Może zacznę od tego, że energia wytworzona z odnawialnych źródeł bezpośrednio wiąże się z czynnikami meteorologicznymi takimi choćby jak: opad, wiatr, promieniowanie słoneczne. Jeżeli świeci słońce to pozyskujemy energię z instalacji fotowoltaicznych, jeżeli pada deszcz to zbieramy wody dla elektrowni wodnych, a jak wieje wiatr to napędza nam elektrownie wiatrowe. Na podstawie prognoz pogody jesteśmy przewidzieć jak będą się kształtować te parametry w krótkim, średnim czy długim terminie. Musimy mieć jednak na względzie to, że im dłuższa prognoza tym wyższym błędem obarczona. Ale to właśnie te średnio i długoterminowe prognozy są najciekawsze, i mają znaczenie w wielu aspektach życia społeczno-gospodarczego.
Nie może dziwić zatem fakt, że w 1975 roku w Europie ustanowiona została organizacja o nazwie The European Centre for Medium-Range Weather Forecasts (ECMWF). Jest ona zarówno instytutem badawczym jak i całodobową służbą operacyjną, tworzącą i rozpowszechniającą numeryczne prognozy pogody dla państw członkowskich. Ośrodek komputerowy ECMWF robi wrażenie. Żałować można jedynie, że Polska jako kraj nie jest bezpośrednio ani członkiem ani nawet członkiem współpracującym organizacji ECMWF.
![Superkomputery ECMWF](https://ekordo.pl/wp-content/uploads/2022/12/image.png)
Na szczęście ECMWF jest członkiem realizowanego przez Komisję Europejską programu kosmicznego Copernicus, który można nazwać jako kluczowy komponent służący obserwacji Ziemi z uwagi na dostarczanie informacji na temat zmian klimatycznych, składu atmosfery, zagrożenia powodziowego czy pożarowego
Climat Data Store
W ramach tego wpisu interesować będzie mnie temat zmian klimatycznych, gdyż to w ramach tej usługi, a konkretniej Climate Data Store (CDS) poszukamy informacji prognostycznych dotyczących prędkości wiatru na wysokości 10 metrów (https://climate.copernicus.eu/climate-datasets)
Climate Data Store jest podstawową infrastrukturą, która wspiera wdrażanie usług C3S (Copernicus Climate Change Service) dostarczając podstawowych zmiennych klimatycznych, analiz klimatycznych, reanaliz, prognoz i wskaźników w skalach czasowych i przestrzennych. System CDS został tak zaprojektowany, że można używać różnych metod pozyskiwania danych tzn. poprzez interfejs webowy, za pomocą API oraz korzystając z zestawu narzędzi CDS. Ale w ogóle pierwszym krokiem by móc skorzystać z tej niezmiernie bogatej bazy danych jest utworzenie konta w serwisie. Rejestracja przebiega sprawnie z wymaganym mailowym potwierdzeniem. Potem mamy już dostęp do przebogatego zbioru danych i aplikacji. Warto zaznaczyć, że dostęp ten jest bezpłatny.
Do wyszukania potrzebnych nam informacji możemy posłużyć się liniową lub zaawansowaną wyszukiwarką. Przyznać trzeba, że należy się dobrze wczytać w opis danego zbioru danych.
![Climate Data Store search engine](https://ekordo.pl/wp-content/uploads/2022/12/image-1.png)
Wprowadzamy słowo kluczowe „wind” i „seasonal forecasts” z rodzajów dostępnych produktów. Dostajemy listę zbiorów danych, skąd wybieramy najwłaściwszą zgodnie z naszą potrzebą. Powiedzmy, ze będzie to „Seasonal forecast anomalies on single levels”
![list of CDS results](https://ekordo.pl/wp-content/uploads/2022/12/image-2.png)
Jak z nazwy wynika będą to prognozy dotyczących anomalii, czyli zdarzeń różnych od średnich wieloletnich. Dlaczego anomalii? A dlatego, że takie modyfikacje, nazwijmy to zwykłych warunków atmosferycznych, są właśnie istotą prognoz średnio i długoterminowych, czyli tych z zakresem powyżej kilku najbliższych dni. A sam model prognozowania. Obejmuje wiele kluczowych składników charakterystycznych dla atmosfery, oceanów i powierzchni ziemi. I jest wielosystemowy, co oznacza że dane wytworzone przez najnowocześniejsze systemy prognoz sezonowych opracowane, wdrożone i eksploatowane w ośrodkach prognostycznych w krajach europejskich są gromadzone, przetwarzane i łączone ze sobą. Zresztą tak jak wspomniałem, warto poświęcić trochę czasu by zapoznać się z opisem wybranego zbioru danych, a także zachęcam do zapoznania się z dokumentacją zbioru. Każdy zbiór danych jest bardzo dobrze skatalogowany i opisany w czterech zakładkach: Overview, Downloaded data, Quality assessment oraz Documentation.
![CDS dataset](https://ekordo.pl/wp-content/uploads/2022/12/image-3.png)
Pobieranie danych z CDS
Także po zapoznaniu się z zawartością możemy przejść do pobierania danych. To również rozbudowane narzędzie służące do wyboru potrzebnych danych. Dla realizacji naszego przykładu wybiorę następujące wartości:
Originating centre | ECMWF |
System | 5 |
Variable | 10m wind speed anomaly |
Product type | Monthly mean |
Year | 2022 |
Month | October |
Leadtime month | 2 |
Geographical area | [55,22,48,25] – współrzędne geograficzne obejmujące obszarem Polskę |
Format | GRIB |
Fajna rzecz – na dole strony mamy przycisk „Show API request”, który generuje nam format naszego zapytania API. Zwyczajnie będziemy mogli go sobie przekopiować i zastosować.
![](https://ekordo.pl/wp-content/uploads/2022/12/image-4.png)
To przejdźmy obecnie do środowiska Jupyter Notebook, gdzie przeprowadzimy wizualizację pozyskanych danych z Coopernicusa. Przypominam o konieczności wcześniejszej rejestracji konta w serwisie CDS aby uzyskać identyfikator użytkownika oraz klucz API. Sposób instalacji przedstawiony jest tutaj.
Ściągnięte dane są w formacie GRIB, który jest powszechnie stosowany do rozpowszechniania danych modeli atmosferycznych. Do ich analizowania i wizualizacji opracowano bibliotekę xarray, z której skorzystamy. Odczyt danych realizujemy metodą open_dataset, gdzie podajemy nazwę pliku i wykorzystany w odczycie danych silnik. W tym przypadku będzie to właśnie „cfgrib”.
Dane można w łatwy sposób podejrzeć korzystając z ikonek zamieszczonych na końcu każdej z linii. Dane z prognozą dla ewentualnych anomalii prędkości wiatru na wysokości 10 m zamieszone są pod zmienną ua10. Oczywiście przeglądanie w układzie tabelarycznym nie jest miłe dla oka. Stąd też przekształcę wyniki prognozy do postaci mapy.
![](https://ekordo.pl/wp-content/uploads/2022/12/image-5.png)
W tym celu importuję bibliotekę geopandas, która pozwoli wczytać granice zewnętrzne Polski z posiadanego przez mnie pliku shapefile. Plik ten pozyskać można ze strony https://www.naturalearthdata.com/. Skorzystam także z biblioteki cartopy dla określenia projekcji tworzonej mapy przestrzennej.
Przygotowany kod przedstawiono poniżej.
Uzysk energii elektrycznej z elektrowni wiatrowych
Efekt końcowy to mapa obrazująca prognozę dotyczącą odstępstw od normy wieloletniej dla prędkości wiatru w miesiącu grudniu 2022 roku na wysokości 10 m. Przy przyjętej skali możemy odczytać pogorszenie wietrzności w pasie nadmorskim. Na pozostałej części terytorium Polski warunki nie będą odbiegały od normy, wręcz będą lekko na plus, w szczególności we wschodniej części kraju.
![](https://ekordo.pl/wp-content/uploads/2022/12/image-6.png)
Odnośniki
- Copernicus Climate Change Service – https://climate.copernicus.eu/climate-datasets
- European Centre for Medium-Range Weather Forecasts – https://www.ecmwf.int/en/forecasts/datasets
- Python interface to map GRIB files to the NetCDF Common Data Model – https://pypi.org/project/cfgrib/
- Xarray documentation – https://docs.xarray.dev/en/stable/index.html
- Geopandas – https://geopandas.org/en/stable/getting_started.html
- Cartopy – https://scitools.org.uk/cartopy/docs/latest/index.html