【时间剖面图】通用分析算法

15195775117

1、何谓【时间剖面图】？

【时间剖面图】是个行业术语，表示测站上空气象要素和天气系统随时间演变的一种时空剖面图。
即常见的“时间-高度图”---以时间为x轴，高度为y轴的二维图。

百度百科-时间剖面图

2、应用范围广

时间剖面图应用范围广，
（1）探测方面：【定点长光程设备】的数据会画这种图，比如【微波辐射计】【气溶胶激光雷达】【臭氧激光雷达】；
（2）预报模式方面：给出的以【预报时效】与高度为维度的结果，也要画这种图；
（3）其他可以构造为类似时间剖面图形式的图谱。

微波辐射计图谱示例：



气溶胶激光雷达图谱示例：

15195775117

3、分析内容：条带识别与升降运动

【时间剖面图】中，识别“高值条带”和判断其升降运动，具有较高的研究价值和业务价值。

（1）第2节中，气溶胶激光雷达的【时间剖面图】中，有很多气溶胶“条带”，它们高度不同，有升有降，
从高空下降到地面，或者从地面抬升离开，对地面人类活动区都有着直接的影响。

（2）类似的，不少研究已经证明，城市上空的臭氧，存在着昼夜升降的现象，
那么，臭氧“条带”在【时间剖面图】上会出现周期性升降。

（3）对于能测定消光值的设备，下雨前，湿空气下降，雨后，湿空气上升，
高湿“条带”在【时间剖面图】上呈现V字型。

（4）对于微波辐射计，冷暖空气的上升下降，对地面人类活动区有着直接的影响。

15195775117

4、读取数据

读取数据的具体程序，得看具体情境，不能一概而论。

以常见的长光程设备为例，
它们保存数据是每条廓线保存为一个文件，所有廓线文件放在一个文件夹里，
我读这些数据的步骤是：

（1）写一个读取【单个廓线文件】的模块（.py文件），
例如：read_single.py
参数是廓线文件的地址，
返回值是一个字典，包括监测量的序列和时间。

（2）写一个基于read_single.py，将所有廓线结果合并的模块，
例如：read_fold.py
参数是廓线文件夹的目录，
返回值是一个字典，包括二维监测量的序列，和时间序列。

（3）对read_fold.py的返回值进行优化整理，例如：
A.添加高度序列，截断过高的高度；
B.控制数据类型，节约存储空间，能用np.float32的就别用np.float64；

虽然读取程序是不固定的，但是，为了后续计算代码的复用性，这里的结果可以是统一的格式。

处理后的数据，保存为一个字典result，它有3个键，
（1）时间：result['t'].shape-->(144,)
（2）高度：result['ht'].shape-->(400,)
（3）监测量：result['o3'].shape-->(400,144)
其中，
我们假设监测量是O3，
这里的400和144只是举个例子，显示3个量之间的对应关系。

最后保存为pkl文件，
后续计算处理时，就用这个pkl文件，不用原始数据文件了。

跺碎那片云

{:eb513:}

15195775117

5、降噪

由于原始图谱中存在很多噪点和毛刺，直接对原始图谱进行【高值条带】的识别，计算上必然很困难，
我的做法是，先将二维数组进行【中值滤波】，再进行识别。

中值滤波可以用函数：scipy.signal.medfilt2d

不能直视的原图：（声明：数据是瞎编的！）



降噪后的效果：



以上2张图，横轴是时间，纵轴是高度（下为低空，上为高空），
代表浓度值的颜色看起来不同，是因为用的色条不一样，大家只看总体趋势像不像即可。

15195775117

6、计算廓线极大值点

需要写一个函数，获得单条廓线的极大值点，





再基于以上函数，获得所有廓线的极大值点，下图中的圆点代表极大值点：

15195775117

7、极大值点的连接方式

将极大值点画在时间-高度图上（颜色代表浓度值）：



我们发现，这些散点在视觉上已经形成若干线条了，这是个好现象。

我们认为，【高值条带】是极大值点连接而成，
那么，如果将散点连成线呢？

对于每一个点，我们在其后面aa分钟和上下bb米的区域，找出距离最近的点，
每2个点的连接关系写作：((t1,ht1),(t2,ht2))，
它表示点(t1,ht1)与(t2,ht2)连接，这个连接方式是有前后顺序的。

对于所有点都进行查找计算，最后形成了元组序列：
[((t1,ht1),(t2,ht2)),((t2,ht2),(t5,ht5)),((t7,ht7),(t3,ht3)),......]
这个序列将指导我们把散点全部连成线。

15195775117

8、结绳方式

上一节，我们确定了每个点与后面哪个点连接，那么从绳头开始往下“编织”即可。
那么，绳头怎么找呢？

我们从上一节的【连接关系序列】中，
将每对坐标的中的前一个坐标都提取出来，构成【前坐标的集合】，
将每对坐标的中的后一个坐标都提取出来，构成【后坐标的集合】，
集合运算中，【前坐标的集合】-【后坐标的集合】的结果就是【绳头】的坐标集合！

下图中，红点为【绳头】：


从每个绳头开始，按【连接关系序列】贪吃蛇式地追加点，直到不存在后续点为止。

至此，我们就获得了所有【高值条带】的线条。

15195775117

9、低空条带的识别

科研和业务中，空中的监测量对地面的影响，都是最值得关注的。

【低空条带】的确定逻辑：
（1）如果我们认为高于500米的就对地面没有影响，那么【低空条带】上最低点的高度必须低于500米；
（2）【低空条带】下方不能有其他条带，在垂直方向上，它必须最接近地面。
因为如果有更低的条带，那为什么不用那个条带来分析地面状况呢？

第1条容易判断，第2条如何实现呢？

方法如下：

获取时间数据的集合，对每个时间，搜索出高度最低的点。
只有这些点，是可以垂直向下直视地面的。
即下图中红色点：


然后，对每个条带上的点进行判断，如果出现任一点不是以上红点，那这个条带就不是【低空条带】

最后得到低空条带（红色）：

Mr.ITY

那大佬用什么画的呢？有没有脚本求一个