Satellite Weather Downloader

Xarray	Copernicus

SWD is a system for downloading, transforming and analysing Copernicus weather data using Xarray. The lib is split in two functionalities, request and the @cope Xarray extension. request is responsible for extracting NetCDF4 files from Copernicus API, and the cope implements Xarray extensions for transforming and visualizing the files.

Installation

The app is available on PYPI, you can use the package without deploying the containers with the command in your shell:

$ pip install satellite-weather-downloader

Requirements

For downloading data from Copernicus API, it is required an account. The credentials for your account can be found in Copernicus' User Page, in the API key section. User API Key will be needed in order to request data, pass them to the in request's api_key parameter.

Create requests via Interactive shell

from satellite import request

dataset = request.reanalysis_era5_land(
    output='my_dataset_file'
    # Any ERA5 Land Reanalysis option can be passed in the method
)

NOTE: see notebooks/ to more examples

Extract Brazil NetCDF4 file from a date range

dataset = request.reanalysis_era5_land(
  "bra_dataset"
  locale='BRA',
  date='2023-01-01/2023-01-07'
)

Load the dataset

from satellite import DataSet
dataset = DataSet.from_netcdf("bra_dataset.zip")

Usage of cope extension

from satellite import ADM2
rio_adm = ADM2.get(code=3304557, adm0="BRA") # Rio de Janeiro's geocode (IBGE)
dataset.cope.to_dataframe(rio_adm)

It is also possible to create a dataframe directly from the National-wide dataset:

rio_ds = dataset.cope.adm_ds(rio_adm)

All Xarray methods are extended when using the copebr extension:

rio_ds.precip_tot.to_array()
rio_ds.temp_med.plot()

Metodologia Mosqlimate

A metodologia implementada no pacote satellite-weather-downloader para agregar dados do satélite ERA5 a nível municipal, que alimenta o Mosqlimate, segue as etapas:

• Dados de Entrada: Arquivos netCDF4 provenientes da API da Copernicus, contendo dados brutos de reanálise climática.
• Conversão de Unidades e Cálculo de Variáveis:
  • Temperatura (t2m): Convertida de Kelvin (K) para Graus Celsius (°C).
  • Umidade Relativa (umid): Calculada a partir da temperatura do ar a 2m (t2m) e da temperatura do ponto de orvalho a 2m (d2m), ambas em °C. O resultado é expresso em porcentagem (%).
  • Precipitação Total (tp): Convertida de metros (m) para milímetros (mm).
  • Pressão Superficial (sp): Convertida de Pascals (Pa) para atmosferas (atm) utilizando o fator de conversão 0.00000986923.
  • As variáveis são renomeadas para um formato padronizado (ex: t2m para temp, tp para precip, d2m para umid, sp para pressao).
• Agregação Espacial (Estatísticas Zonais):
  • Utiliza a biblioteca xagg do Python.
  • xa.pixel_overlaps(): Calcula um mapa de pesos que representa a fração de cada pixel da grade do satélite que se sobrepõe à geometria de cada município. Isso assegura uma ponderação pela área na agregação.
  • xa.aggregate(): Agrega os dados do satélite para cada município utilizando os pesos calculados. (Esta agregação ocorre sobre os dados na sua resolução temporal original, por exemplo, horária).
• Agregação Temporal Diária:
  • ds.resample(time="1D"): Os dados agregados espacialmente (e ainda na resolução temporal original) são reamostrados para uma frequência diária.
  • Para cada dia e município, são calculadas as seguintes estatísticas a partir da série temporal reamostrada:
    • Mínimo (sufixo _min)
    • Média (sufixo _med)
    • Máximo (sufixo _max)
    • Soma (sufixo _tot, especificamente para precipitação: precip_tot)
• Formato de Saída:
  • Os dados são estruturados em um pandas.DataFrame.
  • Inclui colunas como date (data), geocode (código do município), e epiweek (semana epidemiológica calculada a partir da data).
  • Valores numéricos das variáveis climáticas são arredondados (ex: 4 casas decimais).

Mosqlimate Methodology

The methodology implemented in the satellite-weather-downloader package to aggregate ERA5 satellite data at the municipal level, which feeds Mosqlimate, follows these steps:

• Input Data: netCDF4 files from the Copernicus API, containing raw climate reanalysis data.
• Unit Conversion and Variable Calculation:
  • Temperature (t2m): Converted from Kelvin (K) to Degrees Celsius (°C).
  • Relative Humidity (umid): Calculated from the 2m air temperature (t2m) and the 2m dew point temperature (d2m), both in °C. The result is expressed as a percentage (%).
  • Total Precipitation (tp): Converted from meters (m) to millimeters (mm).
  • Surface Pressure (sp): Converted from Pascals (Pa) to atmospheres (atm) using the conversion factor 0.00000986923.
  • Variables are renamed to a standardized format (e.g., t2m to temp, tp to precip, d2m to umid, sp to pressao).
• Spatial Aggregation (Zonal Statistics):
  • Uses the Python xagg library.
  • xa.pixel_overlaps(): Calculates a weight map representing the fraction of each satellite grid pixel that overlaps with the geometry of each municipality. This ensures area-weighted aggregation.
  • xa.aggregate(): Aggregates satellite data for each municipality using the calculated weights. (This aggregation occurs on the data at its original temporal resolution, e.g., hourly).
• Daily Temporal Aggregation:
  • ds.resample(time="1D"): The spatially aggregated data (still at its original temporal resolution) is resampled to a daily frequency.
  • For each day and municipality, the following statistics are calculated from the resampled time series:
    • Minimum (suffix _min)
    • Mean (suffix _med)
    • Maximum (suffix _max)
    • Sum (suffix _tot, specifically for precipitation: precip_tot)
• Output Format:
  • Data is structured into a pandas.DataFrame.
  • Includes columns such as date, geocode (municipality code), and epiweek (epidemiological week calculated from the date).
  • Numerical values of climate variables are rounded (e.g., to 4 decimal places).