meteofetch 0.5.4

Package python pour récupérer les données modélisées de prévision de MétéoFrance et de l'ECMWF

MeteoFetch est un client python qui permet de récupérer sans clé d'API les dernières prévisions de :

• MétéoFrance : Arome (0.025°, 0.01°, et les cinq domaines Outre-Mer), Arpege (0.25° et 0.1°) et modèle de vague MFWAM (0,025° et 0.1°): plus de précisions sur https://meteo.data.gouv.fr
• l'ECMWF : IFS, chaîne ope, deux runs par jour : plus de précisions sur https://www.ecmwf.int/en/forecasts/datasets/open-data

L'utilisateur peut choisir de :

• télécharger les fichiers grib correspondant dans le dossier de son choix
• charger les données de son choix dans un dictionnaire de xr.DataArray prêts pour l'analyse (les fichiers grib sont téléchargés dans un dossier temporaire et supprimés après chargement des données souhaitées). Les xr.DataArrays respectent le standard CF (Climate and Forecast)

Pour connaître les champs téléchargeables pour chaque modèle, des nomenclatures sont disponibles à https://meteofetch.readthedocs.io.

Installation

Le package est disponible sur Pypi :

pip install meteofetch

Le package est également disponible sur conda-forge :

conda install -c conda-forge meteofetch

Ou :

mamba install meteofetch

Utilisation rapide

from meteofetch import Arome0025

datasets = Arome0025.get_latest_forecast(paquet='SP3')
datasets['ssr']

Par défaut, meteofetch sert à l'utilisateur toutes les variables contenues dans le paquet requêté. Il est cependant conseillée de préciser les variables voulues pour limiter l'usage mémoire :

from meteofetch import Arome001

datasets = Arome001.get_latest_forecast(paquet='SP1', variables=('u10', 'v10'))
datasets['u10']

datasets = Arome001.get_latest_forecast(paquet='SP2', variables='sp')
datasets['sp']

Vous pouvez ensuite utiliser les méthodes usuelles proposées par xarray pour traiter les DataArray :

import xarray as xr
import matplotlib.pyplot as plt
from meteofetch import Arpege01

dim = "points"
coords = ["Paris", "Edimbourg"]
x = xr.DataArray([2.33, -3.18], dims=dim)
y = xr.DataArray([48.9, 55.95], dims=dim)

datasets = Arpege01.get_latest_forecast(paquet="SP1", variables="t2m")

plt.figure(figsize=(8, 3))
datasets["t2m"].sel(lon=x, lat=y, method="nearest").assign_coords(
    {dim: coords}
).plot.line(x="time")

Ou encore :

from meteofetch import Arome001

datasets = Arome001.get_latest_forecast(paquet='SP3', variables='h')

datasets['h'].plot(cmap='Spectral_r', vmin=0, vmax=3000)

Les domaines Outre-Mer sont également disponibles :

from meteofetch import (
    AromeOutreMerAntilles,
    AromeOutreMerGuyane,
    AromeOutreMerIndien,
    AromeOutreMerNouvelleCaledonie,
    AromeOutreMerPolynesie,
)

datasets = AromeOutreMerIndien.get_latest_forecast(paquet="SP1")
datasets["t2m"].mean(dim="time").plot(cmap="Spectral_r")

meteofetch permet également de charger les fichiers gribs de la prévision souhaitée à l'endroit où le souhaite l'utilisateur.

from meteofetch import Ecmwf

path = 'your/folder/'
Ecmwf.get_latest_forecast(path=path, return_data=False)