革命性Python气象数据下载工具Herbie一篇文章读懂15数值天气预报模型【免费下载链接】HerbieDownload numerical weather prediction datasets (HRRR, RAP, GFS, IFS, etc.) from NOMADS, NODD partners (Amazon, Google, Microsoft), ECMWF open data, and the University of Utah Pando Archive System.项目地址: https://gitcode.com/gh_mirrors/her/Herbie在气象科研与行业应用中下载数值天气预报模型数据是绕不开的第一步。HRRR、GFS、RAP、GEFS、IFS……面对 15 种以上的数值天气预报模型和动辄几百 MB 的 GRIB2 文件新手往往卡在找数据源、拼文件名、写下载脚本上。Herbie 是一款革命性的 Python 气象数据下载工具它用几行代码就能完成从多源搜索、按变量子集下载到 xarray 读取的全流程让数值天气预报模型数据真正唾手可得。本文将从安装、模型清单、核心用法到进阶技巧带新手一次读懂 Herbie。为什么说 Herbie 是革命性的 Python 气象数据下载工具传统的气象数据获取方式有多痛你需要记住每个模型的命名规则、每个数据源的目录结构、手动拼 URL、用 cURL 下载整个大文件再想办法解码 GRIB2。Herbie 把这一切压缩成了创建对象 → 调用方法两个动作而且免费开源。它的四大杀手锏是一包对接 15 数值天气预报模型HRRR、GFS、RAP、GEFS、ECMWF IFS 等全部支持多数据源自动搜索NOMADS、AWS、Google Cloud、Azure、犹他大学 Pando 档案库自动轮询✂️按变量子集下载只下载你需要的物理量省时省流量原生 xarray 读取GRIB2 解码为数据结构直接进入数据分析流程整个核心 API 集中在src/herbie/core.py的Herbie类中提供inventory()查看变量清单、download()下载、xarray()读取三大核心方法设计非常简洁。一文看清 Herbie 支持的 15 数值天气预报模型Herbie 的模型支持覆盖美国、欧洲、加拿大与海军体系每种模型对应src/herbie/models/目录下的一个模板文件例如hrrr.py、gfs.py、ecmwf.py。常见模型清单如下类别支持的数值天气预报模型 NOAA 区域模式HRRR、HRRR-Alaska、RAP、NAM、NBM、RRFS、HAFS、HREF、RTMA/URMA NOAA 全球模式GFS、GEFS、AIGFS/AIGEFSAI 模拟器、HGEFS、CFS、NEXRAD 雷达 ECMWFIFS 综合预报系统、AIFS 人工智能预报系统 加拿大环境部GDPS、RDPS、HRDPS、GEPS、REPS 美国海军NAVGEM、NOGAPS 本地数据读取本地 GRIB2 文件local.py每类模型还有对应的官方示例 Notebook存放在docs/gallery/目录例如noaa_models/hrrr.ipynb、ecmwf_models/ecmwf.ipynb照着跑一遍就能快速上手。多数据源自动切换NOMADS、AWS、Google、Azure 全都有气象数据散落在多个云端Herbie 的聪明之处在于自动搜索当你指定模型和时间后它会依次尝试 NOMADS、AWS、Google Cloud、Azure、犹他大学 Pando 档案库等多个数据源直到找到可用文件。你完全不用关心文件到底存在哪。数据源配置细节可以参考docs/user_guide/background/data_sources.md。如果某个源不稳定你还可以用priority参数手动指定优先顺序例如只从 Google 云获取保证下载速度。一分钟快速安装 Herbie最简单的三种方式Herbie 已发布到 conda-forge 和 PyPI新手建议直接安装稳定版# 方式一conda推荐依赖管理最省心 conda install -c conda-forge herbie-data # 方式二pip pip install herbie-data # 方式三uv uv add herbie-data 小提示GRIB2 子集下载依赖可选的wgrib2工具若未安装Herbie 会回退为整文件下载功能不受影响。完整的依赖说明见ci/requirements.txt与environment.yml。如果想体验最新开发版也可以直接克隆源码仓库git clone https://gitcode.com/gh_mirrors/her/Herbie。最简单的 Python 气象数据下载示例3 行代码拿到 HRRR 温度场安装完成后获取一份 HRRR 预报数据只需要 3 行代码。下面示例下载 2021 年 1 月 1 日 12 时起报的 6 小时地表预报产品并直接读取 2 米气温from herbie import Herbie H Herbie(2021-01-01 12:00, modelhrrr, productsfc, fxx6) ds H.xarray(TMP:2 m)H.inventory()可以先列出文件内所有变量H.xarray(TMP:2 m)一步完成下载与解码返回标准的 xarray.Dataset温度数据直接可用于绘图和计算如下图所示的真实运行结果GRIB2 子集下载技巧只下载你需要的变量省时又省流量完整 GRIB2 文件往往高达数百 MB而你可能只需要其中一两个物理量。Herbie 通过索引文件.idx实现精准的按变量子集下载下载量可以从 500 MB 骤降到几 MB如下图所示用法非常灵活H.download() # 下载完整 GRIB2 文件 H.download(:500 mb) # 只下载所有 500 hPa 层次数据 H.download(:TMP:2 m) # 只下载 2 米温度子集下载的实现原理、索引文件机制可以参考docs/user_guide/background/grib2.md与docs/_static/diagrams/index_file_description.png理解了索引文件你就理解了 Herbie 为何能又快又省。数据可视化内置 paint 配色模块与 Cartopy 制图拿到数据后自然要画图。Herbie 内置src/herbie/paint/配色模块提供气象领域专业色标NWS 标准配色、温度、降水、风场等并深度集成 Cartopy 制图工具位于src/herbie/toolbox/cartopy_tools.py。下图就是用 Herbie 数据 paint 配色绘制出的多要素气象图绘制地图的完整代码示例在docs/user_guide/tutorial/paint.md和docs/user_guide/tutorial/EasyMap.ipynb中照着改改参数就能出图。零代码方案Herbie 命令行一键下载气象数据不想写 PythonHerbie 还提供完整的命令行界面CLI入口在src/herbie/cli.py。以下是几个高频命令# 下载 GFS 0.25 度预报第 24 小时的 850 hPa 温度 herbie download -m gfs --product 0p25 -d 2023-03-15T00:00 -f 24 --subset :TMP:850 mb: # 查看 RAP 模型某次起报的全部变量 herbie inventory -m rap -d 2023031512 -f 0 # 批量下载多个起报时刻、多个预报时效 herbie download -m hrrr -d 2023-03-15T00:00 2023-03-15T06:00 -f 1 3 6CLI 所有子命令和参数说明见docs/user_guide/cli.md对脚本化、自动化任务特别友好。进阶技巧站点数据提取与 FastHerbie 批量下载除了区域数据Herbie 还提供两个实用进阶功能站点数据提取通过H.nearest_points()按经纬度提取最近格点数据实现模块位于src/herbie/nearest_points.py还有配套的交互式选点工具src/herbie/pick_points.py⚡FastHerbie 批量下载需要下载多个起报时刻的数据时src/herbie/fast.py提供批量加速下载方案一次拿到多时次、多变量的完整数据集如下图所示关于批量下载的更多玩法如 Zarr 格式、与 Pandas 结合做时间序列分析可查阅docs/user_guide/tutorial/fast.ipynb和docs/user_guide/background/zarr.md。总结新手用 Herbie 的 3 个理由学习成本极低3 行代码完成下载 解码无需手动拼 URL 或折腾 GRIB2 格式覆盖极广15 数值天气预报模型 多数据源自动切换一套 API 走天下生态完善官方文档、每个模型的示例 Notebook、CLI 工具、可视化配色一应俱全如果你正准备入门数值天气预报模型数据分析或想把手动下载脚本升级为规范工作流Herbie 绝对是值得一试的 Python 气象数据下载工具。从pip install herbie-data开始你的第一份 HRRR 温度数据将在几分钟内到手。【免费下载链接】HerbieDownload numerical weather prediction datasets (HRRR, RAP, GFS, IFS, etc.) from NOMADS, NODD partners (Amazon, Google, Microsoft), ECMWF open data, and the University of Utah Pando Archive System.项目地址: https://gitcode.com/gh_mirrors/her/Herbie创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考