841 lines
38 KiB
Python
841 lines
38 KiB
Python
from io import BytesIO
|
||
import netCDF4 as nc
|
||
import numpy as np
|
||
import matplotlib.pyplot as plt
|
||
import pandas as pd
|
||
from scipy.optimize import curve_fit
|
||
# from matplotlib.colors import LinearSegmentedColormap
|
||
# 设置字体为支持中文的字体
|
||
plt.rcParams['font.family'] = 'SimHei' # 设置为黑体（需要你的环境中有该字体）
|
||
plt.rcParams['axes.unicode_minus'] = False # 解决负号'-'显示为方块的问题
|
||
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 1---打开文件并读取不同变量数据 -
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
|
||
|
||
def data_nc_load(file_path):
|
||
|
||
dataset = nc.Dataset(file_path, 'r')
|
||
|
||
# 纬度数据，二维数组形状为(42820,379) 42820为事件，379则为不同高度
|
||
tplatitude = dataset.variables['tplatitude'][:, :]
|
||
tplongitude = dataset.variables['tplongitude'][:, :] # 经度数据
|
||
tpaltitude = dataset.variables['tpaltitude'][:, :] # 高度，二维数组形状为(42820,379)
|
||
time = dataset.variables['time'][:, :] # 二维数组形状为(42820,379)
|
||
date = dataset.variables['date'][:]
|
||
date_time = np.unique(date) # 输出数据时间信息
|
||
ktemp = dataset.variables['ktemp'][:, :] # 温度数据，二维数组形状为(42820,379)
|
||
|
||
return dataset, tplatitude, tplongitude, tpaltitude, ktemp, time, date, date_time
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 2---筛选某一天、某个纬度和高度范围15个不同cycle的温度数据 -
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 2-1 读取某一天的所有事件及其对应的纬度数据
|
||
|
||
|
||
def day_data_read(date, day_read, tplatitude):
|
||
|
||
events = np.where(date == day_read)[0] # 读取筛选天的事件编号 4294-5714位置，从0开始编号
|
||
time_events = date[date == day_read] # 读取筛选天的事件编号 4294-5714位置，从0开始编号
|
||
latitudes = tplatitude[events, 189] # 输出每个事件中间位置 即第189个经纬度
|
||
df = pd.DataFrame([ # 创建一个包含事件编号、纬度的列表，共1421个事件
|
||
{'time': time, 'event': event, 'latitude': lat}
|
||
for time, event, lat in zip(time_events, events, latitudes)])
|
||
|
||
# print(df.head()) # 打印前几行数据以检查
|
||
|
||
return df
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 2-2 将事件按照卫星轨迹周期进行输出处理，并输出落在纬度范围内的每个周期的事件的行号
|
||
|
||
|
||
def data_cycle_identify(df, latitude_min, latitude_max):
|
||
|
||
cycles = [] # 存储每个周期的事件编号列表
|
||
# 存储当前周期的事件编号
|
||
current_cycle_events = []
|
||
prev_latitude = None
|
||
|
||
# 遍历DataFrame中的每一行以识别周期和筛选事件
|
||
for index, row in df.iterrows():
|
||
current_event = int(row['event'])
|
||
current_latitude = row['latitude']
|
||
|
||
if prev_latitude is not None and prev_latitude < 0 and current_latitude >= 0: # 检查是否是新周期的开始（纬度从负变正，且首次变正）
|
||
# 重置当前周期的事件编号列表
|
||
current_cycle_events = []
|
||
|
||
if latitude_min <= current_latitude <= latitude_max: # 如果事件的纬度在指定范围内，添加到当前周期的事件编号列表
|
||
current_cycle_events.append(current_event)
|
||
|
||
if prev_latitude is not None and prev_latitude >= 0 and current_latitude < 0: # 检查是否是周期的结束（纬度从正变负）
|
||
|
||
# 添加当前周期的事件编号列表到周期列表
|
||
if current_cycle_events: # 确保当前周期有事件编号
|
||
cycles.append(current_cycle_events)
|
||
current_cycle_events = [] # 重置当前周期的事件编号列表
|
||
prev_latitude = current_latitude
|
||
|
||
if current_cycle_events: # 处理最后一个周期，如果存在的话
|
||
cycles.append(current_cycle_events)
|
||
|
||
print(f"一天周期为 {len(cycles)}")
|
||
for cycle_index, cycle in enumerate(cycles, start=0):
|
||
# 屏幕显示每个循环周期的事件
|
||
print(f"周期 {cycle_index} 包含事件个数: {len(cycle)} 具体事件为: {cycle} ")
|
||
|
||
return cycles
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 2-3---按照循环周期合并同周期数据，并输出处理后的温度数据、对应的高度数据
|
||
|
||
|
||
def data_cycle_generate(cycles, ktemp, tpaltitude, altitude_min, altitude_max):
|
||
|
||
# 初始化列表存储每个周期的温度
|
||
ktemp_cycles = []
|
||
# 初始化每个循环周期的高度数据
|
||
altitude_cycles = []
|
||
print(f"周期数为 {len(cycles)}")
|
||
if cycles is not None: # 检查周期是否有事件编号
|
||
for event in cycles:
|
||
# 获取每个周期各个事件的ktemp数据
|
||
ktemp_cycles_events = np.array(ktemp[event, :])
|
||
ktemp_cycles_events[np.logical_or(
|
||
ktemp_cycles_events == -999, ktemp_cycles_events > 999)] = np.NaN # 缺失值处理，避免影响结果
|
||
ktemp_cycles_mean = np.nanmean(
|
||
ktemp_cycles_events, axis=0) # 对所有周期的 ktemp 数据取均值
|
||
|
||
# altitude_cycles_events =np.array(tpaltitude[event,:]) # 获取每个周期各个事件的tpaltitude数据
|
||
# altitude_cycles_mean = np.nanmean(altitude_cycles_events, axis=0) # 对所有周期的 altitude 数据取均值
|
||
# 使用第一个的高度来表征所有的
|
||
altitude_cycles_mean = tpaltitude[event[0], :]
|
||
altitude_indices = np.where((altitude_cycles_mean >= altitude_min) & (
|
||
altitude_cycles_mean <= altitude_max))[0]
|
||
|
||
ktemp_cycles.append(np.array(ktemp_cycles_mean[altitude_indices]))
|
||
altitude_cycles.append(
|
||
np.array(altitude_cycles_mean[altitude_indices]))
|
||
|
||
# 找到最短列表的长度
|
||
min_length = min(len(arr) for arr in ktemp_cycles)
|
||
# 创建新的列表，将每个子列表截断为最短长度
|
||
ktemp_cycles = np.vstack([arr[:min_length] for arr in ktemp_cycles])
|
||
altitude_cycles = np.vstack([arr[:min_length] for arr in altitude_cycles])
|
||
|
||
return ktemp_cycles, altitude_cycles
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 4---高度相同下不同循环周期数据的波拟合和滤波处理 -
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
|
||
|
||
# 对输入数据按照行（即纬向）进行波数为k的滤波,数据为15*157
|
||
def fit_wave(ktemp_wn0, k):
|
||
|
||
wave_fit = []
|
||
|
||
def single_harmonic(x, A, phi, C, k):
|
||
return A * np.sin(2 * np.pi / (15/k) * x + phi) + C
|
||
|
||
# 数据转置并对每行进行操作，按照同高度数据进行处理
|
||
for rtemp in ktemp_wn0.T:
|
||
# 为当前高度层创建索引数组
|
||
indices = np.arange(rtemp.size)
|
||
def fit_temp(x, A, phi, C): return single_harmonic(
|
||
x, A, phi, C, k) # 定义只拟合 A, phi, C 的 lambda 函数，k 固定
|
||
params, params_covariance = curve_fit(
|
||
fit_temp, indices, rtemp) # 使用 curve_fit 进行拟合
|
||
# 提取拟合参数 A, phi, C
|
||
A, phi, C = params
|
||
# 使用拟合参数计算 wn3
|
||
rtemp1 = single_harmonic(indices, A, phi, C, k)
|
||
# 存储拟合参数和拟合曲线
|
||
wave_fit.append(np.array(rtemp1))
|
||
wave_fit = np.vstack(wave_fit)
|
||
|
||
wave_fit = wave_fit.T
|
||
wave_wn = ktemp_wn0-wave_fit
|
||
|
||
return wave_fit, wave_wn
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
|
||
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 4---同周期下不同高度数据的波拟合和滤波处理 -
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 对输入数据按照列（即纬向）进行滤波，滤除波长2和15km以内的波, 数据为15*157
|
||
def fft_ifft_wave(ktemp_wn5, lamda_low, lamda_high, altitude_min, altitude_max, lvboin):
|
||
|
||
ktemp_fft = []
|
||
ktemp_ifft = []
|
||
ktemp_fft_lvbo = []
|
||
|
||
for rtemp in ktemp_wn5:
|
||
# 采样点数或长度
|
||
N = len(rtemp)
|
||
# 采样时间间隔，其倒数等于采用频率，以1km为标准尺度等同于1s，假设波的速度为1km/s
|
||
dt = (altitude_max-altitude_min)/(N-1)
|
||
# 时间序列索引
|
||
n = np.arange(N)
|
||
# # t = altitude_min + n * dt # 时间向量
|
||
# t = np.round(np.linspace(altitude_min, altitude_max, N),2)
|
||
# 频率索引向量
|
||
f = n / (N * dt)
|
||
# 对输入信号进行傅里叶变换
|
||
y = np.fft.fft(rtemp)
|
||
|
||
# f_low = 2*np.pi / lamda_high # 定义波长滤波范围（以频率计算） # 高频截止频率
|
||
# f_high = 2*np.pi / lamda_low
|
||
|
||
# 定义波长滤波范围（以频率计算） # 高频截止频率
|
||
f_low = 1 / lamda_high
|
||
# 低频截止频率
|
||
f_high = 1 / lamda_low
|
||
|
||
# 创建滤波后的频域信号
|
||
yy = y.copy()
|
||
|
||
# 使用逻辑索引过滤特定频段（未确定）
|
||
if lvboin:
|
||
freq_filter = (f > f_low) & (f < f_high) # 创建逻辑掩码
|
||
else:
|
||
freq_filter = (f < f_low) | (f > f_high) # 创建逻辑掩码
|
||
|
||
yy[freq_filter] = 0 # 过滤掉指定频段
|
||
yy_ifft = np.real(np.fft.ifft(yy))
|
||
|
||
ktemp_fft.append(y)
|
||
# 存储拟合参数和拟合曲线
|
||
ktemp_ifft.append(np.array(yy_ifft))
|
||
ktemp_fft_lvbo.append(yy)
|
||
|
||
ktemp_fft = np.vstack(ktemp_fft)
|
||
ktemp_ifft = np.vstack(ktemp_ifft)
|
||
ktemp_fft_lvbo = np.vstack(ktemp_fft_lvbo)
|
||
|
||
return ktemp_fft, ktemp_fft_lvbo, ktemp_ifft
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 5---同周期下不同高度数据的BT_z背景位等指标计算 -
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# ----------------------------------------------------------------------------------
|
||
|
||
|
||
def power_indices(ktemp_cycles, ktemp_wn5, ktemp_ifft, altitude_min, altitude_max):
|
||
|
||
# 定义Brunt-Väisälä频率计算函数
|
||
def brunt_vaisala_frequency(g, BT_z, c_p, height):
|
||
# 计算位温随高度的变化率
|
||
dBT_z_dz = np.gradient(BT_z, height)
|
||
# 计算 Brunt-Väisälä 频率
|
||
return np.sqrt((g / BT_z) * ((g / c_p) + dBT_z_dz))
|
||
|
||
# 定义势能计算函数
|
||
def calculate_gravitational_potential_energy(g, BT_z, N_z, PT_z):
|
||
return 0.5 * ((g / N_z) ** 2) * ((PT_z / BT_z) ** 2)
|
||
|
||
# 重力加速度
|
||
g = 9.81
|
||
# 空气比热容
|
||
c_p = 1004.5
|
||
|
||
height = np.linspace(altitude_min, altitude_max,
|
||
ktemp_cycles.shape[1]) * 1000 # 高度
|
||
background = ktemp_cycles - ktemp_wn5
|
||
|
||
# 初始化结果矩阵
|
||
N_z_matrix = []
|
||
# 初始化结果矩阵
|
||
PT_z_matrix = []
|
||
|
||
# 循环处理background和filtered_perturbation所有行
|
||
for i in range(background.shape[0]):
|
||
BT_z = np.array(background[i])
|
||
# 滤波后的扰动
|
||
PT_z = np.array(ktemp_ifft[i])
|
||
|
||
# 调用Brunt-Väisälä频率函数
|
||
N_z = brunt_vaisala_frequency(g, BT_z, c_p, height)
|
||
PT_z = calculate_gravitational_potential_energy(
|
||
g, BT_z, N_z, PT_z) # 调用势能函数
|
||
N_z_matrix.append(N_z)
|
||
PT_z_matrix.append(PT_z)
|
||
|
||
ktemp_Nz = np.vstack(N_z_matrix)
|
||
ktemp_Ptz = np.vstack(PT_z_matrix)
|
||
return ktemp_Nz, ktemp_Ptz
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 5---main程序环节 -
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 按日处理资料
|
||
|
||
|
||
def day_process_main(file_path, day_read, latitude_min, latitude_max, altitude_min, altitude_max, lamda_low, lamda_high, lvboin):
|
||
|
||
dataset, tplatitude, tplongitude, tpaltitude, ktemp, time, date, date_time = data_nc_load(
|
||
file_path)
|
||
# 2018年的第94天 # 4月4日的日期，以年份和年内的第几天表示
|
||
df = day_data_read(date, day_read, tplatitude)
|
||
cycles = data_cycle_identify(df, latitude_min, latitude_max)
|
||
ktemp_cycles, altitude_cycles = data_cycle_generate(
|
||
cycles, ktemp, tpaltitude, altitude_min, altitude_max)
|
||
# 按照纬向计算平均温度 wn0_temp
|
||
ktemp_wn0 = ktemp_cycles - np.mean(ktemp_cycles, axis=0)
|
||
ktemp_fit_wn1, ktemp_wn1 = fit_wave(ktemp_wn0, 1)
|
||
ktemp_fit_wn2, ktemp_wn2 = fit_wave(ktemp_wn1, 2)
|
||
ktemp_fit_wn3, ktemp_wn3 = fit_wave(ktemp_wn2, 3)
|
||
ktemp_fit_wn4, ktemp_wn4 = fit_wave(ktemp_wn3, 4)
|
||
ktemp_fit_wn5, ktemp_wn5 = fit_wave(ktemp_wn4, 5)
|
||
ktemp_fft, ktemp_fft_lvbo, ktemp_ifft = fft_ifft_wave(
|
||
ktemp_wn5, lamda_low, lamda_high, altitude_min, altitude_max, lvboin)
|
||
ktemp_Nz, ktemp_Ptz = power_indices(
|
||
ktemp_cycles, ktemp_wn5, ktemp_ifft, altitude_min, altitude_max)
|
||
|
||
return ktemp_cycles, altitude_cycles, ktemp_wn0, ktemp_fit_wn1, ktemp_wn1, ktemp_fit_wn2, ktemp_wn2, ktemp_fit_wn3, ktemp_wn3, ktemp_fit_wn4, ktemp_wn4, ktemp_fit_wn5, ktemp_wn5, ktemp_fft, ktemp_fft_lvbo, ktemp_ifft, ktemp_Nz, ktemp_Ptz
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 按文件中单日处理资料
|
||
|
||
|
||
def day_process_maing(dataset, tplatitude, tplongitude, tpaltitude, ktemp, time, date, date_time, day_read, latitude_min, latitude_max, altitude_min, altitude_max, lamda_low, lamda_high, lvboin):
|
||
|
||
# dataset, tplatitude, tplongitude, tpaltitude, ktemp, time, date, date_time = data_nc_load (file_path)
|
||
# 2018年的第94天 # 4月4日的日期，以年份和年内的第几天表示
|
||
df = day_data_read(date, day_read, tplatitude)
|
||
cycles = data_cycle_identify(df, latitude_min, latitude_max)
|
||
ktemp_cycles, altitude_cycles = data_cycle_generate(
|
||
cycles, ktemp, tpaltitude, altitude_min, altitude_max)
|
||
# 按照纬向计算平均温度 wn0_temp
|
||
ktemp_wn0 = ktemp_cycles - np.mean(ktemp_cycles, axis=0)
|
||
ktemp_fit_wn1, ktemp_wn1 = fit_wave(ktemp_wn0, 1)
|
||
ktemp_fit_wn2, ktemp_wn2 = fit_wave(ktemp_wn1, 2)
|
||
ktemp_fit_wn3, ktemp_wn3 = fit_wave(ktemp_wn2, 3)
|
||
ktemp_fit_wn4, ktemp_wn4 = fit_wave(ktemp_wn3, 4)
|
||
ktemp_fit_wn5, ktemp_wn5 = fit_wave(ktemp_wn4, 5)
|
||
ktemp_fft, ktemp_fft_lvbo, ktemp_ifft = fft_ifft_wave(
|
||
ktemp_wn5, lamda_low, lamda_high, altitude_min, altitude_max, lvboin)
|
||
ktemp_Nz, ktemp_Ptz = power_indices(
|
||
ktemp_cycles, ktemp_wn5, ktemp_ifft, altitude_min, altitude_max)
|
||
|
||
return ktemp_cycles, altitude_cycles, ktemp_wn0, ktemp_fit_wn1, ktemp_wn1, ktemp_fit_wn2, ktemp_wn2, ktemp_fit_wn3, ktemp_wn3, ktemp_fit_wn4, ktemp_wn4, ktemp_fit_wn5, ktemp_wn5, ktemp_fft, ktemp_fft_lvbo, ktemp_ifft, ktemp_Nz, ktemp_Ptz
|
||
|
||
# ----------------------------------------------------------------------------------------------------------------------------
|
||
# 按月处理资料
|
||
|
||
|
||
def mon_process_main(file_path, latitude_min, latitude_max, altitude_min, altitude_max, lamda_low, lamda_high, lvboin):
|
||
|
||
dataset, tplatitude, tplongitude, tpaltitude, ktemp, time, date, date_time = data_nc_load(
|
||
file_path)
|
||
|
||
ktemp_cycles_mon = []
|
||
altitude_cycles_mon = []
|
||
ktemp_wn0_mon = []
|
||
ktemp_fit_wn1_mon = []
|
||
ktemp_wn1_mon = []
|
||
ktemp_fit_wn2_mon = []
|
||
ktemp_wn2_mon = []
|
||
ktemp_fit_wn3_mon = []
|
||
ktemp_wn3_mon = []
|
||
ktemp_fit_wn4_mon = []
|
||
ktemp_wn4_mon = []
|
||
ktemp_fit_wn5_mon = []
|
||
ktemp_wn5_mon = []
|
||
ktemp_fft_mon = []
|
||
ktemp_fft_lvbo_mon = []
|
||
ktemp_ifft_mon = []
|
||
ktemp_Nz_mon = []
|
||
ktemp_Ptz_mon = []
|
||
|
||
for day_read in date_time:
|
||
print(f"读取日期 {day_read}")
|
||
(ktemp_cycles0, altitude_cycles0,
|
||
ktemp_wn00,
|
||
ktemp_fit_wn10, ktemp_wn10,
|
||
ktemp_fit_wn20, ktemp_wn20,
|
||
ktemp_fit_wn30, ktemp_wn30,
|
||
ktemp_fit_wn40, ktemp_wn40,
|
||
ktemp_fit_wn50, ktemp_wn50,
|
||
ktemp_fft0, ktemp_fft_lvbo0, ktemp_ifft0,
|
||
ktemp_Nz0, ktemp_Ptz0) = day_process_maing(
|
||
dataset, tplatitude, tplongitude, tpaltitude, ktemp, time, date, date_time,
|
||
day_read, latitude_min, latitude_max, altitude_min, altitude_max, lamda_low, lamda_high, lvboin)
|
||
|
||
ktemp_cycles_mon.append(ktemp_cycles0)
|
||
altitude_cycles_mon.append(altitude_cycles0)
|
||
ktemp_wn0_mon.append(ktemp_wn00)
|
||
ktemp_fit_wn1_mon.append(ktemp_fit_wn50)
|
||
ktemp_wn1_mon.append(ktemp_wn50)
|
||
ktemp_fit_wn2_mon.append(ktemp_fit_wn50)
|
||
ktemp_wn2_mon.append(ktemp_wn50)
|
||
ktemp_fit_wn3_mon.append(ktemp_fit_wn50)
|
||
ktemp_wn3_mon.append(ktemp_wn50)
|
||
ktemp_fit_wn4_mon.append(ktemp_fit_wn50)
|
||
ktemp_wn4_mon.append(ktemp_wn50)
|
||
ktemp_fit_wn5_mon.append(ktemp_fit_wn50)
|
||
ktemp_wn5_mon.append(ktemp_wn50)
|
||
ktemp_fft_mon.append(ktemp_fft0)
|
||
ktemp_fft_lvbo_mon.append(ktemp_fft_lvbo0)
|
||
ktemp_ifft_mon.append(ktemp_ifft0)
|
||
ktemp_Nz_mon.append(ktemp_Nz0)
|
||
ktemp_Ptz_mon.append(ktemp_Ptz0)
|
||
|
||
return [date_time, ktemp_cycles_mon, altitude_cycles_mon, # 某月份 逐日时间 每日不同循环周期温度 不同循环周期高度数据
|
||
# 距平扰动温度
|
||
ktemp_wn0_mon,
|
||
# 波数为1的拟合温度 滤波后的扰动温度
|
||
ktemp_fit_wn1_mon, ktemp_wn1_mon,
|
||
# 波数为2的拟合温度 滤波后的扰动温度
|
||
ktemp_fit_wn2_mon, ktemp_wn2_mon,
|
||
# 波数为3的拟合温度 滤波后的扰动温度
|
||
ktemp_fit_wn3_mon, ktemp_wn3_mon,
|
||
# 波数为4的拟合温度 滤波后的扰动温度
|
||
ktemp_fit_wn4_mon, ktemp_wn4_mon,
|
||
# 波数为5的拟合温度 滤波后的扰动温度
|
||
ktemp_fit_wn5_mon, ktemp_wn5_mon,
|
||
# 滤波0-5后扰动温度傅里叶频谱分析 滤除波长为2km-15km内后频谱分析 滤波后的扰动温度
|
||
ktemp_fft_mon, ktemp_fft_lvbo_mon, ktemp_ifft_mon,
|
||
ktemp_Nz_mon, ktemp_Ptz_mon] # 滤波后NZ、PTZ重力波势能指标计算
|
||
|
||
# -----------------------------------------------------------------------------------------------------------------------------
|
||
# 6-主要统计分析图绘制 -
|
||
# -----------------------------------------------------------------------------------------------------------------------------
|
||
# 6-1 示例的逐层滤波效果图---不同波数 曲线图
|
||
|
||
|
||
day_fit_wave_modes = ["k=1", "k=2", "k=3", "k=4", "k=5", "滤波"]
|
||
|
||
|
||
def day_fit_wave_plot(height_no, ktemp_wn0, ktemp_fit_wn1, ktemp_wn1, ktemp_fit_wn2, ktemp_wn2, ktemp_fit_wn3, ktemp_wn3, ktemp_fit_wn4, ktemp_wn4, ktemp_fit_wn5, ktemp_wn5, mode):
|
||
|
||
N = len(ktemp_wn0[:, height_no])
|
||
# 循环周期索引
|
||
x = np.arange(N)
|
||
|
||
y1_1 = ktemp_wn0[:, height_no]
|
||
y1_2 = ktemp_fit_wn1[:, height_no]
|
||
|
||
y2_1 = ktemp_wn1[:, height_no]
|
||
y2_2 = ktemp_fit_wn2[:, height_no]
|
||
|
||
y3_1 = ktemp_wn2[:, height_no]
|
||
y3_2 = ktemp_fit_wn3[:, height_no]
|
||
|
||
y4_1 = ktemp_wn3[:, height_no]
|
||
y4_2 = ktemp_fit_wn4[:, height_no]
|
||
|
||
y5_1 = ktemp_wn4[:, height_no]
|
||
y5_2 = ktemp_fit_wn5[:, height_no]
|
||
|
||
y6 = ktemp_wn5[:, height_no]
|
||
|
||
if mode not in ["k=1", "k=2", "k=3", "k=4", "k=5", "滤波"]:
|
||
raise ValueError(
|
||
"mode 参数应为 'k=1', 'k=2', 'k=3', 'k=4', 'k=5', 'lvbo' 中的一个")
|
||
|
||
plt.figure(figsize=(16, 10)) # 调整图形大小
|
||
# 原始信号的时间序列
|
||
if mode == "k=1":
|
||
plt.plot(x, y1_1, label='原始信号')
|
||
plt.plot(x, y1_2, label='拟合信号', linestyle='--')
|
||
plt.title('（a）波数k=1')
|
||
plt.xlabel('Cycles', labelpad=10) # 增加标签间距
|
||
plt.ylabel('温度 (°C)', labelpad=10) # 增加标签间距
|
||
plt.legend()
|
||
plt.tight_layout() # 调整子图参数以适应图形区域
|
||
|
||
if mode == "k=2":
|
||
plt.plot(x, y2_1, label='原始信号')
|
||
plt.plot(x, y2_2, label='拟合信号', linestyle='--')
|
||
plt.title('（b）波数k=2')
|
||
plt.xlabel('Cycles', labelpad=10) # 增加标签间距
|
||
plt.ylabel('温度 (°C)', labelpad=10) # 增加标签间距
|
||
plt.legend()
|
||
plt.tight_layout() # 调整子图参数以适应图形区域
|
||
|
||
if mode == "k=3":
|
||
plt.plot(x, y3_1, label='原始信号')
|
||
plt.plot(x, y3_2, label='拟合信号', linestyle='--')
|
||
plt.title('（c）波数k=3')
|
||
plt.xlabel('Cycles', labelpad=10) # 增加标签间距
|
||
plt.ylabel('温度 (°C)', labelpad=10) # 增加标签间距
|
||
plt.legend()
|
||
plt.tight_layout() # 调整子图参数以适应图形区域
|
||
|
||
if mode == "k=4":
|
||
plt.plot(x, y4_1, label='原始信号')
|
||
plt.plot(x, y4_2, label='拟合信号', linestyle='--')
|
||
plt.title('（d）波数k=4')
|
||
plt.xlabel('Cycles', labelpad=10) # 增加标签间距
|
||
plt.ylabel('温度 (°C)', labelpad=10) # 增加标签间距
|
||
plt.legend()
|
||
plt.tight_layout() # 调整子图参数以适应图形区域
|
||
|
||
if mode == "k=5":
|
||
plt.plot(x, y5_1, label='原始信号')
|
||
plt.plot(x, y5_2, label='拟合信号', linestyle='--')
|
||
plt.title('（e）波数k=5')
|
||
plt.xlabel('Cycles', labelpad=10) # 增加标签间距
|
||
plt.ylabel('温度 (°C)', labelpad=10) # 增加标签间距
|
||
plt.legend()
|
||
plt.tight_layout() # 调整子图参数以适应图形区域
|
||
|
||
if mode == "滤波":
|
||
plt.plot(x, y6, label='滤波信号')
|
||
plt.title('（f）滤波1-5后信号')
|
||
plt.xlabel('Cycles', labelpad=10) # 增加标签间距
|
||
plt.ylabel('温度 (°C)', labelpad=10) # 增加标签间距
|
||
plt.tight_layout() # 调整子图参数以适应图形区域
|
||
|
||
|
||
def day_fit_wave_plotg(height_no, ktemp_wn0, ktemp_fit_wn1, ktemp_wn1, ktemp_fit_wn2,
|
||
ktemp_wn2, ktemp_fit_wn3, ktemp_wn3, ktemp_fit_wn4,
|
||
ktemp_wn4, ktemp_fit_wn5, ktemp_wn5):
|
||
|
||
N = len(ktemp_wn0[:, height_no])
|
||
x = np.arange(N)
|
||
|
||
y1_1, y1_2 = ktemp_wn0[:, height_no], ktemp_fit_wn1[:, height_no]
|
||
y2_1, y2_2 = ktemp_wn1[:, height_no], ktemp_fit_wn2[:, height_no]
|
||
y3_1, y3_2 = ktemp_wn2[:, height_no], ktemp_fit_wn3[:, height_no]
|
||
y4_1, y4_2 = ktemp_wn3[:, height_no], ktemp_fit_wn4[:, height_no]
|
||
y5_1, y5_2 = ktemp_wn4[:, height_no], ktemp_fit_wn5[:, height_no]
|
||
y6 = ktemp_wn5[:, height_no]
|
||
|
||
plt.figure(figsize=(16, 10))
|
||
|
||
y_limits = (min(min(y1_1), min(y2_1), min(y3_1), min(y4_1), min(y5_1), min(y6)),
|
||
max(max(y1_1), max(y2_1), max(y3_1), max(y4_1), max(y5_1), max(y6)))
|
||
|
||
for i, (y1, y2) in enumerate([(y1_1, y1_2), (y2_1, y2_2), (y3_1, y3_2),
|
||
(y4_1, y4_2), (y5_1, y5_2), (y6, None)]):
|
||
plt.subplot(2, 3, i + 1)
|
||
plt.plot(x, y1, label='原始信号')
|
||
if y2 is not None:
|
||
plt.plot(x, y2, label='拟合信号', linestyle='--')
|
||
plt.title(f'（{"abcdef"[i]}）波数k={i + 1 if i < 5 else "滤波"}')
|
||
plt.xlabel('Cycles', labelpad=10)
|
||
plt.ylabel('温度 (°C)', labelpad=10)
|
||
plt.legend()
|
||
plt.xticks(x) # 设置横坐标为整数
|
||
plt.ylim(y_limits) # 设置统一纵坐标范围
|
||
plt.tight_layout()
|
||
|
||
plt.subplots_adjust(top=0.8, bottom=0.2, left=0.1,
|
||
right=0.8, hspace=0.3, wspace=0.2)
|
||
plt.show()
|
||
|
||
|
||
# -----------------------------------------------------------------------------------------------------------------------------
|
||
# 6-2 示例的高度滤波处理--不同循环周期 曲线图
|
||
day_fft_ifft_modes = ["原始信号", "fft", "ifft", "滤波", "比较"]
|
||
|
||
|
||
def day_fft_ifft_plot(cycle_no, ktemp_wn5, ktemp_fft, ktemp_ifft, altitude_min, altitude_max, lamda_low, lamda_high, ktemp_fft_lvbo, mode):
|
||
|
||
N = len(ktemp_wn5[cycle_no, :])
|
||
# 采样时间间隔，其倒数等于采用频率，以1km为标准尺度等同于1s，假设波的速度为1km/s
|
||
dt = (altitude_max-altitude_min)/(N-1)
|
||
# 时间序列索引
|
||
n = np.arange(N)
|
||
f = n / (N * dt)
|
||
t = np.round(np.linspace(altitude_min, altitude_max, N), 2)
|
||
|
||
# 原始扰动温度
|
||
x = ktemp_wn5[cycle_no, :]
|
||
# 傅里叶变换频谱分析
|
||
y = ktemp_fft[cycle_no, :]
|
||
# 滤波后的傅里叶变换频谱分析
|
||
yy = ktemp_fft_lvbo[cycle_no, :]
|
||
# 傅里叶逆变换后的扰动温度
|
||
yyy = ktemp_ifft[cycle_no, :]
|
||
|
||
if mode not in ["原始信号", "fft", "ifft", "滤波", "比较"]:
|
||
raise ValueError(
|
||
"mode 参数应为 '原始信号', 'fft', 'ifft', 'lv bo' 中的一个")
|
||
|
||
plt.figure(figsize=(15, 10)) # 调整图形大小
|
||
# 原始信号的时间序列
|
||
if mode == "原始信号":
|
||
plt.plot(t, x)
|
||
plt.title('（a）原始信号')
|
||
plt.xlabel('高度 (km)', labelpad=10) # 增加标签间距
|
||
plt.ylabel('温度 (°C)', labelpad=10) # 增加标签间距
|
||
# 原始振幅谱
|
||
if mode == "fft":
|
||
plt.plot(f, np.abs(y) * 2 / N)
|
||
plt.title('（b））原始振幅谱')
|
||
plt.xlabel('频率/Hz', labelpad=10) # 增加标签间距
|
||
plt.ylabel('振幅', labelpad=10) # 增加标签间距
|
||
|
||
# 通过IFFT回到时间域
|
||
if mode == "ifft":
|
||
plt.plot(t, yyy)
|
||
plt.title('（c））傅里叶逆变换')
|
||
plt.xlabel('高度 (km)', labelpad=10) # 增加标签间距
|
||
plt.ylabel('温度 (°C)', labelpad=10) # 增加标签间距
|
||
|
||
if mode == "滤波":
|
||
plt.plot(f, np.abs(yy) * 2 / N)
|
||
plt.title(f'（d）滤除波长 < {lamda_low} km, > {lamda_high} km的波')
|
||
plt.xlabel('频率/Hz', labelpad=10) # 增加标签间距
|
||
plt.ylabel('振幅', labelpad=10) # 增加标签间距
|
||
|
||
# 调整子图之间的边距
|
||
|
||
# 绘制原始信号与滤波后信号
|
||
if mode == '比较':
|
||
plt.plot(t, x, label='原始信号')
|
||
plt.plot(t, yyy, label='滤波后信号', linestyle='--')
|
||
plt.title('信号比较')
|
||
plt.xlabel('高度 (km)', labelpad=10) # 增加标签间距
|
||
plt.ylabel('温度 (°C)', labelpad=10) # 增加标签间距
|
||
plt.legend()
|
||
plt.tight_layout() # 调整子图参数以适应图形区域
|
||
|
||
|
||
day_fft_ifft_modes = ["原始信号", "原始振幅谱", "傅里叶逆变换", "滤波后振幅谱", "信号比较"]
|
||
|
||
|
||
def day_fft_ifft_plotg(cycle_no, ktemp_wn5, ktemp_fft, ktemp_ifft, altitude_min, altitude_max, lamda_low, lamda_high, mode):
|
||
|
||
N = len(ktemp_wn5[cycle_no, :])
|
||
dt = (altitude_max - altitude_min) / (N - 1) # 采样时间间隔
|
||
n = np.arange(N) # 时间序列索引
|
||
f = n / (N * dt)
|
||
t = np.round(np.linspace(altitude_min, altitude_max, N), 2)
|
||
|
||
x = ktemp_wn5[cycle_no, :] # 原始扰动温度
|
||
y = ktemp_fft[cycle_no, :] # 傅里叶变换频谱分析
|
||
yy = ktemp_fft_lvbo[cycle_no, :] # 滤波后的傅里叶变换频谱分析
|
||
yyy = ktemp_ifft[cycle_no, :] # 傅里叶逆变换后的扰动温度
|
||
|
||
plt.figure(figsize=(15, 10)) # 调整图形大小
|
||
|
||
# 计算纵坐标范围
|
||
temp_limits = (min(min(x), min(yyy)), max(max(x), max(yyy)))
|
||
amp_limits = (0, max(np.max(np.abs(y) * 2 / N),
|
||
np.max(np.abs(yy) * 2 / N)))
|
||
|
||
if mode not in ["原始信号", "原始振幅谱", "傅里叶逆变换", "滤波后振幅谱", "信号比较"]:
|
||
raise ValueError(
|
||
"mode 参数应为 '原始信号', '原始振幅谱', '傅里叶逆变换', '滤波后振幅谱', '信号比较' 中的一个")
|
||
|
||
# 原始信号的时间序列
|
||
if mode == "原始信号":
|
||
plt.plot(t, x)
|
||
plt.title('（a）原始信号')
|
||
plt.xlabel('高度 (km)', labelpad=10)
|
||
plt.ylabel('温度 (°C)', labelpad=10)
|
||
plt.ylim(temp_limits) # 设置统一纵坐标范围
|
||
|
||
# 原始振幅谱
|
||
if mode == "原始振幅谱":
|
||
plt.plot(f, np.abs(y) * 2 / N)
|
||
plt.title('（b）原始振幅谱')
|
||
plt.xlabel('频率/Hz', labelpad=10)
|
||
plt.ylabel('振幅', labelpad=10)
|
||
plt.ylim(amp_limits) # 设置统一纵坐标范围
|
||
|
||
# 通过IFFT回到时间域
|
||
if mode == "傅里叶逆变换":
|
||
plt.plot(t, yyy)
|
||
plt.title('（c）傅里叶逆变换')
|
||
plt.xlabel('高度 (km)', labelpad=10)
|
||
plt.ylabel('温度 (°C)', labelpad=10)
|
||
plt.ylim(temp_limits) # 设置统一纵坐标范围
|
||
|
||
# 滤波后的振幅谱
|
||
if mode == "滤波后振幅谱":
|
||
plt.plot(f, np.abs(yy) * 2 / N)
|
||
plt.title(f'（d）滤除波长 < {lamda_low} km, > {lamda_high} km的波')
|
||
plt.xlabel('频率/Hz', labelpad=10)
|
||
plt.ylabel('振幅', labelpad=10)
|
||
plt.ylim(amp_limits) # 设置统一纵坐标范围
|
||
|
||
if mode == "信号比较":
|
||
# 绘制原始信号与滤波后信号
|
||
plt.figure(figsize=(6, 8)) # 调整图形大小
|
||
plt.plot(x, t, label='原始信号')
|
||
plt.plot(yyy, t, label='滤波后信号', linestyle='--')
|
||
plt.title('信号比较')
|
||
plt.ylabel('高度 (km)', labelpad=10) # 增加标签间距
|
||
plt.xlabel('温度 (°C)', labelpad=10) # 增加标签间距
|
||
plt.legend()
|
||
plt.xlim(temp_limits) # 设置统一纵坐标范围
|
||
plt.tight_layout()
|
||
# -----------------------------------------------------------------------------------------------------------------------------
|
||
# 6-3 示例的按高度的重力波势能变化曲线图
|
||
|
||
|
||
def day_cycle_power_wave_plot(cycle_no, altitude_min, altitude_max, ktemp_Nz, ktemp_Ptz):
|
||
|
||
N = len(ktemp_Nz[cycle_no, :])
|
||
y = np.round(np.linspace(altitude_min, altitude_max, N), 2)
|
||
x1 = ktemp_Nz[cycle_no, :]
|
||
x2 = ktemp_Ptz[cycle_no, :]
|
||
|
||
plt.figure(figsize=(12, 10)) # 调整图形大小
|
||
# 原始信号的时间序列
|
||
plt.subplot(1, 2, 1)
|
||
plt.plot(x1, y, label='原始信号')
|
||
plt.title('（a）Nz')
|
||
plt.xlabel('Nz', labelpad=10) # 增加标签间距
|
||
plt.ylabel('高度 (km)', labelpad=10) # 增加标签间距
|
||
|
||
# 原始信号的时间序列
|
||
plt.subplot(1, 2, 2)
|
||
plt.plot(x2, y, label='原始信号')
|
||
plt.title('（b）Ptz')
|
||
plt.xlabel('Ptz', labelpad=10) # 增加标签间距
|
||
plt.ylabel('高度 (km)', labelpad=10) # 增加标签间距
|
||
|
||
# 调整子图之间的边距
|
||
plt.subplots_adjust(top=0.8, bottom=0.2, left=0.1,
|
||
right=0.8, hspace=0.3, wspace=0.2)
|
||
plt.tight_layout() # 调整子图参数以适应图形区域
|
||
|
||
plt.show()
|
||
# -----------------------------------------------------------------------------------------------------------------------------
|
||
# 6-4 按日统计的按周期计算的不同高度的重力波势能 平面图
|
||
|
||
|
||
def day_power_wave_plot(altitude_min, altitude_max, ktemp_Nz, ktemp_Ptz):
|
||
# 假设 ktemp_Nz 和 ktemp_Ptz 以及 altitude_min, altitude_max 已经定义好
|
||
x = np.arange(ktemp_Nz.shape[0])
|
||
y = np.round(np.linspace(altitude_min, altitude_max, ktemp_Nz.shape[1]), 2)
|
||
|
||
# 创建一个图形，并指定两个子图
|
||
fig, axs = plt.subplots(1, 2, figsize=(15, 10))
|
||
|
||
# 第一幅图 (a) NZ
|
||
cax1 = axs[0].imshow(ktemp_Nz.T, aspect='auto', cmap='viridis',
|
||
origin='lower', extent=[x[0], x[-1], y[0], y[-1]])
|
||
fig.colorbar(cax1, ax=axs[0]) # 为第一幅图添加颜色条
|
||
axs[0].set_title('(a) NZ')
|
||
axs[0].set_ylabel('Height (km)')
|
||
axs[0].set_xlabel('Cycles')
|
||
axs[0].set_yticks(np.linspace(30, 90, 7))
|
||
axs[0].set_yticklabels(np.round(np.linspace(30, 90, 7), 1))
|
||
axs[0].set_xticks(np.arange(15))
|
||
axs[0].set_xticklabels(np.arange(15))
|
||
|
||
# 第二幅图 (b) PTZ
|
||
cax2 = axs[1].imshow(ktemp_Ptz.T, aspect='auto', cmap='viridis',
|
||
origin='lower', extent=[x[0], x[-1], y[0], y[-1]])
|
||
fig.colorbar(cax2, ax=axs[1]) # 为第二幅图添加颜色条
|
||
axs[1].set_title('(b) PTZ')
|
||
axs[1].set_ylabel('Height (km)')
|
||
axs[1].set_xlabel('Cycles')
|
||
axs[1].set_yticks(np.linspace(30, 90, 7))
|
||
axs[1].set_yticklabels(np.round(np.linspace(30, 90, 7), 1))
|
||
axs[1].set_xticks(np.arange(15))
|
||
axs[1].set_xticklabels(np.arange(15))
|
||
|
||
# 调整子图之间的边距
|
||
plt.subplots_adjust(top=0.9, bottom=0.1, left=0.05,
|
||
right=0.95, hspace=0.3, wspace=0.3)
|
||
plt.tight_layout() # 调整布局以避免重叠
|
||
plt.show()
|
||
# -----------------------------------------------------------------------------------------------------------------------------
|
||
# 6-5 按月统计的每日重力波势能随天变化的图
|
||
|
||
|
||
# -----------------------------------------------------------------------------------------------------------------------------
|
||
# 6-6 按年统计的每月重力波势能随月变化的图
|
||
|
||
|
||
# -----------------------------------------------------------------------------------------------------------------------------
|
||
# 7 主程序，运行数据,并输出主要统计分析图 -
|
||
# -----------------------------------------------------------------------------------------------------------------------------
|
||
# 7-1 挑选某一天进行运行主要程序
|
||
def render_saber(file_path, mode, mode_args=None):
|
||
# day_read=2018113,
|
||
day_read = 2018094
|
||
# 初始化某一天、某个纬度、高度范围等参数
|
||
latitude_min = 30.0
|
||
latitude_max = 50.0
|
||
altitude_min = 30.0
|
||
altitude_max = 90.0
|
||
lamda_low = 2
|
||
lamda_high = 15
|
||
lvboin = True
|
||
|
||
(ktemp_cycles, altitude_cycles,
|
||
ktemp_wn0,
|
||
ktemp_fit_wn1, ktemp_wn1,
|
||
ktemp_fit_wn2, ktemp_wn2,
|
||
ktemp_fit_wn3, ktemp_wn3,
|
||
ktemp_fit_wn4, ktemp_wn4,
|
||
ktemp_fit_wn5, ktemp_wn5,
|
||
ktemp_fft, ktemp_fft_lvbo, ktemp_ifft,
|
||
ktemp_Nz, ktemp_Ptz) = day_process_main(
|
||
file_path,
|
||
# day_read=2018113,
|
||
day_read,
|
||
# 初始化某一天、某个纬度、高度范围等参数
|
||
latitude_min,
|
||
latitude_max,
|
||
altitude_min,
|
||
altitude_max,
|
||
lamda_low, lamda_high, lvboin)
|
||
# -----------------------------------------------------------------------------------------------------------------------------
|
||
# 7-2 挑选某一个月进行运行主要程序
|
||
(date_time, ktemp_cycles_mon, altitude_cycles_mon, # 某月份 逐日时间 每日不同循环周期温度 不同循环周期高度数据
|
||
# 距平扰动温度
|
||
ktemp_wn0_mon,
|
||
# 波数为1的拟合温度 滤波后的扰动温度
|
||
ktemp_fit_wn1_mon, ktemp_wn1_mon,
|
||
# 波数为2的拟合温度 滤波后的扰动温度
|
||
ktemp_fit_wn2_mon, ktemp_wn2_mon,
|
||
# 波数为3的拟合温度 滤波后的扰动温度
|
||
ktemp_fit_wn3_mon, ktemp_wn3_mon,
|
||
# 波数为4的拟合温度 滤波后的扰动温度
|
||
ktemp_fit_wn4_mon, ktemp_wn4_mon,
|
||
# 波数为5的拟合温度 滤波后的扰动温度
|
||
ktemp_fit_wn5_mon, ktemp_wn5_mon,
|
||
# 滤波0-5后扰动温度傅里叶频谱分析 滤除波长为2km-15km内后频谱分析 滤波后的扰动温度
|
||
ktemp_fft_mon, ktemp_fft_lvbo_mon, ktemp_ifft_mon,
|
||
# 滤波后NZ、PTZ重力波势能指标计算
|
||
ktemp_Nz_mon, ktemp_Ptz_mon) = mon_process_main(
|
||
file_path,
|
||
# 初始化某一天、某个纬度、高度范围等参数
|
||
latitude_min,
|
||
latitude_max,
|
||
altitude_min,
|
||
altitude_max,
|
||
lamda_low, lamda_high, lvboin)
|
||
|
||
# -----------------------------------------------------------------------------------------------------------------------------
|
||
# 7-3 绘制不同截过图
|
||
|
||
if mode == "day_fit_wave_plot":
|
||
|
||
height_no = 1
|
||
# day_fit_wave_plotg(height_no, ktemp_wn0, ktemp_fit_wn1, ktemp_wn1, ktemp_fit_wn2, ktemp_wn2,
|
||
# ktemp_fit_wn3, ktemp_wn3, ktemp_fit_wn4, ktemp_wn4, ktemp_fit_wn5, ktemp_wn5)
|
||
day_fit_wave_plot(height_no, ktemp_wn0, ktemp_fit_wn1, ktemp_wn1, ktemp_fit_wn2, ktemp_wn2,
|
||
ktemp_fit_wn3, ktemp_wn3, ktemp_fit_wn4, ktemp_wn4, ktemp_fit_wn5, ktemp_wn5, mode_args)
|
||
if mode == "day_fft_ifft_plot":
|
||
cycle_no = 1
|
||
day_fft_ifft_plotg(cycle_no, ktemp_wn5, ktemp_fft, ktemp_ifft,
|
||
altitude_min, altitude_max, lamda_low, lamda_high, mode_args)
|
||
if mode == "day_cycle_power_wave_plot":
|
||
|
||
day_cycle_power_wave_plot(cycle_no, altitude_min,
|
||
altitude_max, ktemp_Nz, ktemp_Ptz)
|
||
if mode == "day_power_wave_plot":
|
||
day_power_wave_plot(altitude_min, altitude_max, ktemp_Nz, ktemp_Ptz)
|
||
|
||
buffer = BytesIO()
|
||
plt.savefig(buffer, format='png')
|
||
buffer.seek(0)
|
||
return buffer
|
||
|
||
|
||
ALL_RENDER_MODES = ["day_fit_wave_plot", "day_fft_ifft_plot",
|
||
"day_cycle_power_wave_plot", "day_power_wave_plot"]
|