Global Forecast System - GFS

Introducción

En este cuadernillo (Notebook) aprenderemos:

Introducción al GFS
Uso del servidor Thredds
Consulta de datos del GFS a escala de 0.5 grados en resolución usando siphon
Visualización de variables pronosticadas

Prerequisitos

Conceptos	Importancia	Notas
Introducción a Xarray	Necesario	Lectura de datos multidimensionales
Introducción a Datetime	Necesario	Entender estampas de tiempo
Introducción a NetCDF	Útil	Entender la metadata de los datos

Tiempo de aprendizaje: 30 minutos

Librerías

Importamos las librerías que vamos a utilizar en este cuadernillo.

from datetime import datetime, timedelta

import cartopy.crs as ccrs
import cartopy.feature as cf
import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
import numpy as np
import xarray as xr
from pandas import to_datetime
from siphon.catalog import TDSCatalog

1. GFS

De acuerdo con la documentación oficial “El Sistema de Pronóstico Global (GFS) es un modelo de pronóstico del tiempo de los Centros Nacionales de Predicción Ambiental (NCEP) que genera datos para docenas de variables atmosféricas y de suelo-suelo, incluidas temperaturas, vientos, precipitaciones, humedad del suelo y concentración de ozono atmosférico.”

Fuente: https://www.ncei.noaa.gov/

Sistema de Pronóstico Global
Utilizado comunmente como condiciones iniciales para otros modelos de pronóstico
El modelo se ejecuta 4 veces al día (00z, 06z, 12z y 18z)
Prósticos de hasta 16 días. 120 primeras horas son a escala horaria, luego cada 3 horas
Modelo tiene 127 capas en la vertical
Utiliza un esquema de esfera cúbica de volumen finito (FV3)
Resolución/dominio horizontal de 0.5, 1.0 y 2.5 grados

2. Acceso a datos del GFS

El acceso a los datos del GFS se puede realizar mediante la descarga directa de los datos utilizando el repositorio de datos del NCEI (National Centers for Environmental Information), usando el repositorio de datos de AWS, o usando el servidor Thredds de la NCAR. Para efectos prácticos del curso, utilizaremos la librería siphon que nos permite realizar consultas al servidor Thredds usando una API en Python.

Para consultar el modelo GFS con resolución espacial de 0.25 grados utilizamos el módulo TDSCatalog y pasamos el link correspondiente que se puede obtener acá.

gfs_url = "http://thredds.ucar.edu/thredds/catalog/grib/NCEP/GFS/Global_0p25deg/catalog.xml?dataset=grib/NCEP/GFS/Global_0p25deg/Best"
best_gfs = TDSCatalog(gfs_url)
best_gfs

Best GFS Quarter Degree Forecast Time Series

Para acceder a este conjunto de datos usando Xarray.Dataset simplemente creamos un acceso remoto de la siguiente manera

El dato descargado desde el servidor Thredds trae un error en el formato de las coordenadas. Para evitar tropiezos cuando realicemos selección de datos más adelante, reemplazaremos las coordenadas de la siguiente manera:

# ds_gfs.sel(lat=0, method='nearest')

ds_gfs = ds_gfs.assign_coords(
    lat=("lat", np.linspace(90, -90, 721)), lon=("lon", np.linspace(0, 360, 1440))
)

Peligro

Este archivo pesa alrededor de 530 GB. No trate de cargarlo en memoria a menos que tenga la capacidad suficiente en RAM. Se recomienda hacer consultas específicas en variables, espacio y tiempo.

Para realizar consultas a variables de interes podemos utilizar el método .sel al igual que utilizar la notación punto o de diccionarios para acceder a variables de interes. Consultemos entonces variables como la temperatura, humedad, presión entre otros.

Por alguna razon los datos utilizan algunas veces la dimension time y otras veces time1. Para evitar errores podemos controlar eso de la siguiente manera

ds_subset.coords

Coordinates:
  * time                  (time) datetime64[ns] 2023-11-05 ... 2023-11-28T12:...
    reftime               (time) datetime64[ns] ...
  * height_above_ground4  (height_above_ground4) float32 2.0
  * lat                   (lat) float64 90.0 89.75 89.5 ... -89.5 -89.75 -90.0
  * lon                   (lon) float64 0.0 0.2502 0.5003 ... 359.5 359.7 360.0

try:
    ds_subset.Temperature_surface.time1
except AttributeError as e:
    print(e)
    ds_subset = ds_subset.rename(time="time1")

'DataArray' object has no attribute 'time1'

ds_subset.coords

Coordinates:
  * time1                 (time1) datetime64[ns] 2023-11-05 ... 2023-11-28T12...
    reftime               (time1) datetime64[ns] ...
  * height_above_ground4  (height_above_ground4) float32 2.0
  * lat                   (lat) float64 90.0 89.75 89.5 ... -89.5 -89.75 -90.0
  * lon                   (lon) float64 0.0 0.2502 0.5003 ... 359.5 359.7 360.0

Conclusiones

En este cuadernillo aprendimos a consultar datos provenientes del modelo Global Forecast System usando la librería Siphon disponibles en el servidor Thredds de la NCAR. Aprendimos a generar gráficos espaciales y series temporales de pronósticos para múltiples variables usando Xarray, Cartopy y Matplotlib.