Skip to article frontmatterSkip to article content

Radares Meteorológicos

Radares Meteorológicos

Resumen

En este cuadernillo (Notebook) aprenderemos:

  1. Breve introducción a los radares meterológicos
  2. Red de Nacional de radares meteorológicos de Colombia
  3. Consulta de datos usando el bucket de AWS de radares
  4. Generación de gráficas de reflectividad
  5. Generación de campos de lluvia usando la ecuación de Marshall & Gunn (1953)

Prerequisitos

ConceptosImportanciaNotas
Introducción a XarrayNecesarioLectura de datos multidimensionales
Introducción a Py-ArtNecesarioLectura de datos de radar
Introducción a XradarNecesarioLectura de datos de radar
Introducción a WradlibNecesarioLectura de datos de radar
Fundamentos de radar meteorológicoÚtilFundametos básicos en radares meteorológicos
Introducción a NetCDFÚtilEntender la metadata de los datos
  • Tiempo de aprendizaje: 30 minutos

1. Radares meteorológicos

Los radares meteorológicos son sensores activos que emiten pulsos de energía a la atmósfera y miden la energía retrodispersa de todos los objetos a lo largo del haz de medición como se puede observar en la siguiente animación del curso Fundamentos en radares meterológicos (The Commet program - meted.ucar.edu)

Loading...

Tradicionalmente, los radares meteorológicos operan en modo de Indicador de Posición Plana (PPI por sus siglas en inglés de Plan Position Indicator). Este modo primero fija la elevacion de la antena a un ángulo determinado con respecto a la horizontal y gira 360 grados con respecto al norte. Luego repite esta tarea míltiples veces a diferentes elevaciones hasta completar un Patrón de Cobertura Volumétrico (VCP por sus siglas en inglés de Volume Coverage Pattern) como se puede obervar en la siguiente animación del curso Fundamentos en radares meterológicos (The Commet program - meted.ucar.edu)

Loading...

2. Red Nacional de Radares de Colombia

Colombia cuenta actualmente con una red de 12 radares meterológicos que hacen vigilancia continua a las condiciones de precipitación en el país como se puede observar en la siguiente tabla:

EntidadNúmero de radaresbanda
IDEAM4C
Aerocivil6C
SIATA1C
IDIGER1X

Librerías

A continuación vamos a importar las librerías que utilizaremos en este cuadernillo

import boto3
import botocore
import cartopy.crs as ccrs
import cmweather
import folium
import fsspec
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import xradar as xd
from folium import plugins

2.1 Ubicación de los radares meteorológicos

Podemos usar folium para crear un mapa dinámico donde visualizamos la ubicación de los radares meteorológicos en Colombia

min_lon, max_lon, min_lat, max_lat = -90, -72, -1, 14

map_ = folium.Map(
    location=[8, -76],
    zoom_start=6,
    min_lat=min_lat,
    max_lat=max_lat,
    min_lon=min_lon,
    max_lon=max_lon,
    zoom_control=False,
    control_scale=True,
    scrollWheelZoom=False,
    width=1000,
    height=700,
)

folium.TileLayer("openstreetmap").add_to(map_)
folium.TileLayer("cartodbpositron").add_to(map_)
folium.TileLayer("cartodbdark_matter").add_to(map_)
folium.LayerControl().add_to(map_)

minimap = folium.plugins.MiniMap()
map_ = map_.add_child(minimap)
# map_

Ahora podemos agregar la ubicación de cada radar en el mapa

def locate_radar(row):
    df = row.to_frame()
    html = df.iloc[:-3].to_html(
        classes="table table-striped table-hover table-condensed table-responsive"
    )

    popup = folium.Popup(html, max_width=2650)
    folium.Marker(location=[row.lat, row.lon], popup=popup).add_to(map_)

    rad = float(row["rad"])
    circle = folium.vector_layers.Circle(
        location=[row.lat, row.lon],
        color=row.color,
        fill=True,
        fill_color=f"{row['color']}",
        radius=rad * 2500,
        fill_opacity=0.1,
    )
    circle.add_to(map_)
df_radares = pd.read_csv("../data/radar_locations.csv")

Aplicamos la función locate_radar a cada fila del dataframe usando el método pd.apply

df_radares.apply(locate_radar, axis=1)
map_
Loading...

2.2 Radares meteorológicos del IDEAM disponibles en AWS

El Instituto de Hidrología, Meteorología y Estudios Ambientales - IDEAM ha dispuesto de manera pública los datos del radar meteorológico.

La estructura del bucket es s3://s3-radaresideam/l2_data/YYYY/MM/DD/Radar_name/RRRAAMMDDTTTTTT.RAWXXXX dónde:

  • YYYY es el año de 4 dígitos
  • MM es el mes de 2 dígitos
  • DD es el mes de 2 dígitos día
  • Radar_name nombre del radar. Las opciones son Guaviare, Munchique, Barrancabermja y Carimagua
  • RRRAAMMDDTTTTTT es el nombre del archivo del radar con lo siguiente:
    • RRR las tres primeras letras del nombre del radar (p. ej., GUA para el radar Guaviare)
    • YY es el año de 2 dígitos
    • MM es el mes de 2 dígitos
    • DD es el día de 2 dígitos
    • TTTTTT es la hora en la que se realizó el escaneo (GTM)
    • RAWXXXX Formato de archivo Sigmet y código único proporcionado por el software IRIS

Veamos un ejemplo de cómo luce el repositorio usando AWS cli y el siguiente commando en la terminal aws s3 ls --no-sign-request s3://s3-radaresideam/

!aws s3 ls --no-sign-request s3://s3-radaresideam/l2_data/2021/09/19/
                           PRE Guaviare/
                           PRE Munchique/

3. Acceso a los datos de radar usando Python

Podemos acceder a los datos de radar usando Python y librerías como Py-Art o Xradar. Para leer los datos de radar primero necesitamos generar una conexión entre el repositorio de datos s3 de Amazon y nuestro computador. Esto lo podemos lograr mediante la librería boto3

Esta forma es un poco complicada. Podemos utilizar fsspec que permite hacer un “montaje” del bucket en nuestro computador y es mucho más simplificado.

fs = fsspec.filesystem("s3", anon=True)
files = sorted(fs.glob("s3-radaresideam/l2_data/2022/08/09/Carimagua/CAR22080919*"))
files[:5]
/home/runner/micromamba/envs/cdh-python/lib/python3.12/site-packages/fsspec/registry.py:294: UserWarning: Your installed version of s3fs is very old and known to cause
severe performance issues, see also https://github.com/dask/dask/issues/10276

To fix, you should specify a lower version bound on s3fs, or
update the current installation.

  warnings.warn(s3_msg)
['s3-radaresideam/l2_data/2022/08/09/Carimagua/CAR220809190003.RAWDSVV', 's3-radaresideam/l2_data/2022/08/09/Carimagua/CAR220809190315.RAWDSW0', 's3-radaresideam/l2_data/2022/08/09/Carimagua/CAR220809190401.RAWDSW3', 's3-radaresideam/l2_data/2022/08/09/Carimagua/CAR220809190505.RAWDSW8', 's3-radaresideam/l2_data/2022/08/09/Carimagua/CAR220809191003.RAWDSWM']

Una vez que tengamos nuestros archivos de interés, podemos cargar uno en memoria usando Xradar o Py-Art. Por ejemplo, estamos interesados en el octavo archivo (index=7).

3.1 Lectura de datos usando Xradar

Los datos de radar de IDEAM también se puden leer usando xradar.io.open_iris_datatree. Esta librería, a diferencia de Py-Art usa como base Xarray retornando un xarray.Dataset en caso de seleccionar un barrido en particular o un xarray.datatree en caso de leer todas las elevaciones contenidas dentro del mismo archivo.

# preparamos un archivo para abrir de manera local
task_file = fsspec.open_local(
    f"simplecache::s3://{files[7]}", s3={"anon": True}, filecache={"cache_storage": "."}
)
# leemos nuestro archivo usando xradar
radar = xd.io.open_iris_datatree(task_file)
display(radar)
Loading...

Este datatree solo contine una elevación. Podemos acceder usando notación similar a la de un diccionario

display(radar["sweep_0"])
Loading...

3.2 Gráfico de reflectividad

Podemos usar la funcionalidad xarray.plot que se encuentra incorporada en xarray.

radar["sweep_0"]["DBZH"].plot(cmap="ChaseSpectral", vmin=-10, vmax=60)
<Figure size 640x480 with 2 Axes>

Como podemos observar en el gráfico anterior los datos se encuentran ordenados por las dimensiones y coordenadas azimuth y range. Podemos usar la xr.georeference para generar las coordenadas polares a nuestro dataset

radar = radar.xradar.georeference()
display(radar["sweep_0"])
Loading...

Como podemos ver x, y y z fueron agregados como nuevos campos de coordenadas. Ahora podemos proceder a generar el gráfico pero esta vez de manera georeferenciada

radar["sweep_0"]["DBZH"].plot(x="x", y="y", cmap="ChaseSpectral", vmin=-10, vmax=60)
<Figure size 640x480 with 2 Axes>

Para generar gráficas de radar en un sistema coordenado de referencia podemos usar cartopy. Extraemos el sistema de referencia desde el objeto radar usando xd.georeference.get_crs

proj_crs = xd.georeference.get_crs(radar["sweep_0"].ds)
cart_crs = ccrs.Projection(proj_crs)

Ahora sí procedemos a generar el gráfico de reflectividad en un sistema coordenado de referencia

fig = plt.figure(figsize=(7, 7))
ax = fig.add_subplot(111, projection=ccrs.PlateCarree())
radar["sweep_0"]["DBZH"].plot(
    x="x",
    y="y",
    cmap="ChaseSpectral",
    transform=cart_crs,
    cbar_kwargs=dict(pad=0.075, shrink=0.75),
    vmin=-10,
    vmax=60,
)
ax.coastlines()
ax.gridlines(draw_labels=True, ls="--", lw=0.5)
/home/runner/micromamba/envs/cdh-python/lib/python3.12/site-packages/cartopy/mpl/geoaxes.py:1777: UserWarning: The input coordinates to pcolormesh are interpreted as cell centers, but are not monotonically increasing or decreasing. This may lead to incorrectly calculated cell edges, in which case, please supply explicit cell edges to pcolormesh.
  result = super().pcolormesh(*args, **kwargs)
<cartopy.mpl.gridliner.Gridliner at 0x7f58934ff230>
/home/runner/micromamba/envs/cdh-python/lib/python3.12/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)
<Figure size 700x700 with 2 Axes>

3.3 Gráficos interactivos usando hvplot

Los gráficos estáticos pueden ser usados principalmente para publicaciones donde la interactividad no es necesaria. Sin embargo, en cursos como el taller de programación de AtmosCol 2023 podemos utilizar las ventajas de la interactividad para aprovechar mejor la información disponible.

import hvplot.xarray
Loading...
ref = radar["sweep_0"].DBZH.hvplot.quadmesh(
    x="x",
    y="y",
    cmap="ChaseSpectral",
    clabel="Horizontal Reflectivity (dBZ)",
    title=f'Horizontal Reflectivity \n {radar.attrs["instrument_name"]} Radar',
    clim=(-20, 60),
    height=500,
    rasterize=True,
    width=600,
)
ref
Loading...

Ahora podemos interacturar con más de un plot a la vez

zdr = radar["sweep_0"].ZDR.hvplot.quadmesh(
    x="x",
    y="y",
    cmap="jet",
    clabel="Differential Reflectivity (dB)",
    title=f'Horizontal Reflectivity \n {radar.attrs["instrument_name"]} Radar',
    clim=(-1, 6),
    height=500,
    rasterize=True,
    width=600,
)
(ref + zdr).cols(1)
Loading...

4. Estimados de lluvia utilizando la ecuación de Marshall and Gunn (1953)

Uno de los productos de mayor interés para la comunidad científica, y en general para todos los usuarios de la información de radares meteorológicos, es la estimación de lluvia. Desde 1948 los científicos han tratado de convertir las mediciones de reflectividad (ZZ) en mediciones de intensidad de precipitación (RR). Para esto se han desarrollado múltiples ecuaciones empíricas Z−RZ-R. En 1953, Marshall and Gunn encontraron una de las relaciones más comunes e incluso utilizadas en la actualidad, que sigue la forma:

Z=200R1.6Z = 200 R ^{1.6}
(1)

Despejando para R tenemos:

R[mmhr−1]=[Z[mm6mm−3]200]11.6R[mm hr^{-1}] = \left[ \frac{Z[mm^{6} mm^{-3}]}{200} \right] ^ {\frac{1}{1.6}}
(2)
R[mmhr−1]=(1200)11.6(Z[mm6mm−3])11.6R[mm hr^{-1}] = \left( \frac{1}{200} \right) ^ {\frac{1}{1.6}} \left( Z[mm^{6} mm^{-3}] \right) ^ {\frac{1}{1.6}}
(3)

Cuidado!!!

La reflectividad del radar esta dada en unidades decibélicas es decir
$Z [dBZ] = 10 * log_{10}(Z[mm^{6}m^{3}])$
Por lo tanto debemos convertir a unidades lineales
$Z[mm^{6}m^{3}] = 10 ^{\left(\frac{Z[dBZ]}{10}\right)}$
# Reflectividad en unidades decibelicas
ref_log = radar["sweep_0"].DBZH
# Reflectividad en unidades lineales
ref_lin = 10 ** (ref_log / 10)
# Estimado de lluvia usando Marshall and Gunn (1953)
rr = (1 / 200) ** (1 / 1.6) * ref_lin ** (1 / 1.6)

Ahora podemos visualizar el campo de lluvia generado

fig = plt.figure(figsize=(7, 7))
ax = fig.add_subplot(111, projection=ccrs.PlateCarree())
rr.plot(
    x="x",
    y="y",
    cmap="jet",
    transform=cart_crs,
    cbar_kwargs=dict(
        pad=0.075, shrink=0.75, label=r"$Intensidad \ de \ lluvia \ [mm hr^{-1}]$"
    ),
    vmin=0,
    vmax=50,
)
ax.set_title(r"$Estimado \ de \ lluvia$")
ax.coastlines()
ax.gridlines(draw_labels=True, ls="--", lw=0.5)
/home/runner/micromamba/envs/cdh-python/lib/python3.12/site-packages/cartopy/mpl/geoaxes.py:1777: UserWarning: The input coordinates to pcolormesh are interpreted as cell centers, but are not monotonically increasing or decreasing. This may lead to incorrectly calculated cell edges, in which case, please supply explicit cell edges to pcolormesh.
  result = super().pcolormesh(*args, **kwargs)
<cartopy.mpl.gridliner.Gridliner at 0x7f5881f29bb0>
<Figure size 700x700 with 2 Axes>

Conclusiones

En este cuadernillo aprendimos sobre la red nacional de radares meteorológicos de Colombia. Logramos acceder a los datos del repositorio de AWS usando Python. Utilizamos Py-Art y Xradar para acceder, visualizar los datos de manera intectiva usando hvplot y generar estimados de precipitación utilzando la ecuación de Marshall and Gunn (1953).

Resources and references

References
  1. Grover, M., Sherman, Z., Sharma, M., Ladino, A., Camron, C., & Radar Cookbook Contributors. (2023). Radar Cookbook. Zenodo. 10.5281/ZENODO.8075855
  2. Rose, B., Kent, J., Tyle, K., Clyne, Banihirwe, A., Camron, D., Ford, R., Morley, J., Grover, M., Eroglu, O., Paul, K., May, R., Lkailynncar, Irving, D., Uieda, L., Ojaybee, Blain, P., & Moon, Z. (2023). ProjectPythia/pythia-foundations: v2023.05.01. Zenodo. 10.5281/ZENODO.7884572
  3. 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), 25. 10.5334/jors.119
Acceso a datos hidrometeorológicos
Estaciones hidrometeorológicas
Acceso a datos hidrometeorológicos
Modelos numéricos de pronóstico