Le jeu de données consiste en une simulation de la tempête et de ses suites entre le 31 octobre et le 2 novembre 2019. Les données volumétriques en 3D ont été préparées sur une maille sphérique à une résolution de $1060\times 1330$ horizontalement sur $16$ niveaux de pression verticale. Les niveaux de pression verticale peuvent être représentés comme élévation. Toutes les variables sont stockées dans des fichiers NetCDF.

Les données atmosphériques de la tempête sont contenues dans les trois variables en 3D dépendantes du temps suivantes :

1. la densité relative des nuage MPQC(time,pres,rlat,rlon),
2. la densité relative de la pluie MPQR(time,pres,rlat,rlon),
3. la densité relative de la glace QTI1(time,pres,rlat,rlon).

dans les trois fichiers dp2015090100_2019{1031,1101,1102}d.nc pour le 31 octobre, le 1er novembre et le 2 novembre respectivement. Chaque fichier NetCDF contient 24 intervalles d’une heure.

L’effect de la tempête au sol est décrit par deux variables en 2D dépendantes du temps :

4. la quantité de neige (en mm d’équivalent d’eau) sur le sol I5(time,rlat,rlon) dans le fichier pm2015090100_2019{1031,1101,1102}d.nc,
5. la pression moyenne au niveau de la mer PN(time,rlat,rlon) dans le fichier dm2015090100_2019{1031,1101,1102}d.nc.

Enfin, la topographie est fournie par les variables statiques (pas de dépendance au temps) en 2D suivantes :

6. le masque terre-mer MG(rlat,rlon) dans le fichier pm2015090100_00000000p.nc,
7. l’élévation ME(rlat,rlon) (en m) dans le fichier dm2015090100_00000000p.nc.

Vous pouvez combiner les deux dernières variables en une seule variable elevation = MG*ME avec le filtre calculateur de ParaView.

Télécharger les données

Vous pouvez télécharger les fichiers un par un grâce aux liens dans le tableau ci-dessous :

ou vous pouvez télécharger tous les fichiers en même temps avec les commandes Bash suivantes :

urls=( DpB98GLxGjsLNZt 9p4nSf8EYwA7zwk eAysq2ctkokNDx2 Pp5CtZJb2bo74Mn
       WEM3JCWoMBb7BDj W3ED2qHqxrCy6WJ QCQSfzdwbg5ofdG 82r5ciD9Z7Z4gpk
       n5cpjC4J3PeN9SC TAg7DL7HzNngtTR 9G7Pok7QTE6d3Xd )
names=( dm2015090100_00000000p dm2015090100_20191031d dm2015090100_20191101d dm2015090100_20191102d
        dp2015090100_20191031d dp2015090100_20191101d dp2015090100_20191102d pm2015090100_00000000p
        pm2015090100_20191031d pm2015090100_20191101d pm2015090100_20191102d )
for i in $(seq 0 10); do
    wget https://nextcloud.computecanada.ca/index.php/s/"${urls[$i]}"/download -O "${names[$i]}".nc
done

Après avoir téléchargé les fichiers, vous pouvez vérifier que le téléchargement s’est bien passé grâce à la somme de contrôle md5 fournie.

Charger les données dans ParaView

ParaView peut lire les fichiers NetCDF directement. Faites attention au menu déroulant de Dimension pour accéder à la bonne catégorie de variables.

Vu que toutes les variables sont sur une maille sphérique, il est peut-être bon d’utiliser une échelle verticale et un biais vertical autres que les défauts lors de l’importation des données. Alternativement, vous pouvez projeter toute variable sphérique sur une maille cartésienne grâce au filtre programmable avec Output Type = vtkImageData. Par exemple :

ext = inputs[0].GetExtent()
var = inputs[0].PointData["inputName"]

output.SetOrigin(0., 0., 0.)
output.SetSpacing(1., 1., 1.)
output.SetDimensions(ext[1]-ext[0]+1, ext[3]-ext[2]+1, ext[5]-ext[4]+1)
output.SetExtent(ext)
output.AllocateScalars(vtk.VTK_FLOAT, 1)

vtk_data_array = vtk.util.numpy_support.numpy_to_vtk(var, deep=True, array_type=vtk.VTK_FLOAT)
vtk_data_array.SetNumberOfComponents(1)
vtk_data_array.SetName("outputName")
output.GetPointData().SetScalars(vtk_data_array)

Pour plus d’information sur le filtre programmable de ParaView, vous pouvez regarder notre webinaire de janvier 2021.

Charger les données avec Python

Avec Python, vous pouvez créer un xarray.Dataset contenant plusieurs variables, chacune stockée sous la forme d’un tableau NumPy :

pip install xarray netcdf4

import xarray as xr
data = xr.open_dataset("/chemin/du/fichier/dp2015090100_20191031d.nc")
print(data)               # imprime toutes les variables de ce jeu de données
print(data.MPQC.shape)    # tableau NumPy 24x16x1060x1330
print(data.MPQC.values)   # accès aux valeurs
print(data.time)          # intervalles de temps
print(data.lon.values)    # tableau en 2D des longitudes
print(data.lat.values)    # tableau en 2D des latitudes

Alternativement, vous pouvez utiliser l’interface netCDF4 classique de Python :

import netCDF4 as nc
all = nc.Dataset("/chemin/du/fichier/dp2015090100_20191031d.nc", "r")
print(all)                            # imprime toutes les variables
print(all.variables['MPQR'][:,:,:])   # tableau NumPy 24x16x1060x1330
print(all.variables['time'][:])       # intervalles de temps
print(all.variables['lon'][:,:])      # tableau en 2D des longitudes

Remerciements

Données fournies par Alejandro Di Luca et François Roberge de l’Université du Québec à Montréal. La simulation a été réalisée sur la grappe Narval de l’Alliance.