Climatological product

Climatological product#

Setelah membaca chapter ini, pembaca diharapkan dapat membuat produk klimatologis (peta spasial dan diagram windrose) berdasarkan wilayah pelayanan provinsi.

Intro#

Pada chapter sebelumnya, kita telah mencoba mengolah data multi dimensi menggunakan data sampel, mulai dari operasi dasar hingga visualisasi data pada peta spasial. Chapter ini akan menggabungkan beberapa chapter sebelumnya untuk membuat produk klimatologi spasial, area, dan titik. Terdapat tiga proses:

load data: inacawo, inawaves, dan inaflows. Khusus untuk pelatihan ini, data sample tersedia selama tahun 2020-2025 untuk inawaves dan inaflows, serta 2025-sekarang untuk inacawo.
preprocess data: agregrasi (perhitungan klimatologi).
plot data: peta spasial, wind & wave rose.

Dalam hal ini, kita akan menggunakan template script yang telah disimpan dalam bentuk modul (klimtool.py) untuk mempermudah pemrosesan.

Script klimtool.py berisi beberapa class, namun hanya class klimtool yang akan dipanggil di notebook ini. class klimtool memiliki method yang ditujukan sebagai data loader, preprocessor, hingga plotter. Untuk setiap langkah yang diselesaikan dengan memanggil modul tersebut, terdapat penjelasan singkat agar pembaca dapat memahami alur dari pemrosesan data.

Load module & dataset#

Method	Deskripsi	Argumen mandatory
`klimtool.open_inawaves`	Membuka dataset inawaves	- `tstart: datetime` \| - `tend: datetime` \| - `latlon: list[float]`
`klimtool.open_inaflows`	Membuka dataset inaflows	- `tstart: datetime` \| - `tend: datetime` \| - `latlon: list[float]`
`klimtool.open_inacawo`	Membuka dataset inacawo	- `tstart: datetime` \| - `tend: datetime` \| - `latlon: list[float]`

dimana

tstart | tend -> masing-masing merupakan batas waktu awal dan akhir.
latlon -> list berisi batas kiri dan kanan (longitude) serta bawah dan atas (latitude).

Load module#

from klimtool import klimtool # main module

import xarray as xr
import datetime
import geopandas as gpd
import rioxarray
import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
from windrose import WindroseAxes

klimtool = klimtool()

Definisikan batas waktu dan area#

timestart = datetime.datetime(2020,1,1)
timeend   = datetime.datetime(2025,5,1)
lonw = 90
lone = 145
latb = -15
latt = 15
latlon = [lonw, lone, latb, latt]

Load Inawaves#

%%time
dsinawaves = klimtool.open_inawaves(tstart=timestart, tend=timeend, latlon=latlon)
dsinawaves

/home/tyo/marinemet-training/2_/klimtool.py:506: FutureWarning: In a future version of xarray decode_timedelta will default to False rather than None. To silence this warning, set decode_timedelta to True, False, or a 'CFTimedeltaCoder' instance.
  dset = xr.open_zarr(self.__INAWAVE_PATH__)

CPU times: user 1.01 s, sys: 250 ms, total: 1.26 s
Wall time: 3.58 s

<xarray.Dataset> Size: 396GB
Dimensions:  (time: 14616, lat: 481, lon: 881)
Coordinates:
  * lat      (lat) float64 4kB -15.0 -14.94 -14.88 -14.81 ... 14.88 14.94 15.0
  * lon      (lon) float64 7kB 90.0 90.06 90.12 90.19 ... 144.9 144.9 145.0
  * time     (time) datetime64[ns] 117kB 2020-01-01 ... 2024-12-31T21:00:00
Data variables: (12/16)
    dir      (time, lat, lon) float32 25GB dask.array<chunksize=(240, 481, 881), meta=np.ndarray>
    hmax     (time, lat, lon) float32 25GB dask.array<chunksize=(240, 481, 881), meta=np.ndarray>
    hs       (time, lat, lon) float32 25GB dask.array<chunksize=(240, 481, 881), meta=np.ndarray>
    lm       (time, lat, lon) float32 25GB dask.array<chunksize=(240, 481, 881), meta=np.ndarray>
    pdi00    (time, lat, lon) float32 25GB dask.array<chunksize=(240, 481, 881), meta=np.ndarray>
    pdi01    (time, lat, lon) float32 25GB dask.array<chunksize=(240, 481, 881), meta=np.ndarray>
    ...       ...
    ptp00    (time, lat, lon) float32 25GB dask.array<chunksize=(240, 481, 881), meta=np.ndarray>
    ptp01    (time, lat, lon) float32 25GB dask.array<chunksize=(240, 481, 881), meta=np.ndarray>
    ptp02    (time, lat, lon) float32 25GB dask.array<chunksize=(240, 481, 881), meta=np.ndarray>
    t01      (time, lat, lon) float32 25GB dask.array<chunksize=(240, 481, 881), meta=np.ndarray>
    uwnd     (time, lat, lon) float32 25GB dask.array<chunksize=(240, 481, 881), meta=np.ndarray>
    vwnd     (time, lat, lon) float32 25GB dask.array<chunksize=(240, 481, 881), meta=np.ndarray>
Attributes:
    Conventions:  CF-1.8
    description:  InaWaves Model - Merge Hindcast, Reanalysis, and Forecast
    email:        produksi.maritim@bmkg.go.id
    institution:  BMKG - Center For Marine Meteorology
    source:       WaveWatch3 forced by GFS Model

Load Inaflows#

%%time
dsinaflows = klimtool.open_inaflows(tstart=timestart, tend=timeend, latlon=latlon)
dsinaflows

CPU times: user 235 ms, sys: 227 ms, total: 462 ms
Wall time: 2.93 s

<xarray.Dataset> Size: 140GB
Dimensions:  (time: 14616, lat: 751, lon: 638)
Coordinates:
  * lat      (lat) float64 6kB -15.0 -14.96 -14.92 -14.88 ... 14.92 14.96 15.0
  * lon      (lon) float64 5kB 94.0 94.08 94.16 94.24 ... 144.8 144.9 145.0
  * time     (time) datetime64[ns] 117kB 2020-01-01 ... 2024-12-31T21:00:00
Data variables:
    S        (time, lat, lon) float32 28GB dask.array<chunksize=(240, 751, 638), meta=np.ndarray>
    T        (time, lat, lon) float32 28GB dask.array<chunksize=(240, 751, 638), meta=np.ndarray>
    u        (time, lat, lon) float32 28GB dask.array<chunksize=(240, 751, 638), meta=np.ndarray>
    v        (time, lat, lon) float32 28GB dask.array<chunksize=(240, 751, 638), meta=np.ndarray>
    zeta     (time, lat, lon) float32 28GB dask.array<chunksize=(240, 751, 638), meta=np.ndarray>
Attributes:
    regrid_method:  bilinear

Load Inacawo#

%%time
dsinacawo = klimtool.open_inacawo(tstart=timestart, tend=timeend, latlon=latlon)
dsinacawo

CPU times: user 5.9 s, sys: 112 ms, total: 6.02 s
Wall time: 6.03 s

<xarray.Dataset> Size: 185GB
Dimensions:  (time: 673, lat: 1200, lon: 2201)
Coordinates:
  * lat      (lat) float64 10kB -15.0 -14.97 -14.95 -14.92 ... 14.93 14.95 14.98
  * lon      (lon) float64 18kB 90.0 90.02 90.05 90.08 ... 144.9 145.0 145.0
  * time     (time) datetime64[ns] 5kB 2025-04-01 ... 2025-05-01
Data variables: (12/27)
    S        (time, lat, lon) float32 7GB dask.array<chunksize=(24, 1200, 2201), meta=np.ndarray>
    T        (time, lat, lon) float32 7GB dask.array<chunksize=(24, 1200, 2201), meta=np.ndarray>
    ch       (time, lat, lon) float32 7GB dask.array<chunksize=(24, 1200, 2201), meta=np.ndarray>
    cycle    (time) datetime64[ns] 5kB dask.array<chunksize=(24,), meta=np.ndarray>
    dir      (time, lat, lon) float32 7GB dask.array<chunksize=(24, 1200, 2201), meta=np.ndarray>
    gust     (time, lat, lon) float32 7GB dask.array<chunksize=(24, 1200, 2201), meta=np.ndarray>
    ...       ...
    uw       (time, lat, lon) float32 7GB dask.array<chunksize=(24, 1200, 2201), meta=np.ndarray>
    uwnd     (time, lat, lon) float32 7GB dask.array<chunksize=(24, 1200, 2201), meta=np.ndarray>
    v        (time, lat, lon) float32 7GB dask.array<chunksize=(24, 1200, 2201), meta=np.ndarray>
    vw       (time, lat, lon) float32 7GB dask.array<chunksize=(24, 1200, 2201), meta=np.ndarray>
    vwnd     (time, lat, lon) float32 7GB dask.array<chunksize=(24, 1200, 2201), meta=np.ndarray>
    zeta     (time, lat, lon) float32 7GB dask.array<chunksize=(24, 1200, 2201), meta=np.ndarray>
Attributes:
    contact:      produksi.maritim@bmkg.go.id
    conventions:  CF-1.8
    description:  Indonesia Coupled Atmosphere Wave Ocean (InaCAWO)
    institution:  BMKG - Center For Marine Meteorology
    source:       InaCAWO - 3km High Resolution

Processing - Agregrasi data#

Tahap processing pada pembuatan produk klimatologi dilakukan dengan tujuan untuk melakukan agregrasi statistik sesuai dengan kebutuhan analisis klimatologi. Setidaknya terdapat tiga hal yang mesti diperhatikan, yaitu waktu, lokasi, dan parameter statistik.

No	Parameter	Deskripsi	Method `xarray` yang digunakan
1.	Waktu	Merujuk pada batas dan frekuensi waktu yang akan diproses. Frekuensi waktu - `1H`: per1jam (hanya untuk dataset inacawo) - `3H`: per3jam - `1D`: harian - `MS`: bulanan - `YS`: Tahunan	- `.sel` & `.isel`: seleksi batas dimensi waktu - `.groupby`: grouping dimensi waktu berdasarkan frekuensi tertentu - `resample`: resampling dimensi waktu
2.	Lokasi	Merujuk pada batas spasial \| area wilayah provinsi \| atau lokasi titik	- `.sel` & `.isel`: seleksi batas dimensi waktu - `clipping` kombinasi dengan `geopandas` & `rioxarray` untuk memotong area wilayah provinsi
3.	Statistik	Merujuk pada parameter statistik untuk proses agregrasi data. Parameter yang umum digunakan: - rata-rata - maximum - minimum - standar deviasi - percentile	- `.mean` \| `.max` \| `.min` \| `.std` \| `.sum` \| `.median` \| `.quantile`

Klimatologi Spasial#

Method	Deskripsi	Argument mandatory	Opsi
`klimtool.plot_map`	Plotting untuk peta spasial	1. `model:str` 2. `ds:Dataset` 3. `timefreq:str` 4. `var:str` 5. `area_type:str` 6. `area_name:str` 7. `map_title: str` 8. `out_dir:str`	1. `inawave` \| `inaflow` \| `inacawo` 2. `xarray.Dataset` 3. `1H` \| `MS` 4. `swh` \| `ws` \| `psh` \| `wsh` \| `csd` \| `s` \| `st` \| `sl` 5. `wilpro` \| `False` 6. `indonesia` \| `aceh` \| `babel` \| `bali` \| `banten` \| `bengkulu` \| `diy` \| `dki_jabar` \| `gorontalo` \| `jambi` \| `jateng` \| `jatim` \| `kalbar` \| `kalsel` \| `kaltara` \| `kalteng` \| `kaltim` \| `kep_riau` \| `lampung` \| `maluku` \| `maluku_utara` \| `ntb` \| `ntt` \| `papua_barat` \| `papua_barat_daya` \| `papua_selatan` \| `papua_tengah` \| `riau` \| `sulbar` \| `sulsel` \| `sulteng` \| `sultra` \| `sulut` \| `sumbar` \| `sumut` \| `sumsel` 7. `False` \| Custom 8. Custom

Processing#

Batas lokasi sudah didefine waktu proses load dataset, sehingga di tahap ini tidak perlu diulang. Kecuali jika pembaca menghendaki untuk area yang lebih spesifik, maka dataset bisa diseleksi untuk area yang diinterest.

Oleh karena itu, pada tahap ini, kita bisa melakukan proses agregasi sesuai dengan parameter statistik yang dibutuhkan.

Pada case ini, kita akan mencoba melakukan agregasi dataset inawaves untuk menghitung nilai rata-rata bulanan dan harian.

dsinawavesagregated = dsinawaves.groupby('time.month')
dsinawavesmean = dsinawavesagregated.mean()

Proses diatas menghasilkan grouped dataset berdasarkan bulanan. Tiap-tiap grup berisi dataset untuk bulan tersebut selama periode waktu tersimpan dalam dataset.

Selain .groupby, kita juga bisa menggunakan .resample dengan sedikit perubahan syntax.

dsinawaves.resample(time='MS')

Untuk mendapatkan nilai rata-rata, method .mean bisa dijalankan, kita simpan dalam variabel dsinawavesmean.

Proses diatas menghasilkan dataset berisi rata-rata bulanan selama periode waktu tersimpan di dataset (5 tahun, 2020-2024). Selanjutnya, kita dapat melakukan plotting.

Plotting#

%%time
dsinawavesmean = xr.open_dataset("/data/local/marine-training/data/ofs/inawaves_monthly.nc")

model     = 'inawave'
ds        = dsinawavesmean.isel(month=0)
timefreq  = 'MS'
var       = 'swh'
area_type = 'wilpro'
area_name = 'indonesia' # ganti sesuai wilayah provinsi untuk menampilkan shp
map_title = 'Klimatologi SWH bulan January (2020-2024)'
file_out   = 'out/spasial/klimatologi_swh_january.png'

if not os.path.exists(os.path.dirname(file_out)):
    os.makedirs(os.path.dirname(file_out))

klimtool.plot_map(
    model=model,
    ds=ds,
    timefreq=timefreq,
    var=var,
    area_type=area_type,
    area_name=area_name,
    map_title=map_title,
    file_name=file_out
)

24
17.725174701023914

File tersimpan di out/spasial/klimatologi_swh_january.png
CPU times: user 2.43 s, sys: 95.7 ms, total: 2.52 s
Wall time: 2.63 s

../_images/36c6fcc3957ef3549d700e0cf9e10c5edf29c51c94ae8a299b6fa5d0f133da67.png

dsinaflowsmean = xr.open_dataset("/data/local/marine-training/data/ofs/inaflows_monthly.nc")

model     = 'inaflow'
ds        = dsinaflowsmean.isel(month=0)
timefreq  = 'MS'
var       = 'csd'
area_type = 'wilpro' # ganti sesuai wilayah pelayanan, atau biarkan kosong
area_name = 'indonesia' # ganti sesuai wilayah pelayanan, atau biarkan kosong
map_title = 'Klimatologi SWH bulan January (2020-2024)'
file_out   = 'out/spasial/klimatologi_swh_january.png'

if not os.path.exists(os.path.dirname(file_out)):
    os.makedirs(os.path.dirname(file_out))

klimtool.plot_map(
    model=model,
    ds=ds,
    timefreq=timefreq,
    var=var,
    area_type=area_type,
    area_name=area_name,
    map_title=map_title,
    file_name=file_out
)

18
13.810792149686822

File tersimpan di out/spasial/klimatologi_swh_january.png

../_images/7959363ff333ebf861e036328ff8151c75068ea8e04589855b808f3f76222272.png

💡 Worth to try: Batch plotting#

Batch plotting menggunakan loop untuk memplot banyak waktu. Bagaimana skenarionya?

Looping berdasarkan dimensi waktu, tentunya setelah dataset dilakukan proses agregasi.
Perlu menyiapkan argumen dinamis (dalam hal ini map_title dan file_name) yang disimpan dalam bentuk collection (prefer menggunakan list) sebagai inputan fungsi klimtool.plot_map untuk menghindari duplikasi file. Sisa argumen bisa dibiarkan statis (tanpa diubah sepanjang proses loop).

Example ⚠️(Error excpected)⚠️, adjust to your data:

model     = 'inawave'
timefreq  = 'MS'
var       = 'sw'
area_type = 'wilpro'
area_name = 'indonesia'

timelist       = yourdataset.timedimension.data
# Generate title bisa menggunakan method `.strftime` dari built in method dari `datetime.datetime`
list_map_title = ['your', 'map_title', 'list']
list_file_out  = ['your', 'file_name', 'list']

for t, time in enumerate(yourdataset.timedimension.data):
    dset2plot = yourdataset.sel(timedimension=time)
    map_title = list_map_title[t]
    file_name = list_file_out[t]
    klimtool.plot_map(
        model=model,
        ds=dset2plot,
        timefreq=timefreq,
        var=var,
        area_type=area_type,
        area_name=area_name,
        map_title=map_title,
        file_name=file_out
    )

# Your script here

Klimatologi Area dan titik#

Method	Deskripsi	Argument mandatory
`klimtool.plot_rose`	Memulai plotting untuk wind atau wave rose	`model:str` \| `var:str` \| `ds:xarray.Dataset` \| `bins: str` \| `map_title: str` \| `file_name` \| `out_dir:str`

Processing - Titik dan Area#

Output akhir pada proses ini adalah dalam bentuk titik dan time series.

Lokasi	Deskripsi	Method
Area	Area spasial yang ditentukan melalui batas latitude dan longitude atau mengikuti Wilayah Provinsi	- `.sel` dan `.isel` - `rioxarray.clip`
Titik	Lokasi di satu titik	- `sel` dan `.isel` - `interpolate`

Dataset yang telah diseleksi untuk area tertentu dilakukan pemrosesan agregasi spasial untuk mendapatkan data time series. Pada kesempatan ini, kita hanya akan membahas agregasi rata-rata spasial .mean.

Dalam hal ini, kita akan memproses dataset menggunakan method .resample untuk mendapatkan rata-rata bulanan selama lima tahun terakhir.

Titik#

Pada case ini, kita akan mencoba untuk memproses lokasi lat lon berikut: -10 & 106.84.

Processing#

Nilai ditarik menggunakan metode nearest untuk mendapatkan grid terdekat dengan titik tersebut.

dsinawaves.resample(time='MS').mean()

Plotting#

# inawaves

dsrose         = xr.open_zarr("/data/local/marine-training/data/ofs/inawaves_monthly_mean.zarr")
dsrose         = dsrose.sel(lon=106.84, lat=-10, method='nearest')
dsrosegrouped  = dsrose.groupby('time.month')
dsroseplot     = dsrosegrouped[1] # bulan januari

model     = 'inawave'
var       = 'swh'
ds        = dsroseplot
map_title = 'Wave rose (direction from)'
file_name = 'wave_rose.png'
dist      = sorted([5] + [int(num) for num in np.arange(0, 41, 10)])

klimtool.plot_rose(model, var, ds, dist, map_title, file_name)

File saved at wave_rose.png

../_images/599e0577ffb9b3d1d4fa606042bdc542ff27e00d53d8507bbd96b2f8bc67d5aa.png

# inaflows

dsrosef         = xr.open_zarr("/data/local/marine-training/data/ofs/inaflows_monthly_mean.zarr")
dsrosef         = dsrosef.sel(lon=106.84, lat=-10, method='nearest')
dsrosegroupedf  = dsrosef.groupby('time.month')
dsroseplotf     = dsrosegroupedf[1] # bulan januari

model     = 'inaflow'
var       = 'csd'
ds        = dsroseplotf
map_title = 'Current rose (direction to)'
file_name = 'cur_rose.png'
dist      = sorted([5] + [int(num) for num in np.arange(0, 41, 10)])

klimtool.plot_rose(model, var, ds, dist, map_title, file_name)

File saved at cur_rose.png

../_images/43fb52a15190d82f57b2ee8d1ec390a3839e14b51fa2c53746b7058290a4ad08.png

Multi panel plot#

numcols = 3
numrows = 4
list_title = [month.strftime("Klimatologi bulan %B (2020-2024)") for month in pd.date_range('2020-01-01', '2020-12-01', freq='MS')]

fig  = plt.figure(figsize=(20, 20))
gs   = gridspec.GridSpec(4, 3)  # 4 rows, 3 columns
bins = sorted([5] + [int(num) for num in np.arange(0, 41, 10)])

for i in range(len(list_title)):
    row = i // 3
    col = i % 3
    ax = WindroseAxes(fig, gs[row, col])
    fig.add_axes(ax)
    
    month = i+1
    dsroseplot = dsrosegrouped[month]
    map_title = list_title[i]
    file_name = f"roseplot_{month:02d}.png"  # e.g., roseplot_01.png, roseplot_12.png
    
    klimtool.plot_rose(
        model=model,
        var='swh',
        ds=dsroseplot,
        dist=bins,
        map_title=map_title,
        file_name=file_name,
        ax=ax
    )
    if i == 11:
        legend_ax = ax

handles, labels, title = klimtool.get_color_legend_patches('swh')
fig.legend(
    handles=handles,
    labels=labels,
    title="Significant Wave Height (m)",
    loc='center left',
    bbox_to_anchor=(1.05, 0.5),
    fontsize=10,
    title_fontsize=11,
    ncol=1
)
legend = legend_ax.get_legend()
if legend is not None:
    legend.remove()

# plt.tight_layout(rect=[0, 0, 0.9, 1])
plt.tight_layout()
plt.show()

../_images/b67aac2321e266d42327714eeb7eca21be47d095896218b1e412d1c91ab5961f.png

Area#

Pada case ini, kita akan mencoba untuk memproses salah satu wilayah Provinsi (Selat Sunda Selatan Lampung).

Processing#

dsrose = xr.open_zarr("/data/local/marine-training/data/ofs/inawaves_monthly_mean.zarr")
shp    = gpd.read_file("/data/local/shpmetoswilpro/METOS_WILPRO_20231018.shp")
shp.columns

Index(['FID_METOS_', 'OBJECTID', 'DIS', 'Perairan', 'Met_Area', 'Label', 'ID',
       'sub_ID', 'ID_MAR', 'ID_Stat', 'wilpro', 'geometry'],
      dtype='object')

Check wilayah masing-masing UPT#

shp.Perairan.unique()

array([None, 'Aceh', 'Sumatra Utara', 'Riau', 'Sumatra Barat', 'Bengkulu',
       'Jambi', 'Sumatra Selatan', 'Jawa Barat', 'Jawa Tengah',
       'Kep. Riau', 'Kalimantan Barat', 'Kep. Bangka Belitung',
       'DKI Jakarta', 'Kalimantan Selatan', 'Kalimantan Utara',
       'Kalimantan Timur', 'Nusa Tenggara Barat', 'Nusa Tenggara Timur',
       'Gorontalo', 'Sulawesi Tengah', 'Sulawesi Selatan', 'Maluku Utara',
       'Sulawesi Utara', 'Papua', 'Papua Tengah', 'Papua Selatan',
       'DI Yogyakarta', 'Maluku', 'Sulawesi Barat', 'Kalimantan Tengah',
       'Jawa Timur', 'Banten', 'Lampung', 'Papua Barat Daya',
       'Papua Barat', 'Sulawesi Tenggara', 'Bali'], dtype=object)

# Check Wilayah Provinsi masing-masing
shp[shp['Perairan'] == 'Lampung'] # <= ganti Lampung sesuai UPT masing-masing

	FID_METOS_	OBJECTID	DIS	Perairan	Met_Area	Label	ID	sub_ID	ID_MAR	ID_Stat	wilpro	geometry
82	2	2	1.0	Lampung	None	P	1	None	P.H.1	H	Perairan Barat Lampung	POLYGON Z ((103.59724 -4.92487 0, 103.59766 -4...
241	2	2	1.0	Lampung	None	P	6	None	P.H.6	H	Perairan Timur Lampung Bagian Utara	POLYGON Z ((106.04205 -4.18244 0, 106.01839 -4...
318	2	2	1.0	Lampung	None	P	3	None	P.H.3	H	Perairan Teluk Lampung Bagian Utara	POLYGON Z ((105.29076 -5.44539 0, 105.29065 -5...
319	2	2	1.0	Lampung	None	P	4	None	P.H.4	H	Perairan Teluk Lampung Bagian Selatan	POLYGON Z ((105.31247 -5.82966 0, 105.31266 -5...
353	2	2	1.0	Lampung	None	P	5	None	P.H.5	H	Perairan Timur Lampung Bagian Selatan	POLYGON Z ((106.40101 -4.90384 0, 106.48096 -4...
354	2	2	1.0	Lampung	None	P	2	None	P.H.2	H	Selat Sunda Selatan Lampung	POLYGON Z ((104.60664 -5.49737 0, 104.60692 -5...

Clip dataset#

shp_sel = shp[shp['wilpro'] == 'Selat Sunda Selatan Lampung']
shp_sel

	FID_METOS_	OBJECTID	DIS	Perairan	Met_Area	Label	ID	sub_ID	ID_MAR	ID_Stat	wilpro	geometry
354	2	2	1.0	Lampung	None	P	2	None	P.H.2	H	Selat Sunda Selatan Lampung	POLYGON Z ((104.60664 -5.49737 0, 104.60692 -5...

# QUICK PLOT
shp_sel.plot()

<Axes: >

../_images/2db90b7b16b0152776a7decb4b13083ce60f1c3999e52530bfe795ebeb71159b.png

shp_sel = shp_sel.to_crs("EPSG:4326")
dset_clipped = dsrose.rio.write_crs("EPSG:4326").rio.clip(shp_sel.geometry, shp_sel.crs, drop=True)
dset_clipped

<xarray.Dataset> Size: 865kB
Dimensions:      (lat: 15, lon: 15, time: 60)
Coordinates:
  * lat          (lat) float64 120B -6.438 -6.375 -6.312 ... -5.625 -5.562
  * lon          (lon) float64 120B 104.4 104.4 104.5 ... 105.1 105.2 105.2
  * time         (time) datetime64[ns] 480B 2020-01-01 2020-02-01 ... 2024-12-01
    spatial_ref  int64 8B 0
Data variables: (12/16)
    dir          (time, lat, lon) float32 54kB dask.array<chunksize=(1, 15, 15), meta=np.ndarray>
    hmax         (time, lat, lon) float32 54kB dask.array<chunksize=(1, 15, 15), meta=np.ndarray>
    hs           (time, lat, lon) float32 54kB dask.array<chunksize=(1, 15, 15), meta=np.ndarray>
    lm           (time, lat, lon) float32 54kB dask.array<chunksize=(1, 15, 15), meta=np.ndarray>
    pdi00        (time, lat, lon) float32 54kB dask.array<chunksize=(1, 15, 15), meta=np.ndarray>
    pdi01        (time, lat, lon) float32 54kB dask.array<chunksize=(1, 15, 15), meta=np.ndarray>
    ...           ...
    ptp00        (time, lat, lon) float32 54kB dask.array<chunksize=(1, 15, 15), meta=np.ndarray>
    ptp01        (time, lat, lon) float32 54kB dask.array<chunksize=(1, 15, 15), meta=np.ndarray>
    ptp02        (time, lat, lon) float32 54kB dask.array<chunksize=(1, 15, 15), meta=np.ndarray>
    t01          (time, lat, lon) float32 54kB dask.array<chunksize=(1, 15, 15), meta=np.ndarray>
    uwnd         (time, lat, lon) float32 54kB dask.array<chunksize=(1, 15, 15), meta=np.ndarray>
    vwnd         (time, lat, lon) float32 54kB dask.array<chunksize=(1, 15, 15), meta=np.ndarray>
Attributes:
    Conventions:  CF-1.8
    description:  InaWaves Model - Merge Hindcast, Reanalysis, and Forecast
    email:        produksi.maritim@bmkg.go.id
    institution:  BMKG - Center For Marine Meteorology
    source:       WaveWatch3 forced by GFS Model

# QUICK PLOT
dset_clipped['dir'].isel(time=0).plot()

<matplotlib.collections.QuadMesh at 0x7f1540b8d950>

../_images/8408e83345ea659f2b7a0a4ab13fc91423a0faba3be584d1df5124d05eb9c684.png

Agregasi spasial#

dset_clipped_mean = dset_clipped.mean(dim=['lon','lat'])
dset_clipped_mean

<xarray.Dataset> Size: 4kB
Dimensions:      (time: 60)
Coordinates:
  * time         (time) datetime64[ns] 480B 2020-01-01 2020-02-01 ... 2024-12-01
    spatial_ref  int64 8B 0
Data variables: (12/16)
    dir          (time) float32 240B dask.array<chunksize=(1,), meta=np.ndarray>
    hmax         (time) float32 240B dask.array<chunksize=(1,), meta=np.ndarray>
    hs           (time) float32 240B dask.array<chunksize=(1,), meta=np.ndarray>
    lm           (time) float32 240B dask.array<chunksize=(1,), meta=np.ndarray>
    pdi00        (time) float32 240B dask.array<chunksize=(1,), meta=np.ndarray>
    pdi01        (time) float32 240B dask.array<chunksize=(1,), meta=np.ndarray>
    ...           ...
    ptp00        (time) float32 240B dask.array<chunksize=(1,), meta=np.ndarray>
    ptp01        (time) float32 240B dask.array<chunksize=(1,), meta=np.ndarray>
    ptp02        (time) float32 240B dask.array<chunksize=(1,), meta=np.ndarray>
    t01          (time) float32 240B dask.array<chunksize=(1,), meta=np.ndarray>
    uwnd         (time) float32 240B dask.array<chunksize=(1,), meta=np.ndarray>
    vwnd         (time) float32 240B dask.array<chunksize=(1,), meta=np.ndarray>

Plotting#

dsrosegrouped = dset_clipped_mean.groupby('time.month')
dsroseplot    = dsrosegrouped[1]

model     = 'inawave'
var       = 'swh'
ds        = dsroseplot
map_title = 'Wave rose in Selat Sunda Selatan Lampung (direction from)'
file_name = 'wave_rose_sunda_selatan.png'
bins      = sorted([5] + [int(num) for num in np.arange(0, 41, 10)])

klimtool.plot_rose(model, var, ds, bins, map_title, file_name)

File saved at wave_rose_sunda_selatan.png

../_images/4f766b9023b10d78a192ce04cf6002707f5a9f2e478a2757ac83d98deb0b0d4a.png

Climatological product

Contents

Climatological product#

Intro#

Load module & dataset#

Load module#

Definisikan batas waktu dan area#

Load Inawaves#

Load Inaflows#

Load Inacawo#

Processing - Agregrasi data#

Klimatologi Spasial#

Processing#

Plotting#

💡 Worth to try: Batch plotting#

Klimatologi Area dan titik#

Processing - Titik dan Area#

Titik#

Processing#

Plotting#

Multi panel plot#

Area#

Processing#

Check wilayah masing-masing UPT#

Clip dataset#

Agregasi spasial#

Plotting#