+关注继续查看

为什么要设置eta_levels呢?



在一般的模式研究中,当涉及到下垫面对于模拟的影响,就会使用到eta_levels。


  • 不同的地区的下垫面不同,有的是平原、有的是高原、有的是湖泊有的是高山。地面的海拔高度不同,所以按照位势高度来分层,对于模拟结果会有较大影响
  • 以青藏高原为例,对于模式模拟的结果会造成较大的误差。


eta_levels的计算公式


eta=(P-Ptop)/(Pbot-Ptop)


  • P代表某一层的气压,也就是你需要研究的那一层,Ptop(p_top_requested)代表模式顶层气压,Pbot代表海平面气压或地面气压。(WRF中好像是10hpa,不太确定)。从表达式可以看出,地面的eta值就是1,顶层就是0。这样一来,无论某个地区的下垫面的海拔高度是多少,它的eta坐标值都统一成1。
  • 模式默认的pbot = 1000hPa ,ptop = p_top_requested , ZNW变量是模式设置的eta levels
  • 当然,在模式的结果分析中,我们更想知道的是某个eta坐标对应的位势高度,比如说我们要研究离地60m高度的风速,就有必要进行二者转换。


转换公式如下所示:


gmp=(PH+PHB)/9.81-HGT


  • PH和PHB以及HGT都是模式结果中已有的变量。HGT是当地地面海拔高度。

对于WRF, README.namelist 给了两种默认 eta levels 的设置,28层和35层的~


eta_levels                          = 1.000, 0.990, 0.978, 0.964, 0.946,
                                       0.922, 0.894, 0.860, 0.817, 0.766,
                                       0.707, 0.644, 0.576, 0.507, 0.444,
                                       0.380, 0.324, 0.273, 0.228, 0.188,
                                       0.152, 0.121, 0.093, 0.069, 0.048,
                                       0.029, 0.014, 0.000,
eta_levels                          = 1.000, 0.993, 0.983, 0.970, 0.954,
                                       0.934, 0.909, 0.880, 0.845, 0.807,
                                       0.765, 0.719, 0.672, 0.622, 0.571,
                                       0.520, 0.468, 0.420, 0.376, 0.335,
                                       0.298, 0.263, 0.231, 0.202, 0.175,
                                       0.150, 0.127, 0.106, 0.088, 0.070,
                                       0.055, 0.040, 0.026, 0.013, 0.000


d5aa4b3b361f423b91f3c36d2d98bf03.png


链接: eta_levels

此外, ncl 有函数 wrf_user_intrp3d 可以将wrf输出结果插值到指定的气压层

此外,这里给出49层的eta_levels,仅供参考:


 e_vert                              = 49,     49,   49,
 dzstretch_s                         = 1.1
 p_top_requested                     = 1000,
 num_metgrid_levels                  = 38,
 num_metgrid_soil_levels             = 4,
 parent_grid_ratio                   = 1,     3,     3,
 parent_time_step_ratio              = 1,     3,     3,
 feedback                            = 1,
 smooth_option                       = 0
 eta_levels                          = 1.000, 0.998, 0.996, 0.993, 0.989, 0.983, 0.975,
                                       0.965, 0.955, 0.945, 0.930, 0.915, 0.900, 0.875,
                                       0.850, 0.825, 0.800, 0.775, 0.750, 0.725, 0.700,
                                       0.675, 0.650, 0.625, 0.600, 0.575, 0.550, 0.525,
                                       0.500, 0.475, 0.450, 0.425, 0.400, 0.375, 0.350,
                                       0.325, 0.300, 0.275, 0.250, 0.225, 0.200, 0.175,
                                       0.150, 0.125, 0.100, 0.075, 0.050, 0.025, 0.000,


使用shell在Linux系统下下载cmip6文件出现报错:No ESG Credentials found in /Users/daniele/.esg/credentials.pem python--海温、OLR数据分布做显著性检验,绘制空间分布并打点 python--使用convolve 对二维数据进行平滑 linux下使用.csh脚本自动化下载GFS气象预报数据 降水数据的简单介绍:GPM(Imerg/GSMap)、TRMM(3B42/3B43)、FY(2/3/4)、PERSIANN(CDR)
降水数据的简单介绍:GPM(Imerg/GSMap)、TRMM(3B42/3B43)、FY(2/3/4)、PERSIANN(CDR)
LeetCode Contest 178-1368. 使网格图至少有一条有效路径的最小代价 Minimum Cost to Make at Least One Valid Path in a Grid
LeetCode Contest 178-1368. 使网格图至少有一条有效路径的最小代价 Minimum Cost to Make at Least One Valid Path in a Grid
YOLOv5的Tricks | 【Trick6】学习率调整策略(One Cycle Policy、余弦退火等)
YOLOv5的Tricks | 【Trick6】学习率调整策略(One Cycle Policy、余弦退火等)
Description Every (positive) rational number can be expressed as a ratio of two (positive) integers. However, in decimal form, rational numbers often have an infifinitely repeating pattern, e.g., 1/7 = 0.142857142857142857…
使用ComplexHeatmap绘制复杂热图|Note1:简介
复杂的热图可以有效地可视化不同数据源之间的关联,并揭示潜在的模式。ComplexHeatmap包提供了一种高度灵活的方式来安排多个热图,并支持自定义的注释图形。
第四周编程作业(一)-Building your Deep Neural Network: Step by Step(一)
第四周编程作业(一)-Building your Deep Neural Network: Step by Step(一)
第四周编程作业(一)-Building your Deep Neural Network: Step by Step(二)
第四周编程作业(一)-Building your Deep Neural Network: Step by Step(二)
第四周编程作业(一)-Building your Deep Neural Network: Step by Step(三)
第四周编程作业(一)-Building your Deep Neural Network: Step by Step(三)
Google Earth Engine ——MOD13Q1.006 Terra Vegetation Indices 16-Day Global 250m归一化植被指数(NDVI)和增强植被指数EVI
Google Earth Engine ——MOD13Q1.006 Terra Vegetation Indices 16-Day Global 250m归一化植被指数(NDVI)和增强植被指数EVI
Google Earth Engine ——MOD10A1 V6 Snow Cover Daily Global 500m产品包含雪盖、雪反照率、雪盖分量和质量评估(QA)数据和NDSI指数数据集
Google Earth Engine ——MOD10A1 V6 Snow Cover Daily Global 500m产品包含雪盖、雪反照率、雪盖分量和质量评估(QA)数据和NDSI指数数据集
Google Earth Engine ——MCD43A4 V6天底双向反射分布函数调整反射率(NBAR)这个产品结合了Terra和Aqua航天器的数据,从16天的时间里选择最好的代表像素。
Google Earth Engine ——MCD43A4 V6天底双向反射分布函数调整反射率(NBAR)这个产品结合了Terra和Aqua航天器的数据,从16天的时间里选择最好的代表像素。
Google Earth Engine ——LANDSAT 7/LM01/C01/T1Landsat 1 MSS Collection 1 Tier 1 DN值,代表经过缩放、校准的传感器辐射度影像数
Google Earth Engine ——LANDSAT 7/LM01/C01/T1Landsat 1 MSS Collection 1 Tier 1 DN值,代表经过缩放、校准的传感器辐射度影像数
Google Earth Engine ——MYD10A1 V6 Snow Cover Daily Global 500m产品包含雪盖、雪反照率、雪盖分率和质量评估(QA)数据归一化差异积雪指数数据集
Google Earth Engine ——MYD10A1 V6 Snow Cover Daily Global 500m产品包含雪盖、雪反照率、雪盖分率和质量评估(QA)数据归一化差异积雪指数数据集
使用shell在Linux系统下下载cmip6文件出现报错:No ESG Credentials found in /Users/daniele/.esg/credentials.pem python--海温、OLR数据分布做显著性检验,绘制空间分布并打点 python--使用convolve 对二维数据进行平滑 linux下使用.csh脚本自动化下载GFS气象预报数据