--- title: FuXi-Det canonical_url: "https://www.modelscope.cn/datasets/fuxiweather/FuXi-Det" md_url: "https://www.modelscope.cn/datasets/fuxiweather/FuXi-Det.md" repository: fuxiweather/FuXi-Det chinese_name: "伏羲 0.1° 逐小时中期确定性预测" last_updated: 2026-09-25 license: other storage_size: "5.3 TB" downloads: 28619 stars: 1 --- # FuXi-Det > FuXi-Det - fuxiweather 在 ModelScope 开源的数据集。数据集为伏羲 0.1° 逐小时中期确定性预测，每天 2 次预测，每次预报未来 15 天。 fuxiweather/FuXi-Det 是 ModelScope 魔搭社区上的数据集，存储大小 5.3 TB，采用 other 许可。 - **Repository**: fuxiweather/FuXi-Det - **License**: other - **Storage size**: 5.3 TB - **Downloads**: 28619 - **Stars**: 1 - **Last updated**: 2026-09-25 Source: https://www.modelscope.cn/datasets/fuxiweather/FuXi-Det --- 数据集文件元信息以及数据文件，请浏览“数据集文件”页面获取。 #### 下载方法 :modelscope-code[]{type="sdk"} :modelscope-code[]{type="git"} # FuXi-Det 预报数据集 — 使用说明 本数据集存储区域天气预报场，每个起报时次打包为一个 `.tar` 归档文件。本说明覆盖数据的**解压**、使用 **`xarray` 读取**、**校验** 360 个预报步长文件，以及**可视化**方法。 ## 数据集结构 - **仓库结构** — 根目录为扁平结构，每个起报时次对应一个归档文件： ``` 2025010100.tar 2025010112.tar 2025010200.tar ... ``` 文件名 `YYYYMMDDHH` 表示起报时次（UTC）。 - **每个归档文件内部** — 包含 360 个 NetCDF 文件，每个文件对应一个预报步长（lead time）： ``` 001.nc # 预报步长 1 002.nc # 预报步长 2 ... 360.nc # 预报步长 360 ``` - **每个 `NNN.nc` 内部** — 包含一个 5 维数组： | 维度 | 大小 | 说明 | |------|------|------| | `time` | 1 | 起报时次 | | `step` | 1 | 预报步长（`001.nc` 对应 `1`，…，`360.nc` 对应 `360`） | | `channel` | 15 | 变量名（见下表） | | `lat` | 361 | `54.0 → 18.0`，**降序**，间隔 0.1° | | `lon` | 601 | `74.0 → 134.0`，升序，间隔 0.1° | 数据变量名为 `__xarray_dataarray_variable__`。 15 个通道（ERA5 风格短变量名）： | 通道 | 含义 | 通道 | 含义 | |------|------|------|------| | `MSL` | 平均海平面气压 | `TCC` | 总云量 | | `T2M` | 2米温度 | `LCC` | 低云量 | | `D2M` | 2米露点温度 | `MCC` | 中云量 | | `SST` | 海表温度 | `HCC` | 高云量 | | `U10M` | 10米U风分量（东西向） | `SSRD` | 向下表面太阳辐射 | | `V10M` | 10米V风分量（南北向） | `FDIR` | 地表直接太阳辐射 | | `U100M` | 100米U风分量（东西向） | `TP` | 总降水量 | | `V100M` | 100米V风分量（南北向） | | | > **以下所有示例都依赖两个顺序注意事项：** > 1. `lat` 为**降序**，因此范围切片应写为 `slice(high, low)`，例如 `lat=slice(40, 20)`。`lon` 为升序，因此写为 `lon=slice(100, 130)`。 > 2. `channel` 坐标**未排序**，因此选择通道时不要传入 `method="nearest"`。应先按精确名称选择通道，再仅对 `lat`/`lon` 使用 `method="nearest"`。 --- ## 1. 解压归档文件 归档文件为普通（未压缩）的 `.tar` 文件。NetCDF4 内部已压缩，因此没有 gzip 压缩层。 **Shell：** ```bash # 将一个起报时次解压到同名目录 mkdir -p 2025010100 tar -xf 2025010100.tar -C 2025010100/ # 解压当前目录下的所有归档文件 for t in *.tar; do mkdir -p "${t%.tar}" tar -xf "$t" -C "${t%.tar}/" done ``` 解压后会得到 `2025010100/001.nc … 2025010100/360.nc`。 **Python**（Python ≥ 3.12 中，`filter="data"` 是安全解压模式）： ```python import tarfile from pathlib import Path def extract_archive(tar_path: str, out_dir: str) -> None: """Extract YYYYMMDDHH.tar into out_dir/ (creating it if needed).""" out = Path(out_dir) out.mkdir(parents=True, exist_ok=True) with tarfile.open(tar_path) as tar: tar.extractall(out, filter="data") extract_archive("2025010100.tar", "2025010100") ``` --- ## 2. 使用 `xarray` 读取 > 依赖: `xarray`, `netcdf4`, `matplotlib`. `__xarray_dataarray_variable__` 名称较长，建议先绑定为常量。 ### 单个文件（`001.nc`） ```python import xarray as xr VAR = "__xarray_dataarray_variable__" ds = xr.open_dataset("2025010100/001.nc") da = ds[VAR] # dims: (time, step, channel, lat, lon) print(da.sizes) # {'time': 1, 'step': 1, 'channel': 15, ...} print(da["channel"].values) # ['MSL' 'T2M' ... 'TP'] t2m = da.sel(channel="T2M").isel(time=0, step=0) # 一个 (lat, lon) 场 ``` ### 全部 360 个文件（一个完整起报时次） 360 个文件除 `step` 外共享所有坐标，因此可沿 `step` 维拼接，得到 `step = 1 … 360` 的数组。`open_mfdataset` 会惰性读取数据（仅在需要时加载数值），并依赖 `dask`： ```bash pip install dask # 基础依赖中不包含；仅 open_mfdataset 需要 ``` ```python from pathlib import Path import xarray as xr VAR = "__xarray_dataarray_variable__" def open_init_time(init_dir: str, expected_count: int = 360) -> xr.DataArray: """Open all NNN.nc files of one init-time as a single array (concat on step).""" files = step_files(init_dir, expected_count) # 已校验，见 §3 ds = xr.open_mfdataset(files, combine="nested", concat_dim="step") return ds[VAR] da = open_init_time("2025010100") # 当前维度: (time=1, step=360, channel=15, lat, lon) ``` > **没有 `dask`？** 可使用立即拼接方式，结果相同，但会将所有数据加载到内存： > ```python > da = xr.concat( > [xr.open_dataset(f)[VAR] for f in step_files("2025010100")], > dim="step", > ) > ``` --- ## 3. 校验 360 个预报步长文件 一个完整起报时次必须包含 `001.nc … 360.nc`。下面的辅助函数会按预报步长顺序列出文件，并在缺失文件时抛出清晰错误，指出缺失项。建议在读取或打包前调用。 ```python from pathlib import Path def step_files(init_dir: str, expected_count: int = 360) -> list[Path]: """Return [001.nc .. NNN.nc] paths in order; raise if any are missing.""" init = Path(init_dir) names = [f"{i:03d}.nc" for i in range(1, expected_count + 1)] missing = [n for n in names if not (init / n).is_file()] if missing: head = ", ".join(missing[:5]) more = f" ... (+{len(missing) - 5} more)" if len(missing) > 5 else "" raise FileNotFoundError( f"{init}: expected {expected_count} files " f"(001.nc..{expected_count:03d}.nc), missing {len(missing)}: {head}{more}" ) return [init / n for n in names] ``` ```python # 完整起报时次 -> 返回 360 个路径 files = step_files("2025010100") # 不完整起报时次 -> 抛出清晰错误，例如： # FileNotFoundError: 2025010100: expected 360 files (001.nc..360.nc), # missing 359: 002.nc, 003.nc, 004.nc, 005.nc, 006.nc ... (+354 more) ``` > **本地测试说明：** 完整归档文件包含 360 个文件。若使用部分样例测试（例如仅有 `001.nc`），请传入 `expected_count=1`： > `step_files("2025010100", expected_count=1)`。 --- ## 4. 数据可视化 以下两个示例均假设已通过 [§2](#2-使用-xarray-读取) 得到 `da = open_init_time("2025010100")`，其维度为 `time, step, channel, lat, lon`。 ### 指定经纬度点的时间序列 横轴为固定位置处的**预报步长**（lead time，1 … 360）。先按名称选择通道，再匹配最近的网格点： ```python import matplotlib.pyplot as plt series = ( da.sel(channel="T2M") # 先精确匹配通道 .sel(lat=30.0, lon=120.0, method="nearest") # 匹配最近网格点 .isel(time=0) ) fig, ax = plt.subplots(figsize=(9, 3)) series.plot(ax=ax) # 数值随预报步长变化 ax.set_title(f"T2M at lat={float(series.lat):.1f}, lon={float(series.lon):.1f}") ax.set_xlabel("forecast step") fig.tight_layout() fig.savefig("t2m_timeseries.png", dpi=120) ``` ### 指定经纬度范围的空间分布图 选择一个通道和一个预报步长后，对区域进行切片。注意 `lat` 为降序，应使用 `slice(high, low)`；`lon` 为升序： ```python import matplotlib.pyplot as plt field = ( da.sel(channel="T2M") .sel(lat=slice(40, 20), lon=slice(100, 130)) # lat: high->low, lon: low->high .isel(time=0, step=0) # 第一个预报步长 ) fig, ax = plt.subplots(figsize=(6, 5)) field.plot(ax=ax) # 填色图 ax.set_title("T2M — step 1") fig.tight_layout() fig.savefig("t2m_map.png", dpi=120) ``` 若要绘制其他预报时效，可修改 `step`（0-based 索引）：`.isel(time=0, step=23)` 表示预报步长 24（`024.nc`）。