Dataset for paper Pavel Perezhogin, Laure Zanna, Carlos Fernandez-Granda "Generative data-driven approaches for stochastic subgrid parameterizations in an idealized ocean model" submitted to JAMES.

The dataset consists of the directory tree of .zarr archives. See Github repository for the description of the dataset. The directory tree is: <pre><code>├── eddy │ ├── 48 │ │ ├── gauss │ │ ├── hires-gauss │ │ ├── hires-sharp │ │ ├── lores │ │ └── sharp │ ├── 64 │ │ ├── gauss │ │ ├── hires-gauss │ │ ├── hires-sharp │ │ ├── lores │ │ └── sharp │ ├── 96 │ │ ├── gauss │ │ ├── hires-gauss │ │ ├── hires-sharp │ │ ├── lores │ │ └── sharp │ └── hires ├── jet │ ├── 48 │ │ ├── gauss │ │ ├── hires-gauss │ │ ├── hires-sharp │ │ ├── lores │ │ └── sharp │ ├── 64 │ │ ├── gauss │ │ ├── hires-gauss │ │ ├── hires-sharp │ │ ├── lores │ │ └── sharp │ ├── 96 │ │ ├── gauss │ │ ├── hires-gauss │ │ ├── hires-sharp │ │ ├── lores │ │ └── sharp │ └── hires</code></pre> Every individual dataset is a <code>.zarr</code> archive <code>eddy/jet</code> - configuration of the pyqg; eddy is default; See Ross2022 for description <code>hires.zarr</code> - high-resolution simulation at 256x256 grid <code>48/64/96</code> - resolution of the coarse models <code>lores.zarr</code> - low-resolution simulation <code>gauss.zarr</code>, <code>sharp.zarr</code> - training datasets for prediction of subgrid forcing obtained with Gaussian or Sharp filters <code>hires-gauss.zarr</code>, <code>hires-sharp.zarr</code> - high-resolution simulation projected onto coarse grid with Gaussian or Sharp filters The directory tree is split into small tar.gz files each representing a separate .zarr archive. Download any required parts of the dataset and unpack with: <strong>tar -xf *.tar.gz </strong> <strong>The directory tree will be restored automatically!</strong>本数据集由.zarr 归档文件（Zarr）的目录树构成，有关该数据集的详细说明，请参阅其对应的GitHub仓库。其目录树结构如下： ├── 涡旋（eddy） │ ├── 48 │ │ ├── 高斯滤波（gauss） │ │ ├── 高分辨率高斯滤波（hires-gauss） │ │ ├── 高分辨率锐化滤波（hires-sharp） │ │ ├── 低分辨率（lores） │ │ └── 锐化滤波（sharp） │ ├── 64 │ │ ├── 高斯滤波（gauss） │ │ ├── 高分辨率高斯滤波（hires-gauss） │ │ ├── 高分辨率锐化滤波（hires-sharp） │ │ ├── 低分辨率（lores） │ │ └── 锐化滤波（sharp） │ ├── 96 │ │ ├── 高斯滤波（gauss） │ │ ├── 高分辨率高斯滤波（hires-gauss） │ │ ├── 高分辨率锐化滤波（hires-sharp） │ │ ├── 低分辨率（lores） │ │ └── 锐化滤波（sharp） │ └── 高分辨率（hires） ├── 射流（jet） │ ├── 48 │ │ ├── 高斯滤波（gauss） │ │ ├── 高分辨率高斯滤波（hires-gauss） │ │ ├── 高分辨率锐化滤波（hires-sharp） │ │ ├── 低分辨率（lores） │ │ └── 锐化滤波（sharp） │ ├── 64 │ │ ├── 高斯滤波（gauss） │ │ ├── 高分辨率高斯滤波（hires-gauss） │ │ ├── 高分辨率锐化滤波（hires-sharp） │ │ ├── 低分辨率（lores） │ │ └── 锐化滤波（sharp） │ ├── 96 │ │ ├── 高斯滤波（gauss） │ │ ├── 高分辨率高斯滤波（hires-gauss） │ │ ├── 高分辨率锐化滤波（hires-sharp） │ │ ├── 低分辨率（lores） │ │ └── 锐化滤波（sharp） │ └── 高分辨率（hires） 所有单条数据集均为.zarr 归档文件（Zarr），其中`eddy/jet`为pyqg的配置模式，默认配置为eddy；有关该数据集的详细说明请参阅Ross2022的相关文献。 - `hires.zarr`：对应分辨率为256×256网格的高分辨率模拟数据 - `48/64/96`：代表粗分辨率模型的分辨率规格 - `lores.zarr`：低分辨率模拟数据 - `gauss.zarr`与`sharp.zarr`：用于训练次网格强迫预测模型的数据集，分别通过高斯滤波与锐化滤波生成 - `hires-gauss.zarr`与`hires-sharp.zarr`：通过高斯滤波或锐化滤波将高分辨率模拟数据投影至粗网格后得到的数据集 该目录树被拆分为若干独立的.tar.gz 压缩包（TAR.GZ），每个压缩包对应一个单独的.zarr 归档文件。请按需下载数据集的相关部分，并通过以下命令解压： bash tar -xf *.tar.gz 即可自动恢复完整的目录树结构！