معرفی شرکت ها
bmi-roms-0.1.0
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
BMI implementation for ROMS model data https://www.myroms.org/
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | bmi-roms-0.1.0 |
| نام | bmi-roms |
| نسخه کتابخانه | 0.1.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Tian Gan |
| ایمیل نویسنده | jamy127@foxmail.com |
| آدرس صفحه اصلی | http://csdms.colorado.edu |
| آدرس اینترنتی | https://pypi.org/project/bmi-roms/ |
| مجوز | - |
# bmi_roms
[](https://bmi-roms.readthedocs.io/en/latest/?badge=latest)
[](https://github.com/gantian127/bmi_roms/blob/master/LICENSE.txt)
[](https://mybinder.org/v2/gh/gantian127/bmi_roms/master?filepath=notebooks%2Fbmi_roms.ipynb)
bmi_roms package is an implementation of the Basic Model Interface ([BMI](https://bmi-spec.readthedocs.io/en/latest/)) for
the [ROMS model](https://www.myroms.org/) datasets. This package wraps the dataset with BMI for
data control and query. This package is not implemented for people to use but is the key element to convert the ROMS dataset into
a data component ([pymt_roms](https://pymt-roms.readthedocs.io/)) for
the [PyMT](https://pymt.readthedocs.io/en/latest/?badge=latest) modeling framework developed
by Community Surface Dynamics Modeling System ([CSDMS](https://csdms.colorado.edu/wiki/Main_Page)).
The current implementation supports 2D, 3D and 4D ROMS output datasets defined with geospatial and/or time dimensions
(e.g., dataset defined with dimensions as [time, s_rho, eta_rho, xi_rho])
If you have any suggestion to improve the current function, please create a github issue
[here](https://github.com/gantian127/bmi_roms/issues).
## Get Started
#### Install package
##### Stable Release
The bmi_roms package and its dependencies can be installed with pip
```
$ pip install bmi_roms
```
or conda
```
$ conda install -c conda-forge bmi_roms
```
##### From Source
After downloading the source code, run the following command from top-level folder
(the one that contains setup.py) to install bmi_roms.
```
$ pip install -e .
```
#### Code Example
Learn more details from the [tutorial notebook](https://github.com/gantian127/bmi_roms/blob/master/notebooks/bmi_roms.ipynb)
provided in this package and launch binder to run the notebook.
```python
from bmi_roms import BmiRoms
import numpy as np
import matplotlib.pyplot as plt
data_comp = BmiRoms()
data_comp.initialize('config_file.yaml')
# get variable info
for var_name in data_comp.get_output_var_names():
var_unit = data_comp.get_var_units(var_name)
var_location = data_comp.get_var_location(var_name)
var_type = data_comp.get_var_type(var_name)
var_grid = data_comp.get_var_grid(var_name)
var_itemsize = data_comp.get_var_itemsize(var_name)
var_nbytes = data_comp.get_var_nbytes(var_name)
print('variable_name: {} \nvar_unit: {} \nvar_location: {} \nvar_type: {} \nvar_grid: {} \nvar_itemsize: {}'
'\nvar_nbytes: {} \n'. format(var_name, var_unit, var_location, var_type, var_grid, var_itemsize, var_nbytes))
# get time info
start_time = data_comp.get_start_time()
end_time = data_comp.get_end_time()
time_step = data_comp.get_time_step()
time_unit = data_comp.get_time_units()
time_steps = int((end_time - start_time)/time_step) + 1
print('start_time:{} \nend_time:{} \ntime_step:{} \ntime_unit:{} \ntime_steps:{} \n'.format(
start_time, end_time, time_step, time_unit, time_steps))
# get variable grid info
for var_name in data_comp.get_output_var_names():
var_grid = data_comp.get_var_grid(var_name)
grid_rank = data_comp.get_grid_rank(var_grid)
grid_size = data_comp.get_grid_size(var_grid)
grid_shape = np.empty(grid_rank, int)
data_comp.get_grid_shape(var_grid, grid_shape)
grid_spacing = np.empty(grid_rank)
data_comp.get_grid_spacing(var_grid, grid_spacing)
grid_origin = np.empty(grid_rank)
data_comp.get_grid_origin(var_grid, grid_origin)
print('var_name: {} \ngrid_id: {}\ngrid_rank: {} \ngrid_size: {} \ngrid_shape: {} \ngrid_spacing: {} \ngrid_origin: {} \n'.format(
var_name, var_grid, grid_rank, grid_size, grid_shape, grid_spacing, grid_origin))
# get variable data
data = np.empty(1026080, 'float64')
data_comp.get_value('time-averaged salinity', data)
data_3D = data.reshape([40, 106, 242])
# get lon and lat data
lat = np.empty(25652, 'float64')
data_comp.get_value('latitude of RHO-points', lat)
lon = np.empty(25652, 'float64')
data_comp.get_value('longitude of RHO-points', lon)
# make a contour plot
fig = plt.figure(figsize=(10,7))
im = plt.contourf(lon.reshape([106, 242]), lat.reshape([106, 242]), data_3D[0], levels=36)
fig.colorbar(im)
plt.axis('equal')
plt.xlabel('Longitude [degree_east]')
plt.ylabel('Latitude [degree_north]')
plt.title('ROMS model data of time-averaged salinity')
```
نیازمندی
| مقدار | نام |
|---|---|
| - | bmipy |
| - | netcdf4 |
| - | numpy |
| - | pyyaml |
| - | requests |
| - | xarray |
نحوه نصب
نصب پکیج whl bmi-roms-0.1.0:
pip install bmi-roms-0.1.0.whl
نصب پکیج tar.gz bmi-roms-0.1.0:
pip install bmi-roms-0.1.0.tar.gz