代写ME5311 Data-driven Engineering and Machine Learning PROJECT代写Python语言

ME5311                            PROJECT

Instructions

Each student should use the dataset provided for the project, and conduct a thorough analysis of the dataset choosing some of the tools that you learned during the course.

Report

You are required to compile a brief report in the template provided in Overleaf without changing the font style and size, and the margins of the document. The report should be

•  maximum 6-page long (excluding references);

• containing a maximum of 2 figures;

• containing a maximum of 20 references (note, references are not counted for the page limit).

The report is due by 21st April at 23:59.

The Overleaf template can be found here: https://www.overleaf.com/read/mxyqfhkdtbhr

We ask you to copy the project, and start drafting your own project.  For those who have no experience with Latex, the only files you need to modify are:  ME5311-template.tex (for the report), and  ME5311-references.bib (for the bibliography).

Grading

We will be ultimately grading all your projects, based on the report; however, we ask you to grade your own project, and submit your grading as part of your assignment.

Dataset (~ 2 × 1 GB): Spatio-temporal data

Description

The Earth’s climate, widely known as a multi-scale, high dimensional, nonlinear and chaotic system, significantly influences ecosystems, societies, and economies globally.  By combining historical observations and numerical model outputs, researchers are now able to provide highly detailed understanding of past weather and climate using reanalysis datasets.

This dataset, with a spatial resolution of 0.5。× 0.5。and daily temporal resolution, spans from 1979-12-31 to  2022-12-31  and  covers  a  portion of the Indo-Pacific region  (70。E-150。E,  10。S-40。N).  It  includes  two  key atmospheric variables:  sea level pressure and two-meter temperature.   The  dataset  comprises  16,071  daily snapshots, each containing 16,261 (161 × 101) grid points.  One visualization example of time snapshot  (2022- 12-31) is provided in Fig. 1.

Sea  Level  Pressure  and  Two-meter  Temperature  are  stored  in“slp.nc”and“t2m.nc”, respectively.   If your laptop lacks sufficient memory during the project, please refer to the attached code for instructions on how to downsample the data further.

Figure 1: Daily mean sea level pressure and two-meter temperature in 2022-12-31.  (The unit of T2m is converted from Kelvin to degree Celsius by minusing 273.15)

How to load the data

An example of how you can load the data in Python is reported below (file is in the same folder as the dataset):

1     import   os

2     import   xarray   as   xr

3

4    #   dimensions   of   data

5    n_samples   =   16071

6    n_ latitudes   =   101

7    n_ longitudes   =   161

8     shape  =   ( n_samples ,   n_ latitudes ,   n_ longitudes )

9

10    #   load   data

11   ds   =   xr . open_ data set ( ’ slp . nc ’ )  #   change  to   ’ t2m . nc ’   for   temperature   data

12

13   #   visualize   dataset   content

14    print ( ds )

15

16    #   get ’ slp ’/ ’ t2m ’   values

17   #   ’msl ’  is  the   variable   name   for   slp  data ,   change   to   ’ t2m ’  for   temperature   data

18    da   =   ds [ ’msl ’]

19    x  =   da . values

20    print ( x )

21    print ( x . shape )

22

23    #   get   time   snapshots

24    da   =   ds [ ’ time ’]

25    t  =   da . values

26   print ( t )

27

28   #   get   longitude   values

29    da   =   ds [ ’ longitude ’]

30    lon   =   da . values

31   print ( lon )

32

33   #   get   latitude   values

34    da   =  ds [ ’ latitude ’]

35    lat   =   da . values

36    print ( lat )

37

38    #  #   ONLY   if   not   enough   memory

39   #  low_res_ ds   =   ds [{ ’ longitude ’:   slice ( None ,   None ,   2) ,   ’ latitude ’:   slice ( None ,  None ,   2) }]

40   #   low_res_ ds . to_net cdf ( path = ’ s lp _ low_res . nc ’)  #   change  to   ’ t2m_ low_res . nc ’  for   temperature data

Listing 1: Loading the dataset in Python. See file load_data.py

Similarly, you can load the data in Matlab as follow (file is in the same folder as the dataset):

1    clc ;  clear ;   close   all

2

3    %   dimensions   of   data

4    n_samples   =   16071;

5    n_ latitudes   =   101;

6    n_ longitudes   =   161;

7

8    %   load   data

9   ncfile   =   ’ slp . nc ’ ;  %   change   to   ’ t2m ’  for   temperature   data

10

11    %  visualize   dataset   content

12   nc info ( ncfile )

13   ncdisp ( ncfile )

14

15    %   get ’ slp ’/ ’ t2m ’   values

16    % ’msl ’  is the   variable   name   for   slp  data ,   change  to   ’ t2m ’  for   temperature   data

17   x  =   ncread ( ncfile ,   ’msl ’ ) ;

18

19    %   get   time   snapshots

20   t  =   ncread ( ncfile , ’ time ’ ) ;

21

22    %   get   longitude   values

23   lon   =   ncread ( ncfile , ’ longitude ’ ) ;

24

25    %   get   latitude   values

26   lat   =  ncread ( ncfile , ’ latitude ’ ) ;

Listing 2: Loading the dataset in Matlab. See file load_data.m

Modeling suggestions

Although the provided dataset is related to climate, no background in climate science is required for its analysis.

• What kind of information can you retrieve about this type of data?

•  For example, can we model it via a reduced order model?

• Is the system predictable?

• How can you characterize this data from a dynamical systems point of view?

•  Some methods introduced in the lectures seem only applicable to low dimensional systems. Is it possible to apply them to high dimensional system?

The above are just some suggestions.

Pick one or more topics from the course, to make a compelling analysis of the data!