Exemplos Python

Warning

Alterar para os valores exibidos na inicialização.

Inicialização comando: sub = SUB.model()

Note

#### The Brazilian Global Atmospheric Model (TQ0666L064 / Hybrid) #####

Forecast data available for reading.

2023-01-04 - 2023-01-11 - 2023-01-18 - 2023-01-25 - 2023-02-01 2023-02-08 - 2023-02-15 - 2023-02-22 - 2023-03-01 - 2023-03-08 2023-03-15 - 2023-03-22 - 2023-03-29 - 2023-04-05 - 2023-04-12 2023-04-19 - 2023-04-26 - 2023-05-03 - 2023-05-10 - 2023-05-17 2023-05-24 - 2023-05-31 - 2023-06-07 - 2023-06-14 - 2023-06-21 2023-06-28 - 2023-07-05 - 2023-07-12 - 2023-07-19 - 2023-07-26 2023-08-02 - 2023-08-09 - 2023-08-16 - 2023-08-23 - 2023-08-30 2023-09-06 - 2023-09-13 - 2023-09-20 - 2023-09-27 - 2023-10-04 2023-10-11 - 2023-10-18 - 2023-10-25 - 2023-11-01 - 2023-11-08 2023-11-15 - 2023-11-22 - 2023-11-29 - 2023-12-06 - 2023-12-13 2023-12-20 - 2023-12-27 - 2024-01-03 - 2024-01-10 - 2024-01-17 2024-01-24 - 2024-01-31 - 2024-02-07 - 2024-02-14 - 2024-02-21

Variables: {‘prec’, ‘prec_ca’, ‘t2mt’, ‘t2mt_ca’, ‘psnm’, ‘role’, ‘tp85’, ‘zg50’, ‘uv85’, ‘uv20’, ‘vv85’, ‘vv20’, ‘cr85’, ‘cr20’}

Products: {‘week’, ‘fort’, ‘3wks’, ‘mnth’}

Field: {‘anomalies’, ‘prob_positve_anomaly’, ‘prob_terciles’, ‘totals’}

Recuperar Dados do Modelos Numérico SubSazonal

# Importa a ferramenta
import subsaz.CPTEC_SUB as SUB

# Inicializa o construtor
sub = SUB.model()

# Data Condição Inicial (IC)
date = '20230104'

# variavel
var = 'prec'

# produto
product = 'week'

# campo
field = 'anomalies'

# passo depende do produto escolhido
step = '01'

# Requisição dos dados
f = sub.load(date=date, var=var, step=step, product=product ,field=field)

# Retorna um Xarray
print(f)
# <xarray.Dataset> Size: 300kB
# Dimensions:  (time: 1, lat: 192, lon: 384)
# Coordinates:
#  * lat      (lat) float64 2kB -89.28 -88.36 -87.42 -86.49 ... 87.42 88.36 89.28
#  * lon      (lon) float64 3kB 0.0 0.9399 1.88 2.82 ... 357.2 358.1 359.1 360.0
#  * time     (time) datetime64[ns] 8B 2023-01-04
# Data variables:
#    prec     (time, lat, lon) float32 295kB -0.02726 -0.0294 ... 0.9935 0.9946
# Attributes:
#    center:   National Institute for Space Research - INPE
#    model:    The Brazilian Global Atmospheric Model (TQ0666L064 / Hybrid)

quit()

Download get_data_sub_oper.py.

Recuperar Dados e Salvar em NetCDF

# Importa a ferramenta
import subsaz.CPTEC_SUB as SUB

# Inicializa o construtor
sub = SUB.model()

# Data Condição Inicial (IC)
date = '20230104'

# variavel
var = 'prec'

# produto
product = 'week'

# campo
field = 'anomalies'

# passo depende do produto escolhido
step = '01'

# Requisição dos dados
f = sub.load(date=date, var=var, step=step, product=product ,field=field)

# Salvar XArray em NetCDF
f.to_netcdf('sub_202301104.nc')

quit()

Download get_sub_netcdf.py.

Recuperar Dados e Plotar Figura

# Importa a ferramenta
import subsaz.CPTEC_SUB as SUB
import matplotlib.pyplot as plt

# Inicializa o construtor
sub = SUB.model()

# Data Condição Inicial (IC)
date = '20230104'

# variavel
var = 'prec'

# produto
product = 'week'

# campo
field = 'anomalies'

# passo depende do produto escolhido
step = '01'

# Requisição dos dados
f = sub.load(date=date, var=var, step=step, product=product ,field=field)

# Plotar a figura com a variavel prec
f.prec.plot()
plt.show()

quit()

Download plot_sub_figure.py.

Recuperar Dados com recorte de área

pip install cartopy

import subsaz.CPTEC_SUB as SUB
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature

# Inicializa o construtor
sub = SUB.model()
# Filtrar area definida
sub.dict['area']['reduce'] = True
sub.dict['area']['minlat'] = -34.44
sub.dict['area']['maxlat'] = -21.43
sub.dict['area']['minlon'] = 301.14
sub.dict['area']['maxlon'] = 320.57
# Requisição dos dados
f = sub.load(date='20230104', var='prec', step='01', product='week' ,field='anomalies')
# Definir tamanho da figura
fig = plt.figure(figsize=(10,8))
# Setar figura unica
ax = fig.add_subplot(111, projection=ccrs.PlateCarree())
# Colocar  Linhas de Borda dos paises e linhas costeiras
ax.add_feature(cfeature.COASTLINE,color='grey')
ax.add_feature(cfeature.BORDERS,color='grey')
# Definir Regiao do Brasil
ax.set_extent([-90,-30,10,-41], ccrs.PlateCarree())
# Setar estados do Brasil
states = cfeature.NaturalEarthFeature(category='cultural',
                                         name='admin_1_states_provinces_lines',
                                         scale='50m', facecolor='none')
# Colocar Estados Brasil
ax.add_feature(states, edgecolor='gray')
# Plotar variavel
f.prec.plot()
plt.show()

pic1

Download plot_sub_filter.py.

Note

Para filtrar somente os dados do Brasil existe uma configuração padrão. Utilizar somente o comando: sub.dict[‘area’][‘reduce’] = True

pic2