提到的高维数据可视化工具中，Vis5D和VisAD的学习成本相对较高，而McIDAS-V和VAPOR相对容易上手，而且都提供了用户界面及Python接口，VAPOR还提供了和IDL及NCL交互使用的示例，除此之外两者都支持大量的数据格式，尤其是一些数值预报模式。这能够节省很多不必要的学习成本。

敬请期待后续高维数据可视化示例——WRF模式结果可视化。

数据处理·机器学习·可视化

行业资讯·学习资料

长按关注不迷路