gcm-filters 0.5.0

GCM Filters

GCM-Filters: 基于扩散的网格数据空间滤波

描述

GCM-Filters是一个Python包，它以灵活和高效的方式执行空间滤波分析。GCM-Filters算法通过类似扩散的迭代过程对场进行离散拉普拉斯平滑（Grooms et al., 2021）。该包可用于网格观测数据或由海洋、天气和气候的一般环流模型（GCMs）生成的网格数据。此类GCM数据在复杂曲线网格上，GCM-Filters拉普拉斯尊重其几何形状。通过集成dask，GCM-Filters支持在CPU和GPU上并行、离核的滤波分析。

安装

可以使用conda安装GCM-Filters

conda install -c conda-forge gcm_filters

也可以使用pip安装GCM-Filters

pip install gcm_filters

入门

要了解如何使用GCM-Filters处理您的数据，请访问GCM-Filters文档。

Binder演示

点击下面的按钮，在Binder中运行GCM-Filters的交互式演示

联系方式

在GitHub上报告错误、建议功能或查看源代码。

许可和版权

GCM-Filters许可协议为版本3的GNU Lesser General Public License。

开发工作在GitHub上完成，请访问https://github.com/ocean-eddy-cpt/gcm-filters。

如何引用GCM-Filters

如果您正在使用GCM-Filters并希望在学术出版物中引用它，我们将非常感激。我们推荐两种引用方式。

• Loose等人，（2022年）。GCM-Filters：用于网格数据扩散空间滤波的Python包。开源软件杂志，7(70)，3947，https://doi.org/10.21105/joss.03947

  以下是BibTeX条目示例

  @article{Loose2022,
     author = {Nora Loose and Ryan Abernathey and Ian Grooms and Julius Busecke and Arthur Guillaumin and Elizabeth Yankovsky and Gustavo Marques and Jacob Steinberg and Andrew Slavin Ross and Hemant Khatri and Scott Bachman and Laure Zanna and Paige Martin},
     title = {GCM-Filters: A Python Package for Diffusion-based Spatial Filtering of Gridded Data},
     journal = {Journal of Open Source Software},
     volume = {7},
     number = {70},
     pages = {3947},
     doi = {10.21105/joss.03947},
     url = {https://doi.org/10.21105/joss.03947},
     year = {2022},
     publisher = {The Open Journal},
  }
  

• Grooms等人，（2021年）。基于扩散的平滑器用于网格地球物理数据的空间滤波。地球系统建模进展，13，e2021MS002552，https://doi.org/10.1029/2021MS002552

  以下是BibTeX条目示例

  @article{Grooms2021,
     author = {Grooms, I. and Loose, N. and Abernathey, R. and Steinberg, J. M. and Bachman, S. D. and Marques, G. and Guillaumin, A. P. and Yankovsky, E.},
     title = {Diffusion-Based Smoothers for Spatial Filtering of Gridded Geophysical Data},
     journal = {Journal of Advances in Modeling Earth Systems},
     volume = {13},
     number = {9},
     pages = {e2021MS002552},
     keywords = {spatial filtering, coarse graining, data analysis},
     doi = {https://doi.org/10.1029/2021MS002552},
     url = {https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2021MS002552},
     year = {2021}
  }