[GrADS] ctl文件报错提醒

1. empty grid --> 往往是time step出错，比如时间没有算对，或者time step不足。
2. 经度上，网格与grads自带的mask不符合 --> 说明control file的longitude起始点写错了，不符合数据文件的起始点顺序，这时候需要修改control file的XDEF这一项的起始点。
3. 1st column 不能读 --> 主要是因为数据文件是思维的，还有z level这一维度，var (t,z,y,x)，所以在VAR这一项，不能写成 varname 0 99 varname这种三维的模式了。要写成varname=>varname 0 t,z,y,x longname，0表示虽然是z的函数，但z只有一个level，就是surface level，所以是0。
4. 阅读netcdf 文件的时候，建议使用ctl file去读，option这一项写着netcdf。阅读binary 文件的时候，如果option这一项还写着netcdf，则会报错。
5. const(var, value, -u)这个函数，每次使用时要注意value这个值，要和undef相匹配。
6. 通过cdo生成netcdf文件的control file，基于它再进行修改，相对自己从头开始写control file比，不容易出错。

没有什么做不到

转眼间韩国大哥生了第三个孩子，意大利大哥也有了他的第一个孩子，体奥博士答辩了，师兄们都纷纷找到了教职，而我还尝试在一堆散沙中寻找一丝规律，看到我的未来。

我不要害怕过去，要从过去的经验中吸取教训，避免错误的发生。只要真正意识到了自己的错误和问题，认真对待，没有什么做不到。

借用文章里的几句话，给自己提个醒：

人生的幸福，我的感觉来自独立思考的能力、自律（控制住自己的欲望）、保持对新事物的敏感度和参与度。

• 比选择未来方向更重要的是一个人独立思考的能力，自己纠错、自己拯救自己的能力，自己找方向的能力。我直到今天一直在自己做决策，都是自己研究琢磨，我也有问人的时候，但是我从来不问人生该怎么选择，我只问具体的技术性问题。
• 保持对物欲的控制，管理好自己，培养良好的习惯，我们可以摆脱很多不必要的的麻烦。
• 保持年轻的状态是对新生技术的敏感，这才是真正保持年轻的秘诀。 

如何找、读文献？

关于找文献（from GKY）

1，泛读：比如，和我的研究相关的有二十几种杂志（这些也是我自己可能会投的杂志
），我在这些杂志的网站上都注册，叫杂志每发一新期时都自动给我发个email,里面有
这一期所有文章的 links. 我几乎每天都会收到这样的 emails.不管多忙，我都会花几
分钟把所有文章的 title and abstract看一遍。这些文章多数跟我做的是没关系的，
但有助于我了解整个领域的发展动态。有个别是我感兴趣和相关的，那我就得仔细读了。

2，精读：你做的topic,要时不时在 pubmed上搜索一下（当然，通过上面的泛读，也能
找到这些文章，但有时会有漏掉的）。这其中你认为重要的，要仔细读，反复读。

3，根据综述读：如果你要了解一个你不太熟悉的领域，最好的办法就是找一篇好的最
近的相关综述，并从中展开去读。

4，上面三种都是很常用的读文献的方法，下面这种是我认为很重要，但不太常用的，
就是根据作者读：比如我在刚做博后时，集中把我博后导师过去所有的文章读了一篇。
我事业上的idol, role models的历年的所有文章（或至少是主要文章）我都要集中读
。这样的好处是可以非常系统地学习这些人是怎么做science的，从中领悟別人是怎么
成功的。这就好比刚入行时，李克勤会去买谭咏麟的所有唱片，科比会去观摩乔丹的所
有比赛录像，他们仔细揣摩并模仿自己的偶像是怎么唱歌和打球的，并结合自已的特点
，最终形成自己的风格。

5，如果你有朝一日能作上PI，你可以适当减少精读，并把这一部分转给手下，让他们
去管理这些细节部分，而着重去培养自己的 vision和big picture, (高瞻远瞩的能力
）这对你怎么引领自己实验室发展至关重要。我经常会把一些宗师们写的最经典的最好
的textbooks从头到尾读一篇（而不是只读自已熟悉或有兴趣的章节。这些书和平时所
说的综述或网上的Wiki不一样，字里行间透露着大师们思考科学问题的方式。你要仔细

琢磨这些人是怎么思考问题的。还有就是读些哲理方面的书，有空多思考些哲学问题。

过去我总是在google scholar上找关键词，效果非常不好。
不要问我为什么在上完数据库检索这门课之后居然只会这一招。我也很悔恨。
现在发现，读一篇review，然后跟着里头的参考文献顺藤摸瓜，效果更好。

快读paper的秘诀是，不要全读。
这个感觉很简单，但是境界就在于你知道哪些东西不需要读。

其实我脑子里掌握了一个很好的记笔记的方法，那就是note flow 笔记流，但就是从来没有用过。
我建议在草稿本上画笔记流。


关于做笔记（from Xu,  我认为这一技巧利于引用）：
我intensive reading的时候就会用两三句话总结一下每篇paper。包括这篇paper和其他paper的联系，还有我为什么觉得这篇paper有意思，还有我觉得我可能会因为什么而cite这篇paper。

[Linux] Files permission

A command to change the permissions of a directory so that others can not see it.
$ Chmod -R 700 /directory

[Python] read bil.zip file in python

The bil file is a widely-used GIS format, which can be read through gdal library in python.

GDAL installation
Although I have installed gdal in python before, recently I have a problem running gdal library in anaconda python. The error is gdal.so.20 does not exist. The work-around is as below from a stack exchange GIS forum:
In anaconda, uninstall the previous gdal library by
$ conda uninstall gdal
And then reinstall the libgdal before installing gdal
$ conda install libgdal
$ conda install gdal

Test if you can import the gdal library in python:
>> import gdal, gdalconst

Read zip file
Before reading the bil file, we need to use a package "vsizip" to unzip the zip-file. First, change the directory to the data folder, and then modify the filename with vsizip
>> os.chdir('path/to/file')
>> filename = '/vsizip/the_name_of_the_file.zip/the_name_of_the_file.bil'

This used to work but now it returns the error as:
Recode from CP437 to UTF-8 failed with the error: "Invalid argument"

The work-around is as below from github:
set the environmental variable
export CPL_ZIP_ENCODING=UTF-8

Read bil file
After successfully decode the zip file, one can read the file using the modified filename.

>> gdal.GetDriverByName('EHdr').Register()
>> img = gdal.Open(filename, gdalconst.GA_ReadOnly)
>> band = img.GetRasterBand(1)
>> data = band.ReadAsArray()

4月文献速读

• Two distinct influences of Arctic warming on cold winters over North America and East Asia （2015）
• 北极的升温对中纬度地区的气候有着深远影响：北极的升温促进了异常反气旋和中温度西风槽的发展，带来极寒的冷空气。
• Reduced North American terrestrial primary productivity linked to anomalous Arctic warming （2017）
• 北极的升温导致了北美和东亚的极端寒潮事件，而这些北方的低温和南方的少雨使得美国的GPP下降
• Rainforest-initiated wet season onset over the southern Amazon （2017）
• 干季的蒸发能够产生一些云的条件。

[Python] How to shift the midpoint of the colorbar? -Normalizing colormap

给网格数据画图的时候，常常面临选择合适调色盘的难题。我们常用的matplotlib里自带的调色盘大致有三种：单向渐变，双向渐变，多色渐变。根据数据的值域以及目的，我们来选择不同的调色盘来表现。
单向渐变多用于单增的信号，且空间分布非常简单。复杂的空间分布应该采用多色渐变，区分度更大，比如地形图。
双向渐变常用于有正负值的数据，比如相关系数、敏感性等等。今天就是要来讲一讲双向渐变colorbar。
我们平时经常遇到这样的数据，就是正负值不对称，比如值域范围是-1~100。为了能够使用双向渐变colorbar，我们需要调整数据中点，不然调色盘不对称，造成读数的困难！一个暴力的方法就是通过人为设定最大、最小值来设定数据中点：
plt.imshow(data, vmin=-100, vmax=100)
下面介绍一个更加合理、不浪费空间的简便方法：

from matplotlib.colors import Normalize

class MidpointNormalize(Normalize):
    def __init__(self, vmin=None, vmax=None, midpoint=None, clip=False):
        self.midpoint = midpoint
        Normalize.__init__(self, vmin, vmax, clip)

    def __call__(self, value, clip=None):
        # I'm ignoring masked values and all kinds of edge cases to make a
        # simple example...
        x, y = [self.vmin, self.midpoint, self.vmax], [0, 0.5, 1]
        return np.ma.masked_array(np.interp(value, x, y))

data = np.random.random((10,10))
data = 10 * (data - 0.8)

fig, ax = plt.subplots()
norm = MidpointNormalize(midpoint=0)
im = ax.imshow(data, norm=norm, cmap=plt.cm.bwr, interpolation='none')
fig.colorbar(im)
plt.show()

是不是很简单呀？原作者Joe还有好几种其他方法，以后可以试验一下。