229 lines
8.6 KiB
Python
229 lines
8.6 KiB
Python
# 原始文件 TIDI行星波一年逐日图
|
||
|
||
# 此代码是对数据处理后的txt数据进行行星波参数提取绘图
|
||
# 2006_TIDI_V_Meridional_data.txt也可以做同样处理，一个是经向风提取的行星波，一个是纬向风的
|
||
|
||
import os
|
||
import pandas as pd
|
||
import numpy as np
|
||
from scipy.optimize import curve_fit
|
||
import matplotlib.pyplot as plt
|
||
|
||
# 解决绘图中中文不能显示的问题
|
||
import matplotlib
|
||
|
||
from CONSTANT import DATA_BASEPATH
|
||
from modules.tidi.tidi_planetw_process import extract_tidi_planetw_data
|
||
# 设置中文显示和负号正常显示
|
||
matplotlib.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文
|
||
matplotlib.rcParams['axes.unicode_minus'] = False # 正常显示负号
|
||
# 读取一年的数据文件
|
||
# 设置初始参数
|
||
# initial_guess = [1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0] # v0, a1, b1, a2, b2, a3, b3
|
||
initial_guess = [0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5,
|
||
0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5] # 9个 a 和 9个 b 参数
|
||
|
||
# 设置参数界限
|
||
bounds = (
|
||
[0, -np.inf, 0, -np.inf, 0, -np.inf, 0, -np.inf, 0, -np.inf,
|
||
0, -np.inf, 0, -np.inf, 0, -np.inf, 0, -np.inf], # 下界
|
||
[np.inf, np.inf, np.inf, np.inf, np.inf, np.inf, np.inf, np.inf, np.inf, np.inf, np.inf, np.inf, np.inf, np.inf, np.inf,
|
||
np.inf, np.inf, np.inf]) # 上界
|
||
|
||
|
||
# 定义拟合函数
|
||
|
||
def TidiPlotPlanetWDaily(
|
||
mode,
|
||
year,
|
||
k,
|
||
input_height,
|
||
lat_range=(0, 5),
|
||
T=10
|
||
):
|
||
# 用于存储拟合参数结果的列表
|
||
all_fit_results = []
|
||
|
||
# 设置最小数据量的阈值
|
||
min_data_points = 36
|
||
if mode != 'V_Zonal' and mode != 'V_Meridional':
|
||
raise ValueError('mode must be V_Zonal or V_Meridional')
|
||
if k not in list(range(-4, 5)):
|
||
raise ValueError('k must be in range(-4, 5)')
|
||
data_cache_path = f'{DATA_BASEPATH.tidi}/{year}/TIDI_{mode}h{input_height}r{lat_range[0]}-{lat_range[1]}_data.parquet'
|
||
# if cache exist, read from cache
|
||
if os.path.exists(data_cache_path):
|
||
df = pd.read_parquet(data_cache_path)
|
||
else:
|
||
df = extract_tidi_planetw_data(
|
||
year, input_height, lat_range
|
||
)[mode]
|
||
df.to_parquet(data_cache_path)
|
||
|
||
# 删除有 NaN 的行
|
||
# V_Meridional
|
||
df = df.dropna(subset=[mode])
|
||
# 进行多个时间窗口的拟合
|
||
# T应该取5、10、16
|
||
# todo:对于5日波，滑动窗口选择15天
|
||
|
||
def u_func(x, *params):
|
||
a1, b1, a2, b2, a3, b3, a4, b4, a5, b5, a6, b6, a7, b7, a8, b8, a9, b9 = params
|
||
return (
|
||
a1 * np.sin((2 * np.pi / T) * t - 4 * x + b1)
|
||
+ a2 * np.sin((2 * np.pi / T) * t - 3 * x + b2)
|
||
+ a3 * np.sin((2 * np.pi / T) * t - 2 * x + b3)
|
||
+ a4 * np.sin((2 * np.pi / T) * t - x + b4)
|
||
+ a5 * np.sin((2 * np.pi / T) * t + b5)
|
||
+ a6 * np.sin((2 * np.pi / T) * t + x + b6)
|
||
+ a7 * np.sin((2 * np.pi / T) * t + 2 * x + b7)
|
||
+ a8 * np.sin((2 * np.pi / T) * t + 3 * x + b8)
|
||
+ a9 * np.sin((2 * np.pi / T) * t + 4 * x + b9)
|
||
)
|
||
for start_day in range(0, 365-3*T): # 最后一个窗口为[351, 366]
|
||
end_day = start_day + 3 * T # 每个窗口的结束时间为 start_day + 3*T
|
||
|
||
# 选择当前窗口的数据
|
||
df_8 = df[(df['UTime'] >= start_day) & (df['UTime'] <= end_day)]
|
||
|
||
# 检查当前窗口的数据量
|
||
if len(df_8) < min_data_points:
|
||
# 输出数据量不足的警告
|
||
print(f"数据量不足，无法拟合：{start_day} 到 {end_day}，数据点数量：{len(df_8)}")
|
||
# 将拟合参数设置为 NaN
|
||
all_fit_results.append([np.nan] * 18)
|
||
continue # 跳过当前时间窗口，继续下一个窗口
|
||
|
||
# 提取时间、经度、温度数据
|
||
t = np.array(df_8['UTime']) # 时间
|
||
x = np.array(df_8['Longitude_Radians']) # 经度弧度制
|
||
temperature = np.array(df_8[mode]) # 经向风速，因变量
|
||
|
||
# 用T进行拟合
|
||
popt, pcov = curve_fit(u_func, x, temperature,
|
||
p0=initial_guess, bounds=bounds, maxfev=50000)
|
||
|
||
# 将拟合结果添加到列表中
|
||
all_fit_results.append(popt)
|
||
|
||
# 将结果转换为DataFrame
|
||
columns = ['a1', 'b1', 'a2', 'b2', 'a3', 'b3', 'a4', 'b4',
|
||
'a5', 'b5', 'a6', 'b6', 'a7', 'b7', 'a8', 'b8', 'a9', 'b9']
|
||
fit_df = pd.DataFrame(all_fit_results, columns=columns) # fit_df即为拟合的参数汇总
|
||
|
||
# -------------------------------画图----------------------------
|
||
# a1-a9,对应波数-4、-3、-2、-1、0、1、2、3、4的行星波振幅
|
||
a_columns = ['a1', 'a2', 'a3', 'a4', 'a5', 'a6', 'a7', 'a8', 'a9']
|
||
k_values = list(range(-4, 5)) # 从 -4 到 4
|
||
|
||
# 创建一个字典映射 k 值到 a_columns
|
||
k_to_a = {f'k={k}': a for k, a in zip(k_values, a_columns)}
|
||
|
||
# 获取索引并转换为 numpy 数组
|
||
x_values = fit_df.index.to_numpy()
|
||
|
||
# 对每一列生成独立的图
|
||
col = k_to_a[f'k={k}']
|
||
plt.figure(figsize=(8, 6)) # 创建新的图形
|
||
plt.plot(x_values, fit_df[col].values)
|
||
plt.title(f'k={k} 振幅图')
|
||
plt.xlabel('天')
|
||
plt.ylabel('振幅')
|
||
|
||
# 设置横坐标的动态调整
|
||
adjusted_x_values = x_values + (3 * T + 1) / 2
|
||
if len(adjusted_x_values) > 50:
|
||
step = 30
|
||
tick_positions = adjusted_x_values[::step] # 选择每30个点
|
||
tick_labels = [f'{int(val)}' for val in tick_positions]
|
||
else:
|
||
tick_positions = adjusted_x_values
|
||
tick_labels = [f'{int(val)}' for val in tick_positions]
|
||
|
||
plt.xticks(ticks=tick_positions, labels=tick_labels)
|
||
|
||
# plt.show() # 显示图形
|
||
|
||
|
||
if __name__ == '__main__':
|
||
TidiPlotPlanetWDaily('V_Zonal', 2015, 1)
|
||
TidiPlotPlanetWDaily('V_Meridional', 2015, 1)
|
||
|
||
# # 用于存储拟合参数结果的列表
|
||
# all_fit_results = []
|
||
#
|
||
# # 设置最小数据量的阈值
|
||
# min_data_points = 36
|
||
#
|
||
# # 进行多个时间窗口的拟合
|
||
# # todo:对于5日波，滑动窗口选择15天
|
||
# for start_day in range(0, 351): # 最后一个窗口为[351, 366]
|
||
# end_day = start_day + 15 # 设置每个窗口的结束时间
|
||
#
|
||
# # 选择当前窗口的数据
|
||
# df_8 = df[(df['UTime'] >= start_day) & (df['UTime'] <= end_day)]
|
||
#
|
||
# # 检查当前窗口的数据量
|
||
# if len(df_8) < min_data_points:
|
||
# # 输出数据量不足的警告
|
||
# print(f"数据量不足，无法拟合：{start_day} 到 {end_day}，数据点数量：{len(df_8)}")
|
||
# # 将拟合参数设置为 NaN
|
||
# all_fit_results.append([np.nan] * 18)
|
||
# continue # 跳过当前时间窗口，继续下一个窗口
|
||
#
|
||
#
|
||
# # 提取时间、经度、温度数据
|
||
# t = np.array(df_8['UTime']) # 时间
|
||
# x = np.array(df_8['Longitude_Radians']) # 经度弧度制
|
||
# temperature = np.array(df_8['V_Zonal']) # 经向风速，因变量
|
||
#
|
||
# # 用T=5进行拟合
|
||
# for T in [5]:
|
||
# popt, pcov = curve_fit(u_func, x, temperature, p0=initial_guess, bounds=bounds, maxfev=50000)
|
||
#
|
||
# # 将拟合结果添加到列表中
|
||
# all_fit_results.append(popt)
|
||
#
|
||
# # 将结果转换为DataFrame
|
||
# columns = ['a1', 'b1', 'a2', 'b2', 'a3', 'b3', 'a4', 'b4', 'a5', 'b5', 'a6', 'b6', 'a7', 'b7', 'a8', 'b8', 'a9', 'b9']
|
||
# fit_df = pd.DataFrame(all_fit_results, columns=columns) # fit_df即为拟合的参数汇总
|
||
#
|
||
# # -------------------------------画图----------------------------
|
||
# # 定义 a1 到 a9 的列名
|
||
# a_columns = ['a1', 'a2', 'a3', 'a4', 'a5', 'a6', 'a7', 'a8', 'a9']
|
||
# a_values = fit_df[a_columns].values
|
||
#
|
||
# # 获取索引并转换为 numpy 数组
|
||
# x_values = fit_df.index.to_numpy()
|
||
#
|
||
# # 对每一列生成独立的图
|
||
# for i, col in enumerate(a_columns):
|
||
# plt.figure(figsize=(8, 6)) # 创建新的图形
|
||
# plt.plot(x_values, a_values[:, i])
|
||
# plt.title(f'{col} 振幅图')
|
||
# plt.xlabel('Day')
|
||
# plt.ylabel('振幅')
|
||
# plt.show() # 显示图形
|
||
|
||
# # 提取 a1 到 a9 列的数据
|
||
# a_columns = ['a1', 'a2', 'a3', 'a4', 'a5', 'a6', 'a7', 'a8', 'a9']
|
||
# a_values = fit_df[a_columns].values
|
||
# # 获取索引并转换为 numpy 数组
|
||
# x_values = fit_df.index.to_numpy()
|
||
#
|
||
# # 创建一个图形和子图
|
||
# plt.figure(figsize=(10, 6))
|
||
#
|
||
# # 绘制每一条线
|
||
# for i, col in enumerate(a_columns):
|
||
# plt.plot(x_values, a_values[:, i], label=col)
|
||
#
|
||
# # 添加标题、标签和图例
|
||
# plt.title('a1 to a9 振幅图')
|
||
# plt.xlabel('Day')
|
||
# plt.ylabel('振幅')
|
||
# plt.legend()
|
||
# # 显示图形
|
||
# plt.tight_layout()
|
||
# plt.show()
|