小朋友你是否有很多问号（一）

问题1 uvmet10 和 wspd_wdir10有什么区别

这俩变量有什么不同 按官网的解释看起来是坐标系不同，但实际有什么区别还是不清楚

https://www.heywhale.com/mw/notebook/655ec29e998f42fde5818d35

以上解释得很清楚了，就不重复做了

问题2：使用wrf-python在绘制温度剖面图时，图中黑线是添加的地形高度变量（HGT），eta在近地层设置的层数很多很密，为什么会出现图中近地面空白区？

在WRF中，温度剖面图（Sounding）通常使用eta层数据来绘制。eta层数据通常是从地面开始的一系列等间隔垂直高度层，这些高度层往往非常密集，尤其是在近地面层。然而，由于地形高度变化的存在，eta层在地形上可能会产生变化，导致某些高度层没有数据，进而出现图中近地面空白区的情况。 目前的解决办法是对nan值进行替换，具体可以参考wrf-python官方示例的处理

# To remove the slight gap between the dbz contours and terrain due to the    
# contouring of gridded data, a new vertical grid spacing, and model grid    
# staggering, fill in the lower grid cells with the first non-missing value    
# for each column.    

# Make a copy of the z cross data. Let's use regular numpy arrays for this.    
dbz_cross_filled = np.ma.copy(to_np(dbz_cross))    

# For each cross section column, find the first index with non-missing    
# values and copy these to the missing elements below.    
for i in range(dbz_cross_filled.shape[-1]):    
    column_vals = dbz_cross_filled[:,i]    
    # Let's find the lowest index that isn't filled. The nonzero function    
    # finds all unmasked values greater than 0. Since 0 is a valid value    
    # for dBZ, let's change that threshold to be -200 dBZ instead.    
    first_idx = int(np.transpose((column_vals > -200).nonzero())[0])
    dbz_cross_filled[0:first_idx, i] = dbz_cross_filled[first_idx, i]

效果如上

问题3：parent_grid_ratio = 1, 3这个为啥最好3或5，不能是偶数呢

在WRF中，parent_grid_ratio参数是用于定义父域和子域之间的水平分辨率比例。一般情况下，建议将parent_grid_ratio设置为奇数，例如3或5，而不是偶数。

这是因为在WRF模型中，父域和子域之间的网格点位置是通过插值计算得到的。当parent_grid_ratio为奇数时，插值计算相对容易，因为可以使用更多的父域网格点来计算子域网格点位置，不会出现网格点位置落在父域网格点之间的情况。而当parent_grid_ratio为偶数时，插值计算会更加复杂，因为子域网格点需要考虑如何与父域网格点进行插值，可能会导致数据插值误差的增加。

此外，将parent_grid_ratio设置为奇数还有助于避免在边界处产生奇异点（singular point）的问题。奇异点是指在网格交错区域出现的数值不稳定现象，可能导致数值计算错误。

总之，使用奇数的parent_grid_ratio可以减小插值误差，并提高模拟结果的准确性和稳定性。因此，建议在WRF模型中将parent_grid_ratio设置为奇数，如3或5

from chatgpt

问题4：请问有大佬用python处理过网格，将曲线网格（curve linear）重采样为经纬网格（lonlat）的吗

xesmf库或者ncl里面的rcm2rgrid_Wrap函数可以实现

xesmf库使用可以参考我往期推文关于WRF插值站点的二三事

问题5：请教一下各位前辈，如何利用wrfout输出变量计算液态水含量（LWC）和能见度（vis）呢？

LWC计算: 说法不一，有人说是QCLOUD ,有人说用大气物理学书上的公式

气象家园截图

能见度计算：方法一：

https://www.heywhale.com/mw/project/6210d9b368364e0017a4659f

方法二：

Hi, You can always use a formula to convert liquid water content (LWC) (QCLOUD) at the lowest level into visibility. See for example the formulas given in the next paper: Kunkel BA. 1984. Parameterization of droplet terminal velocity and extinction coefficient in fog models. J. Clim. Appl. Meteorol. 23: 34–41. Best regards. Carlos 2016-02-16 17:09 GMT+01:00 Tiago Luna <tiagoluna at ua.pt>: Some years ago I came across with this work: https://www.researchgate.net/profile/Ji_Woo_Lee/publication/277004271_Predictability_Experiments_of_Fog_and_Visibility_in_Local_Airports_over_Korea_using_the_WRF_Model/links/555d00b608ae8c0cab2a6aef.pdf Please take a moment to read it and search for some of it's references. I don't know if there is any recent work about this. Regards, Luna On 15-02-2016 05:27, Sundar J wrote: As the subject suggest, is there any formula exist for calculating surface visibility? I have seen some of the weather sites which shows the visibility plots (mostly from GFS as input data). Is there any way that to plot the surface visiblity parameter using parameters from wrfout file? I have read some of the some of the scientific paper which indicates none of the models has visibility as one of the output parameter. Why does it so? Regards

The formula for calculating Liquid Water Content (LWC) in the WRF model is not explicitly provided in the standard output. However, you can calculate LWC using the cloud water mixing ratio (QCLOUD) from the model output. The LWC can be calculated by multiplying QCLOUD by the density of air (ρ) at the corresponding level: LWC=QCLOUD×ρ Where: ( LWC ) is the Liquid Water Content in ( g/m^3 ) ( QCLOUD ) is the cloud water mixing ratio in ( g/kg ) ( \rho ) is the density of air in ( kg/m^3 ) Please note that QCLOUD is a standard variable in the WRF model output, and the air density can be calculated from the model’s pressure and temperature fields using the ideal gas law1. For visibility calculations or other specific applications, you may need to refer to specialized formulas or research papers that provide parameterizations for converting LWC to the desired units or for use in specific models1. For example, Kunkel (1984) provides parameterizations for droplet terminal velocity and extinction coefficient in fog models, which may be relevant depending on your application1. Remember to check the specific details and assumptions of the WRF model configuration you are using, as these can affect the calculation of LWC. by newbing

问题6：wrf输出文件里面的north-south-stag和north-south有什么区别？应该怎么处理呢

在WRF模型的输出文件中，"north-south-stag"和"north-south"是与垂直方向（南北向）网格点相关的变量，它们之间的区别在于：

1. "north-south-stag"：
   • 这些变量代表了南北向的垂直方向上的“位置”或“节点”，通常表示为"南-北向-分层"（south-north-stag）。
   • 这些变量通常对应于模型计算网格的边界或者层次结构的节点。
   • 在WRF中，"north-south-stag"通常用于表示物理量在南北向垂直网格点之间位置的值，例如风速、温度等。
2. "north-south"：
   • 这些变量代表了实际的南北向垂直网格点上的物理量的值。
   • 这些变量对应于模型计算网格的实际数据点，通常是用于表示物理量在南北向垂直网格点上的值，例如气压、温度、湿度等。

在处理这两种类型的变量时，需要根据具体的需求和使用情境进行处理。一般来说，如果需要进行插值或者计算某些物理量在实际数据点上的值，通常会使用"north-south"类型的变量。而如果需要处理网格节点之间的物理量取值，可能需要考虑使用"north-south-stag"类型的变量。

处理这些变量的具体方法可能涉及到插值、网格点对应关系的处理等操作，具体的处理方法可能取决于你所使用的数据处理工具或编程语言以及具体的需求。

from chatgpt

问题7: 有没有做过cmip6驱动WRF啊，下载下来的数据如何处理

已有公开的数据集与程序，网址：https://www.scidb.cn/en/detail?dataSetId=791587189614968832 程序为Fortran，需要的自行探索

问题8：垂直剖面图怎么画啊， 不是沿着经纬网那种

https://wrf-python.readthedocs.io/en/latest/plot.html

以上为官网示例

问题9：大佬们，有人懂怎么把 grib2 格式文件解码成 micaps4 格式的方法吗

meteva的showdoc有格式转换的介绍，用bing搜meteva第一个网址就是

问题10：有大佬做过风电场 wrfout 风场的订正,模式结果和实测偏差较大，这个有订正的好办法吗

订正WRF模式输出的风场数据是一个很常见的问题，尤其对于风电场的运营和管理非常重要。以下是一些可能有用的方法：

1. 基于统计回归的方法：通过将模式输出的风速和实测风速进行比较，建立一个统计回归方程来订正模式输出的风速。这个方法需要有足够的实测数据和模式输出数据，以及能力来处理大量数据和运行回归分析等数学工具。
2. 人工神经网络 (ANN) 方法：ANN方法可以建立一个基于历史数据的神经网络模型，通过输入模式输出的风速和其他气象变量，输出一个更准确的风速预测值。该方法需要有大量的历史数据来训练神经网络，并且需要有相当的编程和数据处理技能。
3. 物理修正方法：这种方法涉及到对模式中物理参数的修正。例如，可以通过修改大气边界层参数化方案、微物理方案等物理参数来提高模式输出的准确性。但这种方法需要对物理过程具有相当的了解和经验，并且需要进行大量的试验和验证。
4. 数据同化方法：数据同化方法可以将模式输出的风速数据与实测数据进行融合，以产生更准确的风速预测。这种方法需要使用数据同化技术，例如卡尔曼滤波或变分同化等，需要较高的数学和程序处理技能。

无论采用哪种方法，订正模式输出的风速都需要有足够的实测数据来验证修正的效果，并且需要进行大量的试验和调整以获得最佳结果。建议在使用任何方法之前，先对模式输出数据和实测数据进行详细的分析，以了解偏差的来源和性质，并根据具体情况选择合适的订正方法。

from chatgpt

问题10：请教一下，wrfout用作热启动时，还能修改参数化方案吗？

可以修改，可以用restart文件，restart相关讨论

https://bbs.06climate.com/forum.php?mod=viewthread&tid=36404