📚 课程目录第1章海洋时间序列数据获取与Python环境搭建

1. 海洋时间序列数据获取与Python环境搭建

海洋时间序列分析的第一步，不是写模型，而是把"数据"和"工具"两件事同时准备好。海洋观测数据来源多样、格式各异，而Python生态中处理这些数据的库又各有分工。本节围绕三个问题展开：海洋时间序列数据从哪里来、用什么工具读、如何搭好一个能长期使用的科学计算环境，最后以一个真实海洋站点的数据获取任务收尾。

一、海洋时间序列数据的三大来源

按获取方式，海洋时间序列数据大致可分为三类，它们的时间分辨率、空间覆盖和误差特征差别很大，直接决定了后续分析方法的选取。

浮标与锚系观测是最"原始"的现场数据。以全球漂流浮标计划（GDP）的漂流浮标、TAO/TRITON热带大气海洋阵列锚系浮标、以及近岸海洋观测站为代表，它们通常以10分钟到1小时为间隔记录海表温度、盐度、风速、波浪等要素。这类数据时间连续性好、物理意义明确，但存在传感器漂移、生物附着、通信中断导致的缺测，且单点代表性有限。

卫星遥感提供大范围、准同步的海表信息，如AVHRR、MODIS海表温度，高度计海面高度异常，散射计风场。卫星数据的时间序列本质上是"过境采样"——同一位置每天可能只有1～2次有效观测，且受云覆盖影响产生大量空缺。使用前必须理解其重访周期与质量控制标记。

再分析数据（如ERA5、ORAS5、GLORYS）是同化观测与数值模式的产物，具有时空连续、变量齐全的优点，常被用作长时间序列分析的基础数据集。但再分析产品是模式输出而非直接观测，其趋势和极值需谨慎对待。实际工作中，常把浮标作为"真值"检验再分析，或用卫星填补浮标空间代表性的不足。

二、三个核心库的分工

requests负责"把文件拿下来"。多数海洋数据平台（如NOAA NCEI、Copernicus CDS、Argo GDAC）提供HTTP/FTP接口，用requests构造带参数的URL即可下载CSV或NetCDF文件。需要注意设置超时、分块写入和断点续传，避免大文件下载中断后重来。

xarray是处理NetCDF类多维数据的首选。它把数据组织成带命名维度和坐标的DataArray/Dataset，支持按标签索引（如ds.sel(time="2023-06-01")）、自动对齐和惰性加载。对海洋时间序列，xarray的最大价值在于"时间坐标"是一等公民，切片、重采样、分组统计都非常自然。

netCDF4更底层，适合需要直接操作变量、属性、分组，或处理xarray不支持的复杂NetCDF4特性的场景。日常分析中，通常用xarray打开文件，遇到特殊结构时再回退到netCDF4。

三、科学计算环境的搭建

推荐使用conda创建独立环境，避免库版本冲突。一个可用的最小环境如下：

conda create -n ocean_ts python=3.11 -y
conda activate ocean_ts
conda install -c conda-forge numpy pandas matplotlib xarray netcdf4 requests dask -y

其中dask用于让xarray对超大NetCDF文件进行分块并行读取，处理多年再分析数据时几乎是必需的。安装完成后，用一段短脚本验证环境是否可用：

import numpy, pandas, matplotlib, xarray, netCDF4, requests
print("numpy", numpy.__version__)
print("xarray", xarray.__version__)
print("netCDF4", netCDF4.__version__)

若各库均能正常导入并打印版本号，说明环境基本就绪。建议同时固定版本（导出environment.yml），保证分析结果可复现。

四、真实站点数据获取任务

下面以NOAA国家数据浮标中心（NDBC）的一个站点为例，完成一次完整的数据获取。NDBC的实时与历史数据以固定格式的文本文件提供，URL形如：

https://www.ndbc.noaa.gov/view_text_file.php?filename=41001h2023.txt.gz&dir=data/historical/stdmet/

其中41001是站点编号，h2023表示2023年标准气象数据。用requests下载并解析：

import requests, pandas as pd, io

url = ("https://www.ndbc.noaa.gov/view_text_file.php"
       "?filename=41001h2023.txt.gz&dir=data/historical/stdmet/")
resp = requests.get(url, timeout=60)
resp.raise_for_status()

# NDBC文件前两行为表头，第二行以#开头
lines = resp.text.splitlines()
header = lines[0].split()
df = pd.read_csv(io.StringIO("\n".join(lines[2:])),
                 sep=r"\s+", names=header, na_values=["99.0", "999.0", "9999.0"])

df["time"] = pd.to_datetime(df[["#YY","MM","DD","hh","mm"]]
                            .rename(columns={"#YY":"year"}))
df = df.set_index("time").sort_index()
print(df[["WTMP","WSPD"]].describe())

这段代码做了四件事：下载、跳过注释行、把NDBC的哨兵值（如99.0、999.0）转为缺失、把分散的年月日时分列合并为时间索引。运行后应能看到WTMP（海表温度）和WSPD（风速）的统计摘要。判断获取是否成功，可检查三点：时间索引是否连续、缺失比例是否合理（NDBC常有传感器故障导致的整段缺测）、数值范围是否符合物理常识（如SST在-2～35℃之间）。

若下载返回的是HTML错误页而非数据，通常是文件名或目录参数写错。可先在浏览器中打开URL确认能直接下载，再复制到代码中。对需要认证的平台（如Copernicus CDS），应把API密钥放在环境变量中，不要硬编码进脚本。

五、从文件到可分析对象

对NetCDF格式的再分析或卫星数据，读取方式略有不同。以xarray打开一个假设的月平均SST文件为例：

import xarray as xr
ds = xr.open_dataset("sst_monthly.nc")
sst = ds["sst"].sel(lat=slice(20, 30), lon=slice(110, 125))
ts = sst.mean(dim=["lat", "lon"])   # 区域平均时间序列
ts.plot()

这里sel按经纬度切片，mean沿空间维求平均得到时间序列。实际使用中要留意经度是0～360还是-180～180、纬度是递增还是递减，否则切片会得到空结果。建议在读取后先打印ds查看维度顺序和坐标范围，再决定切片方向。

至此，数据来源、读取工具和环境三件事已经打通。后续所有时间序列分析——趋势、周期、突变、相关——都建立在这一步得到的、时间轴干净且缺测已标记的数据对象之上。把这一步做扎实，比在分析阶段反复修补数据要省力得多。