-
Notifications
You must be signed in to change notification settings - Fork 0
/
composites.py
340 lines (293 loc) · 15.2 KB
/
composites.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
#Composites de SST, SSH ou SSS, construits avec interpolation ett normalisation sur un cercle ou une ellipse
def composite(max_or_end,
plotted_variable='SST',
depth_value=0,
min_life_length_accepted=30,
circle_or_ellipse='circle',
dataset_list = ['ATLAS_eddies', 'CFB', 'NOCFB'],
date=False,
zoom_lon=False,
zoom_lat=False) :
'''
Composites des anomalies de température, pour les tourbillons cycloniques et anticycloniques
Input :
- max_or_end : chaîne de caractères, choix entre les valeurs du contour max ('max')
ou du contour end ('end')
- plotted_variable : chaîne de caractère indiquant la variable à afficher, par exemple 'SSH', 'SSS' ou 'SST'
(par défaut 'SST', liste à complêter par la suite avec 'EKE' ou 'windwork par exemple')
- depth_value : la profondeur à laquelle on observe les anomalies de température en m
(égale à 0 par défaut)
- min_life_length_accepted : la durée de vie minimale des tourbillons étudiés en jour
(égale à 30 par défaut)
- circle_or_ellipse : choix de la méthode de normalisation (par défaut projection sur un cercle)
- dataset_list : liste des noms de dataset (résultats de détection) auxquels accéder
(par défaut : AVISO, CFB et NOCFB)
- date : liste avec les dates de début et fin de la période à sélectionner (par défaut False)
- zoom_lon : liste avec les valeurs minimale et maximale de longitude de la zone à sélectionner
(par défaut False)
- zoom_lat : liste avec les valeurs minimale et maximale de latitude de la zone à sélectionner
(par défaut False)
Output :
deux plots des composites (distinction entre cyclones et anticyclones)
'''
for dataset in dataset_list :
radius_points=100
composite_C=np.zeros((radius_points, radius_points))
composite_AC=np.zeros((radius_points, radius_points))
wgs84_geod=Geod(ellps='WGS84')
nb_C=np.ones((radius_points, radius_points))
nb_AC=np.ones((radius_points, radius_points))
T1=0
T2=0
time_ellipse=0
time_open_dataset=0
time_restricted_grid=0
time_average_temp=0
list_obs=access_data(name_dataset=dataset,
dataset_type='AMEDA',
name_variable='observation_of_eddies',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat)
for i in list_obs :
print(i)
if access_data(name_dataset=dataset,
dataset_type='AMEDA',
name_variable='life_length_obs',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat)[i]>=min_life_length_accepted :
centre_x=access_data(name_dataset=dataset,
dataset_type='AMEDA',
name_variable='center_x_obs',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat)[i]
centre_y=access_data(name_dataset=dataset,
dataset_type='AMEDA',
name_variable='center_y_obs',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat)[i]
if max_or_end=='max' :
contour_x=access_data(name_dataset=dataset,
dataset_type='AMEDA',
name_variable='x_coords_contour_max_obs',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat)[i]
contour_y=access_data(name_dataset=dataset,
dataset_type='AMEDA',
name_variable='y_coords_contour_max_obs',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat)[i]
else :
contour_x=access_data(name_dataset=dataset,
dataset_type='AMEDA',
name_variable='x_coords_contour_end_obs',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat)[i]
contour_y=access_data(name_dataset=dataset,
dataset_type='AMEDA',
name_variable='y_coords_contour_end_obs',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat)[i]
if circle_or_ellipse=='circle' :
A=access_data(name_dataset=dataset,
dataset_type='AMEDA',
name_variable='radius_contour_max_obs',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat).values[i]
else :
detected_ellipse=fit_ellipse(contour_x.values, contour_y.values)
center_x, centre_y = ellipse_center(detected_ellipse)
theta=ellipse_angle_of_rotation(detected_ellipse)
A, B = ellipse_axis_length(detected_ellipse)
if plotted_variable=='SST' :
data=access_data(name_dataset=dataset,
dataset_type='SST',
name_variable='temperature',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat).values[i]
elif plotted_variable=='SSS' :
data=access_data(name_dataset=dataset,
dataset_type='SSS',
name_variable='salinity',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat).values[i]
elif plotted_variable=='SSH' :
data=access_data(name_dataset=dataset,
dataset_type='SSH',
name_variable='height',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat).values[i]
data_eddy=restricted_data(data, centre_x, centre_y, A, depth_value)
average_data=mean_data(data_eddy, contour_x, contour_y)
grid_eddy_x=[]
grid_eddy_y=[]
grid_eddy_values=[]
x=0
for lon in data_eddy.xi_rho.values :
y=0
for lat in data_eddy.eta_rho.values :
if circle_or_ellipse=='ellipse' :
lon, lat = rotate_ellipse(lon, lat, theta, centre_x, centre_y)
az12_i,az21_i,distance_i=wgs84_geod.inv(lon, centre_y, centre_x, centre_y)
distance_i=distance_i/1000
if lon<centre_x :
distance_i=distance_i*(-1)
az12_j,az21_j,distance_j=wgs84_geod.inv(centre_x, lat, centre_x, centre_y)
distance_j=distance_j/1000
if lat<centre_y :
distance_j=distance_j*(-1)
if circle_or_ellipse=='circle' :
composite_i=round((distance_i/A*(radius_points/4))+radius_points/2, 0).astype(int)
composite_j=round((distance_j/A*(radius_points/4))+radius_points/2, 0).astype(int)
else :
composite_i=round((distance_i/A*(radius_points/4))+radius_points/2, 0).astype(int)
composite_j=round((distance_j/B*(radius_points/4))+radius_points/2, 0).astype(int)
if composite_i>=0 and composite_i<radius_points :
if composite_j>=0 and composite_j<radius_points :
grid_eddy_x.append(composite_i)
grid_eddy_y.append(composite_j)
grid_eddy_values.append(data_eddy.values[y,x]-average_data)
y+=1
x+=1
grid_eddy_values=np.clip(grid_eddy_values, -1, 1)
if len(grid_eddy_values)!=0 :
grid_x, grid_y = np.mgrid[0:radius_points, 0:radius_points]
interpolated_grid_eddy=griddata((grid_eddy_x, grid_eddy_y),
grid_eddy_values,
(grid_x, grid_y),
method='cubic',
)
if access_data(name_dataset=dataset,
name_variable='C_or_AC_obs',
dataset_type='AMEDA',
date=date,
zoom_lon=zoom_lon,
zoom_lat=zoom_lat
)[i]==1 :
for k in range(radius_points) :
for l in range(radius_points) :
if np.isnan(interpolated_grid_eddy.T[k,l])==False :
composite_AC[k,l]+=interpolated_grid_eddy.T[k,l]
nb_AC[k,l]+=1
else :
for k in range(radius_points) :
for l in range(radius_points) :
if np.isnan(interpolated_grid_eddy.T[k,l])==False :
composite_C[k,l]+=interpolated_grid_eddy.T[k,l]
nb_C[k,l]+=1
for m in range(radius_points) :
for n in range(radius_points) :
composite_C[m,n]=composite_C[m,n]/nb_C[m,n]
composite_AC[m,n]=composite_AC[m,n]/nb_AC[m,n]
plt.figure()
plt.pcolormesh(composite_C, cmap='coolwarm')
plt.axis('equal')
plt.title('Composite (C) of' + plotted_variable + 'anomaly (lifetime >{0} days)'
.format(min_life_length_accepted))
plt.figure()
plt.pcolormesh(composite_AC, cmap='coolwarm')
plt.axis('equal')
plt.title('Composite (AC) of' + plotted_variable + 'anomaly (lifetime >{0} days)'
.format(min_life_length_accepted))
#fonctions annexes pour composites
def converted_date(i) :
day_number=(CFB.time.values[i].astype(int)/(24*3600*1e9)-12418).astype(int)
if day_number<10 :
return('000'+str(day_number))
elif day_number<100 :
return('00'+str(day_number))
elif day_number<1000 :
return('0'+str(day_number))
else :
return(str(day_number))
def converted_date2(i) :
day_number=(CFB.time.values[i].astype(int)/(24*3600*1e9)-12419).astype(int)
return(day_number)
def is_in_eddy(lon, lat, contour_x, contour_y) :
L=[(contour_x.values[i], contour_y.values[i]) for i in range(len(contour_x))]
contour_eddy=path.Path((L))
return(contour_eddy.contains_point((lon,lat)))
def restricted_data(data, centre_x, centre_y, ellipse_great_axe,depth_value) :
wgs84_geod=Geod(ellps='WGS84')
lon_min,lat,az21=wgs84_geod.fwd(centre_x, centre_y, 270, 2.5*ellipse_great_axe*1000)
lon_max,lat,az21=wgs84_geod.fwd(centre_x, centre_y, 90, 2.5*ellipse_great_axe*1000)
lon,lat_min,az21=wgs84_geod.fwd(centre_x, centre_y, 180, 2.5*ellipse_great_axe*1000)
lon,lat_max,az21=wgs84_geod.fwd(centre_x, centre_y, 0, 2.5*ellipse_great_axe*1000)
data.coords['lat_rho']=('eta_rho', access_data(name_dataset=dataset,
dataset_type='grid',
name_variable='lat_rho'
)[:,0])
data.coords['lon_rho']=('xi_rho', access_data(name_dataset=dataset,
dataset_type='grid',
name_variable='lon_rho'
)[0,:])
data_eddy=data.rename({'lon_rho' : 'xi_rho', 'lat_rho' : 'eta_rho'})
data_eddy=data_eddy.sel(depth=depth_value,
xi_rho=slice(lon_min, lon_max),
eta_rho=slice(lat_min, lat_max)
)
return(temp_eddy)
def rotate_ellipse(lon, lat, theta, centre_x, centre_y) :
wgs84_geod=Geod(ellps='WGS84')
az12,az21,distance=wgs84_geod.inv(centre_x, centre_y, lon, lat)
lon,lat,az21=wgs84_geod.fwd(centre_x, centre_y, theta+az12, distance)
return(lon,lat)
def mean_data(data_eddy, contour_x, contour_y) :
eddy=[[contour_x.values[i], contour_y.values[i]] for i in range(len(contour_x))]
numbers=[0]
names=['inside_eddy']
abbrevs=['IN']
Eddy_mask=regionmask.Regions_cls('Eddy_mask', numbers, names, abbrevs, [eddy])
mask=Eddy_mask.mask(data_eddy.xi_rho, data_eddy.eta_rho)
average_data=np.mean(ma.masked_where(mask==0, data_eddy.values))
return(average_data)
def fit_ellipse(x, y) :
x=x[:, np.newaxis]
y=y[:, np.newaxis]
D=np.hstack((x*x, x*y, y*y, x, y, np.ones_like(x)))
S=np.dot(D.T,D)
C=np.zeros([6,6])
C[0,2]=C[2,0]=2 ; C[1,1]=-1
E,V=eig(np.dot(inv(S), C))
n=np.argmax(np.abs(E))
a=V[:,n]
return(a)
def ellipse_center(a) :
b,c,d,f,g,a=a[1]/2, a[2], a[3]/2, a[4]/2, a[5], a[0]
num=b*b-a*c
x0=(c*d-b*f)/num
y0=(a*f-b*d)/num
return(x0, y0)
def ellipse_angle_of_rotation(a) :
b,c,d,f,g,a=a[1]/2, a[2], a[3]/2, a[4]/2, a[5], a[0]
theta=0
if b==0 :
if a>c :
theta=0
else :
theta=np.pi/2
else :
if a>c :
theta=np.arctan(2*b/(a-c))/2
else :
theta=np.pi/2+np.arctan(2*b/(a-c))/2
return(np.degrees(theta))
def ellipse_axis_length(a) :
b,c,d,f,g,a=a[1]/2, a[2], a[3]/2, a[4]/2, a[5], a[0]
up=2*(a*f*f+c*d*d+g*b*b-2*b*d*f-a*c*g)
down1=(b*b-a*c)*((c-a)*np.sqrt(1+4*b*b/((a-c)*(a-c)))-(c+a))
down2=(b*b-a*c)*((a-c)*np.sqrt(1+4*b*b/((a-c)*(a-c)))-(c+a))
res1=np.sqrt(up/down1)
res2=np.sqrt(up/down2)
return(res1*80, res2*80)