Pular para conteúdo

Uso

Nesta página são apresentados alguns exemplos de uso do pacote GSIBerror. Nos exemplos, são consideradas duas matrizes de covariâncias, uma proveniente do Developmental Testbed Center (DTC) e outra calculada a partir dos pares de previsões do modelo de circulação geral da atmosfera do CPTEC1.

Informação

Uma versão desta página para o Jupyter Notebook pode ser encontrada em https://github.com/GAD-DIMNT-CPTEC/GSIBerror/blob/main/notebooks/read_gsi_berror_python-class-final-pt.ipynb.

Se preferir interagir com o notebook, clique no botão abaixo para utilizar o Google Colab.

Open In Colab

A classe Berror

Para utilizar a classe Berror, carregue o pacote gsiberror com o comando a seguir:

1
import gsiberror as gb

Os módulos a seguir são opcionais e podem ser carregados caso o usuário queira plotar os records da matriz. O módulo cartopy é carregado para plotar as linhas de costa dos records relacionados com a sst (temperatura da superfície do mar) apenas, visto que os demais records, são dependentes apenas das latitudes:

1
2
3
4
import os
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature

Observação

No repositório, há o script plot_functions.py onde estão implementadas algumas funções de plotagem auxiliares para a utilização com a classe Berror. Veja um exemplo da sua utilização no notebook read_gsi_berror_python-class-final-BCPTEC_hyb_coord.ipynb.

Definição dos arquivos de covariâncias

A seguir, define-se o nome do arquivo a ser lido. No exemplo dado, são consideradas duas matrizes, fncep (matriz do NCEP) e fcptec (matriz do modelo BAM) e ambas as matrizes possuem dimensões distintas:

1
2
3
4
5
6
7
path = '/dados/das/pesq1/BAM.berror/xc50/'

bcptec = 'gsir4.berror_stats.gcv.BAM.TQ0062L028'
bncep = 'global_berror.l64y386.f77-ncep-dtc.gcv'

fncep = os.path.join(path, bncep)
fcptec = os.path.join(path, bcptec)

Aviso

A variável path deverá ser ajustada pelo usuário para refletir o caminho onde se encontram os arquivos das matrizes gsir4.berror_stats.gcv.BAM.TQ0062L028 e global_berror.l64y386.f77-ncep-dtc.gcv.

Dica

No diretório data do repositório, verifique as matrizes bcptec_bam_352pairs_gsir4.berror_stats.fix.oz.cw.tsm.gcv, global_berror.l64y386.f77-ncep-dtc.gcv e new_gsir4.berror_stats-tese-cfbastarz2017.gcv, as quais podem ser utilizadas para testar o pacote GSIBerror.

Utilização da classe Berror

Para utilizar a classe, é necessário criar uma instância para cada uma das matrizes a serem lidas:

1
2
ncep_b = gb.Berror(fncep)
cptec_b = gb.Berror(fcptec)

O método read_records

O método read_records é utilizado para ler todos os records (coeficientes de regressão horizontais, comprimentos de escala e variâncias) das matrizes e os seus respectivos atributos (número de pontos de latitude, longitude, níveis verticais) . A documentação deste método pode ser acessada com o comando:

1
help(gb.Berror.read_records)

 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
Help on function read_records in module GSIBerror:

read_records(self)
    read_records
    ------------

    This method reads the first three records of the background error covariance matrix (nlat, nlon and nsig).
    These records are used to calculate the size of the remainder records from the matrix. All attributes read from
    the matrix are provided by this function. The plotting of the records are made through the use of the xarray's 'plot()'
    method; depending on the use, it can be necessary to to load the matplotlib and cartopy modules.

    Input parameters
    ----------------
        None.

    Result
    ------
        bfile: object created with the records and attributes from the background error covariance matrix (see the list below)

    Available attributes
    --------------------
        file_name         : string with the name of the file
        nlat              : integer with the number of latitude points 
        nlon              : integer with the number of longitude points 
        nlev              : integer with the number of vertical levels
        lats              : nd-array with the latitude values (-90 to 90)
        lons              : nd-array with the longitude values (0 to 360)
        levs              : nd-array with the vertical levels (1 to nsig)
        amplitudes        : dicionary with the xarrays for the control variables amplitudes
        amplitudes_names  : names of the variables in the amplitudes dictionary
        balprojs          : dictionary with xarrays for the regression coefficients matrices for the temperature, 
                            surface pressure and velocity potential
        hscales           : dictionary with xarrays for the horizontal length scales
        hscales_var_names : names of the variables in the hscales dictionary
        vscales           : dictionary with xarrays for the vertical length scales
        vscales_var_names : names of the variables in the vscales dictionary

    Use
    ---
        import gsiberror as gb

        bfile = gb.Berror('arquivo_matriz_B.gcv')

        bfile.read_records()

        bfile.nlat, bfile.nlon, bfile.nlev

        bfile.amplitudes_names

        bfile.amplitudes['sf']

        bfile_amp_sf = bfile.amplitudes['sf']

        bfile_amp_sf.plot.contourf()

Leituras dos records e atributos das matrizes a partir das instâncias ncep_b e cptec_b criadas:

1
2
ncep_b.read_records()
cptec_b.read_records()

Verificação dos atributos das matrizes

A matriz de covariâncias utilizada pelo GSI possui uma série de records que podem ser verificados por meio da classe Berror.

Dimensões das matrizes

Para verificar os atributos das matrizes, basta utilizar a instância da classe para a matriz desejada:

  • nlat: número de pontos de latitude;
  • nlon: número de pontos de longitude;
  • nlev: número de níveis verticais.
1
ncep_b.nlat, ncep_b.nlon, ncep_b.nlev

1
(386, 768, 64)

Da mesma forma, para cptec_b:

1
cptec_b.nlat, cptec_b.nlon, cptec_b.nlev

1
(98, 192, 28)

Coeficientes de regressão horizontais

Para verificar os records das matrizes, basta utilizar a instância da classe para a matriz desejada:

  • balprojs: coeficientes de regressão horizontais;
  • amplitudes: variâncias das variáveis de controle;
  • hscales: comprimentos de escala horizontais;
  • vscales: comprimentos de escala verticais.
1
ncep_b.balprojs

 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
{'agvin': <xarray.DataArray 'agvin' (level: 64, latitude: 386, level_2: 64)>
 array([[[ 9.1390668e-39, -1.4570713e-08, -1.4229909e-08, ...,
           1.9885631e-07, -3.0927532e-07, -1.5866360e-07],
         [ 1.9645067e-07,  2.0414565e-07,  2.1749047e-07, ...,
           3.9498239e-08,  2.1559554e-08, -2.6009864e-08],
         [ 1.9645067e-07,  2.0414565e-07,  2.1749047e-07, ...,
           3.9498239e-08,  2.1559554e-08, -2.6009864e-08],
         ...,
         [-4.0456254e-07, -4.1785779e-07, -4.3682641e-07, ...,
           4.0088888e-10, -7.6423277e-08,  3.1785959e-08],
         [-4.0533263e-07, -4.1864789e-07, -4.3763430e-07, ...,
           5.5518179e-10, -7.6580413e-08,  3.1765442e-08],
         [-4.0576197e-07, -4.1908416e-07, -4.3808009e-07, ...,
           6.3978484e-10, -7.6664413e-08,  3.1752339e-08]],

        [[-4.0576197e-07, -4.1908416e-07, -4.3808009e-07, ...,
           6.3978484e-10, -7.6664413e-08,  3.1752339e-08],
         [ 1.9722712e-07,  2.0493923e-07,  2.1830989e-07, ...,
           3.6942918e-08,  2.0000796e-08, -2.4325955e-08],
         [ 1.9722712e-07,  2.0493923e-07,  2.1830989e-07, ...,
           3.6942918e-08,  2.0000796e-08, -2.4325955e-08],
 ...
         [-1.4934518e-08, -1.4844422e-08, -1.4163690e-08, ...,
          -2.2026695e-07, -7.9369016e-08,  3.3956766e-07],
         [-1.5031601e-08, -1.4944586e-08, -1.4267745e-08, ...,
          -2.2030216e-07, -7.9460399e-08,  3.3963573e-07],
         [-1.5084682e-08, -1.5000639e-08, -1.4326437e-08, ...,
          -2.2031999e-07, -7.9510286e-08,  3.3967311e-07]],

        [[-1.5084682e-08, -1.5000639e-08, -1.4326437e-08, ...,
          -2.2031999e-07, -7.9510286e-08,  3.3967311e-07],
         [ 8.5512752e-09,  8.5789829e-09,  8.2154630e-09, ...,
           2.4457648e-07,  8.1705295e-08, -3.7984395e-07],
         [ 8.5512752e-09,  8.5789829e-09,  8.2154630e-09, ...,
           2.4457648e-07,  8.1705295e-08, -3.7984395e-07],
         ...,
         [-1.4472619e-08, -1.4127865e-08, -1.2758253e-08, ...,
          -3.0925835e-07, -1.5847982e-07,  4.0097532e-07],
         [-1.4536464e-08, -1.4193026e-08, -1.2824126e-08, ...,
          -3.0927063e-07, -1.5859801e-07,  4.0104135e-07],
         [-1.4570713e-08, -1.4229909e-08, -1.2862232e-08, ...,
          -3.0927532e-07, -1.5866360e-07,  4.0107770e-07]]], dtype=float32)
 Coordinates:
   * latitude  (latitude) float64 -90.0 -89.53 -89.06 -88.6 ... 89.06 89.53 90.0
   * level     (level) int64 1 2 3 4 5 6 7 8 9 10 ... 56 57 58 59 60 61 62 63 64
   * level_2   (level_2) int64 1 2 3 4 5 6 7 8 9 ... 56 57 58 59 60 61 62 63 64,
 'bgvin': <xarray.DataArray 'bgvin' (level: 64, latitude: 386)>
 array([[ 0.31404725,  0.31404725,  0.31410804, ..., -0.3134667 ,
         -0.31346098, -0.31346098],
        [ 0.309024  ,  0.309024  ,  0.30907533, ..., -0.30182734,
         -0.30181533, -0.30181533],
        [ 0.29433075,  0.29433075,  0.29436478, ..., -0.27594185,
         -0.27591783, -0.27591783],
        ...,
        [ 0.02594377,  0.02594377,  0.02594201, ...,  0.06056742,
          0.06057847,  0.06057847],
        [-0.03358313, -0.03358313, -0.03357612, ...,  0.05812103,
          0.0581184 ,  0.0581184 ],
        [-0.04917536, -0.04917536, -0.049166  , ...,  0.05161405,
          0.0516182 ,  0.0516182 ]], dtype=float32)
 Coordinates:
   * latitude  (latitude) float64 -90.0 -89.53 -89.06 -88.6 ... 89.06 89.53 90.0
   * level     (level) int64 1 2 3 4 5 6 7 8 9 10 ... 56 57 58 59 60 61 62 63 64,
 'wgvin': <xarray.DataArray 'wgvin' (level: 64, latitude: 386)>
 array([[-2.0349323e-07, -2.0356120e-07, -2.0368390e-07, ...,
          2.4741092e-07,  2.4741092e-07,  0.0000000e+00],
        [ 0.0000000e+00,  0.0000000e+00,  0.0000000e+00, ...,
          0.0000000e+00,  0.0000000e+00,  0.0000000e+00],
        [ 0.0000000e+00,  0.0000000e+00,  0.0000000e+00, ...,
          0.0000000e+00,  0.0000000e+00,  0.0000000e+00],
        ...,
        [ 0.0000000e+00,  0.0000000e+00,  0.0000000e+00, ...,
          0.0000000e+00,  0.0000000e+00,  0.0000000e+00],
        [ 0.0000000e+00,  0.0000000e+00,  0.0000000e+00, ...,
          0.0000000e+00,  0.0000000e+00,  0.0000000e+00],
        [ 0.0000000e+00,  0.0000000e+00,  0.0000000e+00, ...,
          0.0000000e+00,  0.0000000e+00,  9.1390668e-39]], dtype=float32)
 Coordinates:
   * latitude  (latitude) float64 -90.0 -89.53 -89.06 -88.6 ... 89.06 89.53 90.0
   * level     (level) int64 1 2 3 4 5 6 7 8 9 10 ... 56 57 58 59 60 61 62 63 64}

Observe que os records de balprojs estão armazenados em um dicionário com três elementos agvin, bgvin e wgvin. Estes são os coeficientes de regressão horizontais do GSI, utilizados para construir a parte balanceada da temperatura, velocidade potencial e pressão em superfície:

  • agvin: coeficientes de regressão para a função de corrente e temperatura;
  • bgvin: coeficientes de regressão para a função de corrente e velocidade potencial;
  • wgvin: coeficientes de regressão para a função de corrente e pressão em superfície.

Segundo o manual do GSI2:

Devido ao tamanho real da matriz de covariâncias (da ordem de \(10^6 \times 10^6\)), a representação da matriz no GSI é simplificada. Para isso, é utilizado um conjunto ideal de variáveis de controle de análise, que são selecionadas de forma que a correlação cruzada entre elas seja mínima (o que implica em menos termos fora da diagonal principal da matriz). Com isso, o balanço (e.g., massa e vento) entre as variáveis de análise é obtido a partir desses coeficientes de regressão horizontais pré-calculados. Além disso, em relação aos erros de previsão, eles são calculados como distribuições Gaussianas com variâncias e comprimentos de escala pré-calculados (offline) para cada uma das variáveis de controle de análise.

Estes records com os coeficientes de regressão podem ser inspecionados da seguinte forma:

1
ncep_b.balprojs['agvin']

 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
<xarray.DataArray 'agvin' (level: 64, latitude: 386, level_2: 64)>
array([[[ 9.1390668e-39, -1.4570713e-08, -1.4229909e-08, ...,
          1.9885631e-07, -3.0927532e-07, -1.5866360e-07],
        [ 1.9645067e-07,  2.0414565e-07,  2.1749047e-07, ...,
          3.9498239e-08,  2.1559554e-08, -2.6009864e-08],
        [ 1.9645067e-07,  2.0414565e-07,  2.1749047e-07, ...,
          3.9498239e-08,  2.1559554e-08, -2.6009864e-08],
        ...,
        [-4.0456254e-07, -4.1785779e-07, -4.3682641e-07, ...,
          4.0088888e-10, -7.6423277e-08,  3.1785959e-08],
        [-4.0533263e-07, -4.1864789e-07, -4.3763430e-07, ...,
          5.5518179e-10, -7.6580413e-08,  3.1765442e-08],
        [-4.0576197e-07, -4.1908416e-07, -4.3808009e-07, ...,
          6.3978484e-10, -7.6664413e-08,  3.1752339e-08]],

       [[-4.0576197e-07, -4.1908416e-07, -4.3808009e-07, ...,
          6.3978484e-10, -7.6664413e-08,  3.1752339e-08],
        [ 1.9722712e-07,  2.0493923e-07,  2.1830989e-07, ...,
          3.6942918e-08,  2.0000796e-08, -2.4325955e-08],
        [ 1.9722712e-07,  2.0493923e-07,  2.1830989e-07, ...,
          3.6942918e-08,  2.0000796e-08, -2.4325955e-08],
...
        [-1.4934518e-08, -1.4844422e-08, -1.4163690e-08, ...,
         -2.2026695e-07, -7.9369016e-08,  3.3956766e-07],
        [-1.5031601e-08, -1.4944586e-08, -1.4267745e-08, ...,
         -2.2030216e-07, -7.9460399e-08,  3.3963573e-07],
        [-1.5084682e-08, -1.5000639e-08, -1.4326437e-08, ...,
         -2.2031999e-07, -7.9510286e-08,  3.3967311e-07]],

       [[-1.5084682e-08, -1.5000639e-08, -1.4326437e-08, ...,
         -2.2031999e-07, -7.9510286e-08,  3.3967311e-07],
        [ 8.5512752e-09,  8.5789829e-09,  8.2154630e-09, ...,
          2.4457648e-07,  8.1705295e-08, -3.7984395e-07],
        [ 8.5512752e-09,  8.5789829e-09,  8.2154630e-09, ...,
          2.4457648e-07,  8.1705295e-08, -3.7984395e-07],
        ...,
        [-1.4472619e-08, -1.4127865e-08, -1.2758253e-08, ...,
         -3.0925835e-07, -1.5847982e-07,  4.0097532e-07],
        [-1.4536464e-08, -1.4193026e-08, -1.2824126e-08, ...,
         -3.0927063e-07, -1.5859801e-07,  4.0104135e-07],
        [-1.4570713e-08, -1.4229909e-08, -1.2862232e-08, ...,
         -3.0927532e-07, -1.5866360e-07,  4.0107770e-07]]], dtype=float32)
Coordinates:
  * latitude  (latitude) float64 -90.0 -89.53 -89.06 -88.6 ... 89.06 89.53 90.0
  * level     (level) int64 1 2 3 4 5 6 7 8 9 10 ... 56 57 58 59 60 61 62 63 64
  * level_2   (level_2) int64 1 2 3 4 5 6 7 8 9 ... 56 57 58 59 60 61 62 63 64

Para bgvin:

1
ncep_b.balprojs['bgvin']

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
<xarray.DataArray 'bgvin' (level: 64, latitude: 386)>
array([[ 0.31404725,  0.31404725,  0.31410804, ..., -0.3134667 ,
        -0.31346098, -0.31346098],
       [ 0.309024  ,  0.309024  ,  0.30907533, ..., -0.30182734,
        -0.30181533, -0.30181533],
       [ 0.29433075,  0.29433075,  0.29436478, ..., -0.27594185,
        -0.27591783, -0.27591783],
       ...,
       [ 0.02594377,  0.02594377,  0.02594201, ...,  0.06056742,
         0.06057847,  0.06057847],
       [-0.03358313, -0.03358313, -0.03357612, ...,  0.05812103,
         0.0581184 ,  0.0581184 ],
       [-0.04917536, -0.04917536, -0.049166  , ...,  0.05161405,
         0.0516182 ,  0.0516182 ]], dtype=float32)
Coordinates:
  * latitude  (latitude) float64 -90.0 -89.53 -89.06 -88.6 ... 89.06 89.53 90.0
  * level     (level) int64 1 2 3 4 5 6 7 8 9 10 ... 56 57 58 59 60 61 62 63 64

Para wgvin:

1
ncep_b.balprojs['wgvin']

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
<xarray.DataArray 'wgvin' (level: 64, latitude: 386)>
array([[-2.0349323e-07, -2.0356120e-07, -2.0368390e-07, ...,
         2.4741092e-07,  2.4741092e-07,  0.0000000e+00],
       [ 0.0000000e+00,  0.0000000e+00,  0.0000000e+00, ...,
         0.0000000e+00,  0.0000000e+00,  0.0000000e+00],
       [ 0.0000000e+00,  0.0000000e+00,  0.0000000e+00, ...,
         0.0000000e+00,  0.0000000e+00,  0.0000000e+00],
       ...,
       [ 0.0000000e+00,  0.0000000e+00,  0.0000000e+00, ...,
         0.0000000e+00,  0.0000000e+00,  0.0000000e+00],
       [ 0.0000000e+00,  0.0000000e+00,  0.0000000e+00, ...,
         0.0000000e+00,  0.0000000e+00,  0.0000000e+00],
       [ 0.0000000e+00,  0.0000000e+00,  0.0000000e+00, ...,
         0.0000000e+00,  0.0000000e+00,  9.1390668e-39]], dtype=float32)
Coordinates:
  * latitude  (latitude) float64 -90.0 -89.53 -89.06 -88.6 ... 89.06 89.53 90.0
  * level     (level) int64 1 2 3 4 5 6 7 8 9 10 ... 56 57 58 59 60 61 62 63 64

Para obter os valores mínimos e máximos, eg., dos coeficientes de regressão da velocidade potencial (bgvin), pode-se utilizar os métodos min() ou max() do módulo xarray:

1
ncep_b.balprojs['bgvin'].min()

1
2
<xarray.DataArray 'bgvin' ()>
array(-0.33616406, dtype=float32)

E para max():

1
ncep_b.balprojs['bgvin'].max()

1
2
<xarray.DataArray 'bgvin' ()> 
array(0.3307993, dtype=float32)

De forma simplificada, pode-se fazer também:

1
ncep_b.balprojs['bgvin'].values.min(), ncep_b.balprojs['bgvin'].values.max()

1
(-0.33616406, 0.3307993)

Para plotar os coeficcientes de projeção da velocidade potencial bgvin, basta utilizar o método plot() do módulo xarray:

1
ncep_b.balprojs['bgvin'].plot()

png

Para cptec_b:

1
cptec_b.balprojs['bgvin'].plot()

png

Para comparar os coeficientes de projeção das matrizes instanciadas por ncep_b e cptec_b, pode-se seguir os exemplos a seguir.

Observe que os coeficientes de projeção da temperatura agvin, para as instâncias ncep_b e cptec_b, possuem uma dimensão extra denominada level_2. Esta dimensão extra precisa ser fixada para um dos níveis contidos nas instâncias. Utilize o comando ncep_b.levs e cptec_b.levs para obter os valores possíveis para isto (fazendo-se isel(level_2=0) escolhe-se o primeiro nível, próximo à superfície e isel(level_2=-1) escolhe-se o último nível, próximo ao topo do modelo).

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.balprojs['agvin'].isel(level_2=0).plot.contourf(ax=ax[0])#, vmin=0, vmax=5e-7)
cptec_b.balprojs['agvin'].isel(level_2=0).plot.contourf(ax=ax[1])#, vmin=0, vmax=5e-7)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Projection of the Stream Function ($\psi$) at the level 0 over the balanced part of Temperature (agvin, level_2=0)')
plt.show()

png

E para o último nível em ambas as matrizes:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.balprojs['agvin'].isel(level_2=-1).plot.contourf(ax=ax[0])#, vmin=0, vmax=5e-7)
cptec_b.balprojs['agvin'].isel(level_2=-1).plot.contourf(ax=ax[1])#, vmin=0, vmax=5e-7)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Projection of the Stream Function ($\psi$) at the level -1 over the balanced part of Temperature (agvin, level_2=-1)')
plt.show()

png

Para o record bgvin:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.balprojs['bgvin'].plot.contourf(ax=ax[0])#, vmin=0, vmax=0.5)
cptec_b.balprojs['bgvin'].plot.contourf(ax=ax[1])#, vmin=0, vmax=0.5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Projection of the Stream Function ($\psi$) over the balanced part of Potential Velocity (bgvin)')
plt.show()

png

Para o record wgvin:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.balprojs['wgvin'].plot.contourf(ax=ax[0])#, vmin=-3e-7, vmax=3e-7)
cptec_b.balprojs['wgvin'].plot.contourf(ax=ax[1])#, vmin=-3e-7, vmax=3e-7)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Projection of the Stream Function ($\psi$) over the balanced part of Surface Pressure (wgvin)')
plt.show()

png

Amplitudes (desvios-padrão)

Para verificar e comparar as amplitudes das instâncias ncep_b e cptec_b, siga os exemplos a seguir.

Aviso

Os records de ozônio, conteúdo de água líquida em nuvens e temperatura da superfície do mar (amplitudes e comprimentos de escala horizontais/verticais) são intencionalmente os mesmos entre as duas matrizes mostradas neste notebook. De fato, a matriz B do CPTEC empresta esses records da matriz B do NCEP (fornecida pelo Developmental Testbed Center - DTC) para testes.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.amplitudes['sf'].plot.contourf(ax=ax[0])#, vmin=0, vmax=6e6)
cptec_b.amplitudes['sf'].plot.contourf(ax=ax[1])#, vmin=0, vmax=6e6)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Standard Deviation of the unbalanced part of Stream Function (sf)')
plt.show()

png

No exemplo a seguir, são comparados os perfis verticais com as amplitudes de sf das instâncias ncep_b e cptec_b:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(8,5))

ncep_b.amplitudes['sf'].mean(dim='latitude').plot(ax=ax[0], y='level')
cptec_b.amplitudes['sf'].mean(dim='latitude').plot(ax=ax[1], y='level')

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Vertical Profile of the Standard Deviation of the unbalanced part of Stream Function (sf)')
plt.show()

png

Para a velocidade potencial (vp):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.amplitudes['vp'].plot.contourf(ax=ax[0])#, vmin=0, vmax=6e6)
cptec_b.amplitudes['vp'].plot.contourf(ax=ax[1])#, vmin=0, vmax=6e6)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Standard Deviation of the unbalanced part of Velocity Potential Function (vp)')
plt.show()

png

Para o perfil da velocidade potencial (vp):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(8,5))

ncep_b.amplitudes['vp'].mean(dim='latitude').plot(ax=ax[0], y='level')
cptec_b.amplitudes['vp'].mean(dim='latitude').plot(ax=ax[1], y='level')

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Vertical Profile of the Standard Deviation of the unbalanced part of Velocity Potential (vp)')
plt.show()

png

Para a temperatura (t):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.amplitudes['t'].plot.contourf(ax=ax[0])#, vmin=0, vmax=5)
cptec_b.amplitudes['t'].plot.contourf(ax=ax[1])#, vmin=0, vmax=5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Standard Deviation of the unbalanced part of Temperature (t)')
plt.show()

png

Para o perfil da temperatura (t):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(8,5))

ncep_b.amplitudes['t'].mean(dim='latitude').plot(ax=ax[0], y='level')
cptec_b.amplitudes['t'].mean(dim='latitude').plot(ax=ax[1], y='level')

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Vertical Profile of the Standard Deviation of the unbalanced part of Temperature (t)')
plt.show()

png

Para a umidade relativa (q):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.amplitudes['q'].plot.contourf(ax=ax[0])#, vmin=0, vmax=0.5)
cptec_b.amplitudes['q'].plot.contourf(ax=ax[1])#, vmin=0, vmax=0.5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Standard Deviation of Relative Humidity (q)')
plt.show()

png

Para o perfil da umidade relativa (q):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(8,5))

ncep_b.amplitudes['q'].mean(dim='latitude').plot(ax=ax[0], y='level')
cptec_b.amplitudes['q'].mean(dim='latitude').plot(ax=ax[1], y='level')

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Vertical Profile of the Standard Deviation of Relative Humidity (q)')
plt.show()

png

Para o ozônio (oz):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.amplitudes['oz'].plot.contourf(ax=ax[0])#, vmin=0, vmax=7.5e-7)
cptec_b.amplitudes['oz'].plot.contourf(ax=ax[1])#, vmin=0, vmax=7.5e-7)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Standard Deviation of Ozone (oz)')
plt.show()

png

Para o perfil do ozônio (oz):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(8,5))

ncep_b.amplitudes['oz'].mean(dim='latitude').plot(ax=ax[0], y='level')
cptec_b.amplitudes['oz'].mean(dim='latitude').plot(ax=ax[1], y='level')

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Vertical Profile of the Standard Deviation of Ozone (oz)')
plt.show()

png

Para o conteúdo de água líquida (cw):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.amplitudes['cw'].plot.contourf(ax=ax[0])#, vmin=0, vmax=7.5e-7)
cptec_b.amplitudes['cw'].plot.contourf(ax=ax[1])#, vmin=0, vmax=7.5e-7)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Standard Deviation of Cloud Water (cw)')
plt.show()

png

Para o perfil do conteúdo de água líquida (cw):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(8,5))

ncep_b.amplitudes['cw'].mean(dim='latitude').plot(ax=ax[0], y='level')
cptec_b.amplitudes['cw'].mean(dim='latitude').plot(ax=ax[1], y='level')

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Vertical Profile of the Standard Deviation of Cloud Water (cw)')
plt.show()

png

Para pressão (ps):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.amplitudes['ps'].plot(ax=ax[0])#, vmin=0, vmax=0.2)
cptec_b.amplitudes['ps'].plot(ax=ax[1])#, vmin=0, vmax=0.2)

ax[0].set_title('NCEP')
ax[1].set_title('CPTEC')

plt.suptitle('Standard Deviation of Surface Pressure (ps)')
plt.show()

png

Nas figuras a seguir, são mostradas as aplitudes de sst das instâncias ncep_b e cptec_b.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
plt.figure(figsize=(20,4))#, constrained_layout=True)

ax1 = plt.subplot(1, 2, 1, projection=ccrs.PlateCarree())
ax1.add_feature(cfeature.NaturalEarthFeature('physical', 'land', '110m', edgecolor='face', facecolor='white'))
obj1 = ax1.contourf(ncep_b.lons, ncep_b.lats, ncep_b.amplitudes['sst'], 60, transform=ccrs.PlateCarree())
plt.colorbar(obj1)
ax1.coastlines()

ax2 = plt.subplot(1, 2, 2, projection=ccrs.PlateCarree())
ax2.add_feature(cfeature.NaturalEarthFeature('physical', 'land', '110m', edgecolor='face', facecolor='white'))
obj2 = ax2.contourf(cptec_b.lons, cptec_b.lats, cptec_b.amplitudes['sst'], 60, transform=ccrs.PlateCarree())
plt.colorbar(obj2)
ax2.coastlines()

ax1.set_title('NCEP')
ax2.set_title('CPTEC')

plt.suptitle('Standard Deviation of Sea Surface Temperature (sst)')
plt.show()

png

Comprimentos de escala horizontais

Assim como as amplitudes, os comprimentos de escala horizontais das instâncias ncep_b e cptec_b também podem ser comparadas. Veja os exemplos a seguir:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.hscales['sf'].plot.contourf(ax=ax[0])#, vmin=0, vmax=1.5e6)
cptec_b.hscales['sf'].plot.contourf(ax=ax[1])#, vmin=0, vmax=1.5e6)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Horizontal Length Scale of Stream Function (sf)')
plt.show()

png

Para a velocidade potencial (vp):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.hscales['vp'].plot.contourf(ax=ax[0])#, vmin=0, vmax=1.5e6)
cptec_b.hscales['vp'].plot.contourf(ax=ax[1])#, vmin=0, vmax=1.5e6)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Horizontal Length Scale of Velocity Potential (vp)')
plt.show()

png

Para a temperatura (t):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.hscales['t'].plot.contourf(ax=ax[0])#, vmin=0, vmax=3.5e5)
cptec_b.hscales['t'].plot.contourf(ax=ax[1])#, vmin=0, vmax=3.5e5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Horizontal Length Scale of Temperature (t)')
plt.show()

png

Para a umidade (q):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.hscales['q'].plot.contourf(ax=ax[0])#, vmin=0, vmax=1.5e5)
cptec_b.hscales['q'].plot.contourf(ax=ax[1])#, vmin=0, vmax=1.5e5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Horizontal Length Scale of Relative Humidity (q)')
plt.show()

png

Para o ozônio (oz):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.hscales['oz'].plot.contourf(ax=ax[0])#, vmin=0, vmax=2.5e5)
cptec_b.hscales['oz'].plot.contourf(ax=ax[1])#, vmin=0, vmax=2.5e5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Horizontal Length Scale of Ozone (oz)')
plt.show()

png

Para a pressão (ps):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.hscales['ps'].plot(ax=ax[0])#, vmin=0, vmax=2.5e5)
cptec_b.hscales['ps'].plot(ax=ax[1])#, vmin=0, vmax=2.5e5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Horizontal Length Scale of Surface Pressure (ps)')
plt.show()

png

Para a temperatura da superfície do mar (sst):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
plt.figure(figsize=(20,4))#, constrained_layout=True)

ax1 = plt.subplot(1, 2, 1, projection=ccrs.PlateCarree())
ax1.add_feature(cfeature.NaturalEarthFeature('physical', 'land', '110m', edgecolor='face', facecolor='white'))
obj1 = ax1.contourf(ncep_b.lons, ncep_b.lats, ncep_b.hscales['sst'], 60, transform=ccrs.PlateCarree())
plt.colorbar(obj1)
ax1.coastlines()

ax2 = plt.subplot(1, 2, 2, projection=ccrs.PlateCarree())
ax2.add_feature(cfeature.NaturalEarthFeature('physical', 'land', '110m', edgecolor='face', facecolor='white'))
obj2 = ax2.contourf(cptec_b.lons, cptec_b.lats, cptec_b.hscales['sst'], 60, transform=ccrs.PlateCarree())
plt.colorbar(obj2)
ax2.coastlines()

ax1.set_title('NCEP')
ax2.set_title('CPTEC')

plt.suptitle('Horizontal Length Scale of Sea Surface Temperature (ps)')
plt.show()

png

Comprimentos de escala verticais

Assim como as amplitudes e os comprimentos de escala horizontais, os comprimentos de escala verticais das instâncias ncep_b e cptec_b também podem ser comparadas. Veja os exemplos a seguir:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.vscales['sf'].plot.contourf(ax=ax[0])#, vmin=0, vmax=2.5e5)
cptec_b.vscales['sf'].plot.contourf(ax=ax[1])#, vmin=0, vmax=2.5e5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Vertical Length Scale of Stream Function (sf)')
plt.show()

png

Para a velocidade potencial (vp):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.vscales['vp'].plot.contourf(ax=ax[0])#, vmin=0, vmax=2.5e5)
cptec_b.vscales['vp'].plot.contourf(ax=ax[1])#, vmin=0, vmax=2.5e5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Vertical Length Scale of Velocity Potential (vp)')
plt.show()

png

Para a temperatura (t):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.vscales['t'].plot.contourf(ax=ax[0])#, vmin=0, vmax=2.5e5)
cptec_b.vscales['t'].plot.contourf(ax=ax[1])#, vmin=0, vmax=2.5e5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Vertical Length Scale of Temperature (t)')
plt.show()

png

Para a umidade relativa (q):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.vscales['q'].plot.contourf(ax=ax[0])#, vmin=0, vmax=2.5e5)
cptec_b.vscales['q'].plot.contourf(ax=ax[1])#, vmin=0, vmax=2.5e5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Vertical Length Scale of Relative Humidity (q)')
plt.show()

png

Para o ozônio (oz):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.vscales['oz'].plot.contourf(ax=ax[0])#, vmin=0, vmax=2.5e5)
cptec_b.vscales['oz'].plot.contourf(ax=ax[1])#, vmin=0, vmax=2.5e5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Vertical Length Scale of Ozone (oz)')
plt.show()

png

Para o conteúdo de água líquida (cw):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
fig, ax = plt.subplots(1, 2, constrained_layout=True, figsize=(10,4))

ncep_b.vscales['cw'].plot.contourf(ax=ax[0])#, vmin=0, vmax=2.5e5)
cptec_b.vscales['cw'].plot.contourf(ax=ax[1])#, vmin=0, vmax=2.5e5)

ax[0].set_title('NCEP (64 levels)')
ax[1].set_title('CPTEC (28 levels)')

plt.suptitle('Vertical Length Scale of Cloud Water (cw)')
plt.show()

png

  1. Matriz de Covariâncias dos Erros de Previsão Aplicada ao Sistema de Assimilação de Dados Global do CPTEC: Experimentos com Observação Única. Disponível em: https://www.scielo.br/j/rbmet/a/8LQNdCV9jJM9whJdpkDLfCh/abstract/?lang=pt&format=html. ↩

  2. Disponível em https://dtcenter.org/community-code/gridpoint-statistical-interpolation-gsi/documentation. ↩