gma 气象气候函数包的简要介绍及运算过程主要问题说明（内存不足、出现 nan 等）及解决方法

0 概述

0.1 明确气候与气象的概念

   气候(Climate)：是指一个地区大气物理特征的长期平均状态，具有一定的稳定性，且周期长。根据世界气象组织（WMO）的规定，一个标准气候计算时间为 30 年。

   气象(Meteorology)：指发生在天空中的风、云、雨、雪、霜、露、闪电、打雷等一切大气的物理现象，具有一定的波动性，且周期短。气象条件的变化往往引发天气状况的改变。

0.2 gma 气候气象函数包 (climet) 基本情况

   gma 气候气象函数包 climet（climate 和 meteorology）是针对于气候气象相关计算的工具集合。目前主要包括 4 大部分共计15个函数，每个函数都提供详细的内置帮助（可使用help(gma.climet.~)查看，也可到 gma 官方网站 查看） ，主要分类为：

函数组	子类	子函数
气候气象指数	-	SPI、SPEI、PAP
气候诊断	Diagnosis	MKMutationTest、Buishand、Pettitt、SNHT
参考蒸散量	ET0	Hargreaves、PenmanMonteith、Thornthwaite
其他函数	Other	DaylightHours、Declination、HourAngle、RDBSunAndEarth、SolarRadiationFluxOA

1 气象气候函数的主要计算过程

1.1 运行环境

系统： Window 10+ (X64)，自 1.1.0 开始支持 Linux（X64）。
Python 版本：3.8 ~ 3.10
gma 版本： 1.1.2 +

安装：pip install gma

1.2 以SPI为例的计算过程

   详见：图解 gma 气候标准化指数运算过程的数组变化流程：以 SPI 为例。

   由图可知，gma 在运算过程中，仅对数组形状进行变换，未使用循环迭代。

2 主要问题及解决方案

   从目前收到的反馈可知，主要问题有两点。一个是运算出现 nan ，另一个是栅格运算过程中出现的 内存不足 (MemoryError)。

2.1 出现 nan 的原因和解决方案

序号	可能的原因	解决方案
1	数据太少	参考 0.1 中描述，气候数据请保证足够的数据量。气候指标请保证数据至少有3个周期；月尺度ET0计算保证至少有1年有效数据。当有效数据不足时，gma会直接返回全 nan 数组！
2	周期设置太长	参考 1.2 中图解，周期的长短决定了周期中每个时段参与拟合计算的数据数量，周期越长，其数量越少，越容易出现 nan！长周期情况下，请增加数据数量！
3	数据本身不满足分布	此种情况可：1、检查并优化数据。2、选择合适的分布函数 Distribution，可选的分布包括：‘Gamma’ (Maximum Likelihood Estimation)：伽马分布（参数估计：最大似然估计）；‘LogLogistic’ (L-Moment Estimation(PWD))：对数逻辑斯蒂分布（参数估计：L-矩估计（概率加权矩））；‘Pearson3’ (L-Moment Estimation)：泊松 III 分布（参数估计：L-矩估计）。
4	其他异常数据	例如 gamma 分布要求数据必须为正数，如果原始值有负数（或0），可能造成结果 nan。gma 内部并未进行此类处理，因此，在计算之前，可将数据整体平移，保证所有有效值均大于 0。

2.2 内存不足解决方案

   内存不足主要出现在栅格数据计算上。请大家注意，gma 为了提高运算效率，其中未使用任何循环迭代（参考 1.2）！这样做极大减少了运算时间，但同时带来了更多的内存占用，当电脑内存太小时（相对于计算数据），大概率发生引发 MemoryError 内存错误！
   因此，如果不想拆分文件，那么主要的解决方法就是循环(计算过程需要更长的时间)！ 以 gma 教程 | 气候气象 | 计算标准化降水指数（SPI） 为例，若栅格运算出现 MemoryError ，则可参考尝试采用如下方法循环计算：

import gma
import numpy as np
# 读取数据集
PRESet = gma.Open('PRE_Luoyang_1981-2020.tif')

## 建立一个 半精度浮点数 数组存储结果
Rows = PRESet.Rows
Columns = PRESet.Columns
Bands = PRESet.Bands

### 由于 数据的 NoData 可能超过 float16 的数据范围，因此这里定义一个不可能出现在计算结果中的值作为 NoData 标记。
SPI = np.full((Bands, Rows, Columns), -99, dtype = np.float16)

# 确定需要计算的尺度
Scales = [1,3,6,12,24,60]

# 循环 6 个尺度
for i in Scales:
	## 循环计算结果
	for r in range(Rows):
		for c in range(Columns):
			## 每次读取 1 个位置
			TempData = PRESet.ToArray(r, c, 1, 1)
			## 跳过 NoData 区域（不适合 NoData 为 np.nan 或 np.inf 的数据）
			if TempData[0, 0, 0] == PRESet.NoData:
				continue
			SPI[:, r, c] = gma.climet.SPI(TempData, Scale = i)	
			
	# 保存所有结果中的非全 nan 波段。即：去除时间尺度累积时序列前无效的波段。
    gma.rasp.WriteRaster(fr'.\1981-2020_SPI{i}.tif', 
                         SPI[i-1:], 
                         Projection = PRESet.Projection,
                         Transform = PRESet.GeoTransform, 
                         DataType = 'Float32', 
                         NoData = -99)  

   其他迭代方法这里不做列举，可自行探索，按需修改。

   ToArray 的参数解释请使用 help 获取或参考网址： ToArray 。

为何使用半精度浮点数（float16）？

1. 如果对结果没有过高的精度需求，可使用半精度浮点数（float16）。如果对精度有要求，可自行定义其他数据类型，例如单精度浮点数（float32）或双精度浮点数（float64） 。
2. 占用空间小。不同数据类型占用空间的大小请参考：NumPy 数组应用初探。
3. 建议：使用单精度浮点数（float16）会极大的降低数据精度，因此大多数情况下不推荐使用（上述仅作示例，因为其在 numpy 支持的浮点数中内存占用最少）！

   注意：gma 不支持保存半精度浮点数（float16）栅格。在写出栅格时，统一转为单精度浮点数（float32）（gma 标记：‘Float32’）保存。