MetPy interpolate_to_grid 函数根据数据域返回意外的 nan

Question

我使用 MetPy Mondays #154 中的“Gridding METAR Observations”示例代码已经有一段时间了，没有任何问题。直到最近，我都没有限制地通过了整个数据集（除了排除南极附近的站点，因为它们破坏了 Lambert Conformal 变换。）

最近，我试图将我处理的 METAR 数据的域限制在北美。此时，MetPy 的 interpolate_to_grid 函数似乎正在返回 nan，而之前没有。由于我感兴趣的区域远离数据集的边界，我预计对从插值数据得出的轮廓没有影响；相反，它会产生深远的影响（请参阅下面的示例。）我尝试使用 SciPy 的 interp2d 函数对缺失数据的区域 (nan) 进行插值，但数量太多nan 用那个“创可贴步骤”来克服。

问题：这是 interpolate_to_grid 的预期行为，还是我使用不正确？我总是可以继续使用整个数据集，但这确实会减慢速度。感谢您对理解这一点的任何帮助。

在以下示例中，我使用来自 https://tgftp.nws.noaa.gov/data/observations/metar/cycles/ 的 00Z.TXT 文件，但我看到了这个使用其他来源的 METAR 数据。

import cartopy.crs as ccrs
import cartopy.feature as cfeature
import matplotlib.pyplot as plt
import numpy as np

from metpy.io import parse_metar_file
from metpy.interpolate import interpolate_to_grid, remove_nan_observations

%matplotlib inline

#  If we are getting data from the filesystem:
month=10
fp = '00Z.TXT'
df0 = parse_metar_file(fp, month=month)

#  To avoid the Lambert Conformal transformation from blowing up
#  at the South Pole if reports from Antarctica are present:
q = df0.loc[df0['latitude'].values>=-30]
df = q

# Set up the map projection
mapcrs = ccrs.LambertConformal(central_longitude=-100, central_latitude=35,standard_parallels=(30,60))
datacrs= ccrs.PlateCarree()

# 1) Remove NaN
df1=df.dropna(subset=['latitude','longitude','air_temperature'])
lon1=df1['longitude'].values
lat1=df1['latitude'].values
xp1 , yp1 , _ = mapcrs.transform_points(datacrs, lon1, lat1).T

#  Interpolate observation data onto grid.
xm1, ym1, tmp = remove_nan_observations(xp1, yp1, df1['air_temperature'].values)
Tgridx, Tgridy, Temp = interpolate_to_grid(xm1, ym1, tmp, hres = 20000, interp_type='cressman')

fig = plt.figure(figsize=(20,15))
ax = fig.add_subplot(1,1,1,projection=mapcrs)
ax.set_extent([-105, -95, 32, 40],datacrs)
ax.add_feature(cfeature.COASTLINE.with_scale('50m'))
ax.add_feature(cfeature.STATES.with_scale('50m'))
c = ax.contour(Tgridx, Tgridy, Temp ,levels=50)

输出是我期望看到的：

当我采用相同的数据集并限制其域时，我们会得到不连续的轮廓：

#  Limit to ~ North America
q = df0.loc[(df0['latitude'].values>=20) & (df0['latitude'].values<=70) &
(df0['longitude'].values>=-150) & (df0['longitude'].values<=-60)]
df = q

# 1) Remove NaN
df2=df.dropna(subset=['latitude','longitude','air_temperature'])
lon2=df2['longitude'].values
lat2=df2['latitude'].values
xp2 , yp2 , _ = mapcrs.transform_points(datacrs, lon2, lat2).T

#  Interpolate observation data onto grid.
xm2, ym2, tmp2 = remove_nan_observations(xp2, yp2, df2['air_temperature'].values)
Tgridx2, Tgridy2, Temp2 = interpolate_to_grid(xm2, ym2, tmp2, hres = 20000, interp_type='cressman')

fig2 = plt.figure(figsize=(20,15))
ax2 = fig2.add_subplot(1,1,1,projection=mapcrs)
ax2.set_extent([-105, -95, 32, 40],datacrs)
ax2.add_feature(cfeature.COASTLINE.with_scale('50m'))
ax2.add_feature(cfeature.STATES.with_scale('50m'))
c2 = ax2.contour(Tgridx2, Tgridy2, Temp2 ,levels=50)

我确实确认了站点位置实际上在北美（未显示）。然后我在插值数据中检查了 nan 的位置，发现轮廓在填充有 的区域中断南。作为最终图，我绘制了nan（蓝色）的位置、车站位置（绿色）以及折断的轮廓。

xn , yn = np.where(np.isnan(Temp2))
fig4 = plt.figure(figsize=(20,15))
ax4 = fig4.add_subplot(1,1,1,projection=mapcrs)
ax4.set_extent([-105, -95, 32, 40],datacrs)

ax4.add_feature(cfeature.COASTLINE.with_scale('50m'))
ax4.add_feature(cfeature.STATES.with_scale('50m'))

c4 = ax4.contour(Tgridx2, Tgridy2, Temp2 ,levels=50)
plt.scatter(df2['longitude'],df2['latitude'],transform=datacrs,color='lightgreen')
plt.scatter(Tgridx2[xn,yn], Tgridy2[xn,yn])
plt.show()

Answer 1

这是一个棘手的问题。发生的事情是 MetPy 的 Cressman（和 Barnes）插值实现使用距离加权平均值中包含的点的最大搜索半径。如果您不指定此最大搜索半径，它将使用站点之间平均最小间距的 5 倍。

通过将您的数据子集到大约北美，您已经构建了站点更靠近的数据子集；这导致搜索半径更小（从~150km 减少到~66km）。这显然会为您的数据集产生次优结果，我认为部分原因是站点有限。我在这里使用 66 公里的搜索半径在结果顶部绘制了站点位置：

您可以看到辍学是车站之间存在相当大的差距的地方。这里最好的解决方案是手动将 search_radius 参数指定为 120km 之类的东西，这似乎给出了合理的结果：

 Tgridx, Tgridy, Temp = interpolate_to_grid(xp1, yp1, df1['air_temperature'].values,
                                            hres=20000, interp_type='cressman',
                                            search_radius=120000)

虽然search_radius 的正确值确实取决于您要分析的特征以及您愿意将值传播到远离观察点的程度。请注意，您还可以在 interpolate_to_grid 中使用 Cressman 的其他参数调整其中的一些参数。