Py-Art, Xradar y Wradlib

Introducción

En este cuadernillo (Notebook) aprenderemos los conceptos básicos para trabajar con datos provenientes de radares meteorológicos:

Breve introducción a Py-Art
Breve introducción a Xradar
Breve introducción a Wradlib

Prerequisitos

Conceptos	Importancia	Notas
Introducción a Numpy	Necesario	Información complementaria
Introducción a Xarray	Necesario	Información complementaria
Matplotlib	Necesario	Generación de gráficas
Cartopy	Necesario	Generación de mapas
Radar Cookbook	Necesario	Información complementaria

Tiempo de aprendizaje: 30 minutos

Librerías

import cartopy.crs as ccrs
import cmweather
import matplotlib.pyplot as plt
import numpy as np
import pyart
import wradlib as wrl
import xradar as xd

0.3.0

## You are using the Python ARM Radar Toolkit (Py-ART), an open source
## library for working with weather radar data. Py-ART is partly
## supported by the U.S. Department of Energy as part of the Atmospheric
## Radiation Measurement (ARM) Climate Research Facility, an Office of
## Science user facility.
##
## If you use this software to prepare a publication, please cite:
##
##     JJ Helmus and SM Collis, JORS 2016, doi: 10.5334/jors.119

1. `Py-Art`

Py-ART es una librería en Python que nos permite graficar, corregir y analizar datos de radares meteorológicos de diferentes fabricantes, tipo, y modos de operación. El software ha sido lanzado en GitHub como software de código abierto bajo una licencia BSD. Se ejecuta en Linux, OS y Windows.

1.1 Lectura de datos usando `Py-Art`

Para leer nuestros datos de radar -en el caso particular de este taller usaremos datos provenientes de radares meteorológicos con formato SIGMET- podemos usar el módulo pyart.io.read_sigmet. Sin embargo, Py-Art tiene un módulo I/O mucho más amplio donde se pueden leer datos de otras fuentes o tipos de radares.

radar_pa = pyart.io.read_sigmet(f"../data/CAR220809191504.RAWDSX2")

/usr/share/miniconda3/envs/atmoscol2023/lib/python3.11/site-packages/pyart/io/sigmet.py:146: RuntimeWarning: invalid value encountered in sqrt
  sigmet_data, sigmet_metadata = sigmetfile.read_data(full_xhdr=full_xhdr)

Ahora podemos consultar la información contenida dentro del objeto radar usando rada.info('compact')

radar_pa.info("compact")

altitude: <ndarray of type: float64 and shape: (1,)>
altitude_agl: None
antenna_transition: None
azimuth: <ndarray of type: float32 and shape: (720,)>
elevation: <ndarray of type: float32 and shape: (720,)>
fields:
	total_power: <ndarray of type: float32 and shape: (720, 994)>
	reflectivity: <ndarray of type: float32 and shape: (720, 994)>
	velocity: <ndarray of type: float32 and shape: (720, 994)>
	spectrum_width: <ndarray of type: float32 and shape: (720, 994)>
	differential_reflectivity: <ndarray of type: float32 and shape: (720, 994)>
	specific_differential_phase: <ndarray of type: float32 and shape: (720, 994)>
	differential_phase: <ndarray of type: float32 and shape: (720, 994)>
	normalized_coherent_power: <ndarray of type: float32 and shape: (720, 994)>
	cross_correlation_ratio: <ndarray of type: float32 and shape: (720, 994)>
	radar_echo_classification: <ndarray of type: float32 and shape: (720, 994)>
fixed_angle: <ndarray of type: float32 and shape: (1,)>
instrument_parameters:
	unambiguous_range: <ndarray of type: float32 and shape: (720,)>
	prt_mode: <ndarray of type: |S4 and shape: (1,)>
	prt: <ndarray of type: float32 and shape: (720,)>
	prt_ratio: <ndarray of type: float32 and shape: (720,)>
	nyquist_velocity: <ndarray of type: float32 and shape: (720,)>
	radar_beam_width_h: <ndarray of type: float32 and shape: (1,)>
	radar_beam_width_v: <ndarray of type: float32 and shape: (1,)>
	pulse_width: <ndarray of type: float32 and shape: (720,)>
	prf_flag: <ndarray of type: int16 and shape: (720,)>
latitude: <ndarray of type: float64 and shape: (1,)>
longitude: <ndarray of type: float64 and shape: (1,)>
nsweeps: 1
ngates: 994
nrays: 720
radar_calibration: None
range: <ndarray of type: float32 and shape: (994,)>
scan_rate: None
scan_type: ppi
sweep_end_ray_index: <ndarray of type: int32 and shape: (1,)>
sweep_mode: <ndarray of type: |S20 and shape: (1,)>
sweep_number: <ndarray of type: int32 and shape: (1,)>
sweep_start_ray_index: <ndarray of type: int32 and shape: (1,)>
target_scan_rate: None
time: <ndarray of type: float64 and shape: (720,)>
metadata:
	Conventions: CF/Radial instrument_parameters
	version: 1.3
	title: 
	institution: 
	references: 
	source: 
	history: 
	comment: 
	instrument_name: b'carimagua-radar'
	original_container: sigmet
	sigmet_task_name: b'SURVP       '
	sigmet_extended_header: false
	time_ordered: none
	rays_missing: 0

Podemos listar las variables polarimétricas contenidas en este archivo usando radar.fields

list(radar_pa.fields)

['total_power',
 'reflectivity',
 'velocity',
 'spectrum_width',
 'differential_reflectivity',
 'specific_differential_phase',
 'differential_phase',
 'normalized_coherent_power',
 'cross_correlation_ratio',
 'radar_echo_classification']

La variable polarimétrica más popular en es el factor de reflectividad (Z) que es una medida indirecta de la intensidad y el tamaño de las gotas de lluvia. Podemos ver mas información en el objeto radar usando la notación de diccionarios en Python

radar_pa.fields["reflectivity"]

{'units': 'dBZ',
 'standard_name': 'equivalent_reflectivity_factor',
 'long_name': 'Reflectivity',
 'coordinates': 'elevation azimuth range',
 'data': masked_array(
   data=[[18.5, 20.5, 22.5, ..., --, --, --],
         [26.0, 28.0, 29.0, ..., --, --, --],
         [24.0, 25.5, 26.5, ..., --, --, --],
         ...,
         [25.0, 28.0, 30.0, ..., --, --, --],
         [27.5, 30.0, 31.5, ..., --, --, --],
         [26.0, 27.5, 28.5, ..., --, --, --]],
   mask=[[False, False, False, ...,  True,  True,  True],
         [False, False, False, ...,  True,  True,  True],
         [False, False, False, ...,  True,  True,  True],
         ...,
         [False, False, False, ...,  True,  True,  True],
         [False, False, False, ...,  True,  True,  True],
         [False, False, False, ...,  True,  True,  True]],
   fill_value=1e+20,
   dtype=float32),
 '_FillValue': -9999.0}

1.2 Gráficas de reflectividad (\(Z\))

Ahora podemos generar salidas gráficas usando el módulo pyart.graph. Esta librería nos permite realizar gráficos con o sin georeferenciacion usando pyart.graph.RadarDisplay o pyart.graph.RadarMapDisplay

fig = plt.figure(figsize=(10, 4))
ax = fig.add_subplot(121)
display_ = pyart.graph.RadarDisplay(radar_pa)
display_.plot(
    "reflectivity",
    0,
    ax=ax,
    colorbar_label="Reflectivity (dBZ)",
    cmap="ChaseSpectral",
    vmin=-10,
    vmax=60,
    title="Referencia al centro del radar",
)

projection = ccrs.PlateCarree()
ax1 = plt.subplot(122, projection=projection)
display_ = pyart.graph.RadarMapDisplay(radar_pa)
# Extraer la latitud y longitud del radar y usarla para centrar el mapa
lat_center = round(radar_pa.latitude["data"][0], 0)
lon_center = round(radar_pa.longitude["data"][0], 0)


# Determinar los anchos
lat_ticks = np.arange(lat_center - 3, lat_center + 3, 1.5)
lon_ticks = np.arange(lon_center - 3, lon_center + 3, 1.5)

# Fijar la proyección - en este caso, usamos la proyección general PlateCarree

display_.plot_ppi_map(
    "reflectivity",
    0,
    resolution="10m",
    ax=ax1,
    lat_lines=lat_ticks,
    lon_lines=lon_ticks,
    colorbar_label="Reflectivity (dBZ)",
    cmap="ChaseSpectral",
    vmin=-10,
    vmax=60,
    title="Georeferenciado",
)

/usr/share/miniconda3/envs/atmoscol2023/lib/python3.11/site-packages/cartopy/io/__init__.py:241: DownloadWarning: Downloading: https://naturalearth.s3.amazonaws.com/10m_physical/ne_10m_coastline.zip
  warnings.warn(f'Downloading: {url}', DownloadWarning)

/usr/share/miniconda3/envs/atmoscol2023/lib/python3.11/site-packages/cartopy/io/__init__.py:241: DownloadWarning: Downloading: https://naturalearth.s3.amazonaws.com/10m_cultural/ne_10m_admin_1_states_provinces_lines.zip
  warnings.warn(f'Downloading: {url}', DownloadWarning)

../../_images/1e0158714e036725c592d514c9a78cbca97317a6a4543d30b6981d8a3d36cba2.png

1.3 Gráficas de variables polarimétricas

Tambien podemos generar gráficas de otras variables como reflectividad diferencial (\(Z_{DR}\)), diferencial de fase (\(\phi_{DP}\))

fig = plt.figure(figsize=(12, 4))
display_ = pyart.graph.RadarMapDisplay(radar_pa)

ax2 = plt.subplot(121, projection=projection)
display_.plot_ppi_map(
    "differential_reflectivity",
    0,
    resolution="10m",
    ax=ax2,
    lat_lines=lat_ticks,
    lon_lines=lon_ticks,
    title=r"$Reflectividad \  diferencial$",
)

ax3 = plt.subplot(122, projection=projection)
display_.plot_ppi_map(
    "differential_phase",
    0,
    ax=ax3,
    resolution="10m",
    lat_lines=lat_ticks,
    lon_lines=lon_ticks,
    title=r"$Diferencial \ de \ fase$",
)

plt.tight_layout()

../../_images/497c2b56ae47a381b661fe0053e95497c1dd2f2917bef637dd91ea8a079c9ffd.png

1.4 Otras funcionaldiades de Py-Art

Para más funcionalidades de Py-Art puedes revisar la documentación oficial o el Radar Cookbook donde podras encontrar ejemplos y casos de uso.

Conclusiones

En este cuadernillo aprendimos sobre algunas librerías que nos permiten leer y generar productos basados en datos de radares meteorológicos.

Fuentes y referencias

Helmus, J.J. & Collis, S.M., (2016). The Python ARM Radar Toolkit (Py-ART), a Library for Working with Weather Radar Data in the Python Programming Language. Journal of Open Research Software. 4(1), p.e25. DOI: http://doi.org/10.5334/jors.119
Radar Cookbook [https://projectpythia.org/radar-cookbook/README.html] DOI[https://doi.org/10.5281/zenodo.8075855]
Rose, B. E. J., Kent, J., Tyle, K., Clyne, J., Banihirwe, A., Camron, D., May, R., Grover, M., Ford, R. R., Paul, K., Morley, J., Eroglu, O., Kailyn, L., & Zacharias, A. (2023). Pythia Foundations (Version v2023.05.01) https://doi.org/10.5281/zenodo.7884572

Py-Art, Xradar y Wradlib

Introducción

Prerequisitos

Librerías

1. `Py-Art`

1.1 Lectura de datos usando `Py-Art`

1.2 Gráficas de reflectividad (\(Z\))

1.3 Gráficas de variables polarimétricas

1.4 Otras funcionaldiades de Py-Art

2. `Xradar`

2.1 Lectura de datos usando `Xradar`

2.2 Gráfico de reflectividad (Z)

2.3 Selección de datos (Slicing)

2.4 Acceso a otras variables plorimétricas

3. `Wradlib`

3.1 Lectura de datos

3.2 Gráficos usando `wrl.vis`

3.3 Mapa de ruido (Clutter)

Conclusiones

Fuentes y referencias

Py-Art, Xradar y Wradlib

Introducción

Prerequisitos

Librerías

1. Py-Art

1.1 Lectura de datos usando Py-Art

1.2 Gráficas de reflectividad (\(Z\))

1.3 Gráficas de variables polarimétricas

1.4 Otras funcionaldiades de Py-Art

2. Xradar

2.1 Lectura de datos usando Xradar

2.2 Gráfico de reflectividad (Z)

2.3 Selección de datos (Slicing)

2.4 Acceso a otras variables plorimétricas

3. Wradlib

3.1 Lectura de datos

3.2 Gráficos usando wrl.vis

3.3 Mapa de ruido (Clutter)

Conclusiones

Fuentes y referencias

1. `Py-Art`

1.1 Lectura de datos usando `Py-Art`

2. `Xradar`

2.1 Lectura de datos usando `Xradar`

3. `Wradlib`

3.2 Gráficos usando `wrl.vis`