EEFxTMS_2F (Equatorial electric field)
Contents
EEFxTMS_2F (Equatorial electric field)¶
Abstract: Access to the equatorial electric field (level 2 product).
%load_ext watermark
%watermark -i -v -p viresclient,pandas,xarray,matplotlib
Python implementation: CPython
Python version : 3.9.7
IPython version : 8.0.1
viresclient: 0.11.0
pandas : 1.4.1
xarray : 0.21.1
matplotlib : 3.5.1
from viresclient import SwarmRequest
import datetime as dt
import numpy as np
import matplotlib.pyplot as plt
request = SwarmRequest()
EEFxTMS_2F product information¶
Dayside equatorial electric field, sampled at every dayside equator crossing +- 20mins
Documentation:
Check what “EEF” data variables are available¶
request.available_collections("EEF", details=False)
{'EEF': ['SW_OPER_EEFATMS_2F', 'SW_OPER_EEFBTMS_2F', 'SW_OPER_EEFCTMS_2F']}
request.available_measurements("EEF")
['EEF', 'EEJ', 'RelErr', 'Flags']
Fetch all the EEF and EEJ values from Bravo during 2016¶
request.set_collection("SW_OPER_EEFBTMS_2F")
request.set_products(measurements=["EEF", "EEJ", "Flags"])
data = request.get_between(
dt.datetime(2016,1,1),
dt.datetime(2017,1,1)
)
# The first three and last three source (daily) files
data.sources[:3], data.sources[-3:]
(['SW_OPER_EEFBTMS_2F_20160101T000000_20160101T235959_0204',
'SW_OPER_EEFBTMS_2F_20160102T000000_20160102T235959_0204',
'SW_OPER_EEFBTMS_2F_20160103T000000_20160103T235959_0204'],
['SW_OPER_EEFBTMS_2F_20161229T000000_20161229T235959_0204',
'SW_OPER_EEFBTMS_2F_20161230T000000_20161230T235959_0204',
'SW_OPER_EEFBTMS_2F_20161231T000000_20161231T235959_0204'])
df = data.as_dataframe()
df.head()
| Latitude | Spacecraft | Flags | EEJ | EEF | Longitude | |
|---|---|---|---|---|---|---|
| Timestamp | ||||||
| 2016-01-01 00:52:23.367156224 | 7.290433 | B | 0 | [-74.57382146246935, -59.68097319571396, -45.1... | -0.444208 | 113.754512 |
| 2016-01-01 02:27:06.243671808 | 7.577520 | B | 0 | [-45.59157503892487, -40.731539994601945, -35.... | -0.229135 | 89.980167 |
| 2016-01-01 04:02:03.629109504 | 6.948012 | B | 0 | [-20.43764232681452, -17.612771036713497, -14.... | -0.168648 | 66.182831 |
| 2016-01-01 05:36:43.555203072 | 7.422034 | B | 0 | [-1.0670899767171982, -0.5372306288060009, -0.... | -0.185324 | 42.413424 |
| 2016-01-01 07:10:49.341007616 | 10.052089 | B | 0 | [0.35033186716203196, 1.2002997481508415, 2.04... | -0.072291 | 18.699167 |
ax = df.plot(y="EEF", figsize=(20,10))
ax.set_ylim((-2, 2));
ax.set_ylabel("EEF [mV/m]");
Take a look at the time jumps between entries… Nominally the product should produce one measurement “every dayside equator crossing ±20 minutes”
times = df.index
delta_t_minutes = [t.seconds/60 for t in np.diff(times.to_pydatetime())]
print("Range of time gaps (in minutes) between successive measurements:")
np.unique(np.sort(delta_t_minutes))
Range of time gaps (in minutes) between successive measurements:
array([ 46.3 , 46.4 , 91.48333333, 91.5 ,
91.51666667, 91.53333333, 91.55 , 91.56666667,
91.58333333, 91.6 , 91.61666667, 91.63333333,
91.65 , 91.66666667, 91.68333333, 91.7 ,
91.71666667, 91.73333333, 91.75 , 91.76666667,
91.78333333, 91.8 , 91.81666667, 91.83333333,
91.85 , 91.86666667, 91.88333333, 91.9 ,
91.91666667, 91.93333333, 91.95 , 91.96666667,
91.98333333, 92. , 92.01666667, 92.03333333,
92.05 , 92.06666667, 92.08333333, 92.1 ,
92.11666667, 92.13333333, 92.15 , 92.16666667,
92.18333333, 92.2 , 92.21666667, 92.23333333,
92.25 , 92.26666667, 92.28333333, 92.3 ,
92.31666667, 92.33333333, 92.35 , 92.36666667,
92.38333333, 92.4 , 92.41666667, 92.43333333,
92.45 , 92.46666667, 92.48333333, 92.5 ,
92.51666667, 92.53333333, 92.55 , 92.56666667,
92.58333333, 92.6 , 92.61666667, 92.63333333,
92.65 , 92.66666667, 92.68333333, 92.7 ,
92.71666667, 92.73333333, 92.75 , 92.76666667,
92.78333333, 92.8 , 92.81666667, 92.83333333,
92.85 , 92.86666667, 92.9 , 92.91666667,
92.95 , 92.96666667, 92.98333333, 93. ,
93.01666667, 93.03333333, 93.05 , 93.06666667,
93.08333333, 93.1 , 93.11666667, 93.15 ,
93.18333333, 93.2 , 93.21666667, 93.23333333,
93.25 , 93.26666667, 93.28333333, 93.3 ,
93.33333333, 93.35 , 93.36666667, 93.38333333,
93.4 , 93.41666667, 93.43333333, 93.45 ,
93.46666667, 93.48333333, 93.5 , 93.51666667,
93.53333333, 93.55 , 93.56666667, 93.58333333,
93.6 , 93.61666667, 93.63333333, 93.65 ,
93.66666667, 93.68333333, 93.7 , 93.71666667,
93.73333333, 93.75 , 93.76666667, 93.78333333,
93.8 , 93.81666667, 93.83333333, 93.85 ,
93.86666667, 93.88333333, 93.9 , 93.91666667,
93.93333333, 93.95 , 93.96666667, 93.98333333,
94. , 94.01666667, 94.03333333, 94.05 ,
94.06666667, 94.08333333, 94.1 , 94.11666667,
94.13333333, 94.15 , 94.16666667, 94.18333333,
94.2 , 94.21666667, 94.23333333, 94.25 ,
94.26666667, 94.28333333, 94.3 , 94.31666667,
94.33333333, 94.35 , 94.36666667, 94.38333333,
94.4 , 94.41666667, 94.43333333, 94.45 ,
94.46666667, 94.48333333, 94.5 , 94.51666667,
94.53333333, 94.55 , 94.56666667, 94.58333333,
94.6 , 94.61666667, 94.63333333, 94.65 ,
94.66666667, 94.68333333, 94.7 , 94.71666667,
94.73333333, 94.75 , 94.76666667, 94.78333333,
94.8 , 94.81666667, 94.83333333, 94.85 ,
94.86666667, 94.88333333, 94.9 , 94.91666667,
94.93333333, 94.95 , 94.96666667, 94.98333333,
95. , 95.01666667, 95.03333333, 95.05 ,
95.06666667, 95.08333333, 95.1 , 95.11666667,
95.13333333, 95.15 , 95.16666667, 95.18333333,
95.2 , 95.21666667, 95.23333333, 95.25 ,
95.26666667, 95.28333333, 95.3 , 95.31666667,
95.33333333, 95.35 , 95.36666667, 95.38333333,
95.4 , 95.41666667, 95.43333333, 95.45 ,
95.46666667, 95.48333333, 95.5 , 95.51666667,
95.53333333, 95.55 , 95.56666667, 95.58333333,
95.6 , 95.61666667, 95.63333333, 95.65 ,
95.66666667, 95.68333333, 95.7 , 95.71666667,
95.73333333, 95.75 , 95.76666667, 95.78333333,
95.8 , 95.81666667, 95.83333333, 95.85 ,
95.86666667, 95.88333333, 95.9 , 95.91666667,
95.93333333, 95.95 , 95.96666667, 95.98333333,
96. , 96.05 , 96.08333333, 96.1 ,
96.11666667, 96.13333333, 96.15 , 96.16666667,
96.18333333, 96.2 , 96.21666667, 96.23333333,
96.25 , 96.26666667, 96.28333333, 96.3 ,
96.31666667, 96.35 , 96.38333333, 96.4 ,
96.41666667, 96.48333333, 96.5 , 96.51666667,
96.55 , 96.56666667, 96.58333333, 96.6 ,
96.61666667, 96.63333333, 96.65 , 96.66666667,
96.68333333, 96.7 , 96.71666667, 96.73333333,
96.75 , 96.76666667, 96.8 , 96.81666667,
96.83333333, 96.85 , 96.86666667, 96.88333333,
96.9 , 96.91666667, 96.93333333, 96.95 ,
96.96666667, 96.98333333, 97. , 97.01666667,
97.06666667, 97.08333333, 97.1 , 97.11666667,
97.13333333, 97.15 , 97.16666667, 97.2 ,
97.21666667, 97.23333333, 97.25 , 97.26666667,
97.28333333, 97.3 , 97.31666667, 97.33333333,
97.35 , 97.36666667, 97.38333333, 97.41666667,
97.46666667, 97.48333333, 97.5 , 97.51666667,
97.53333333, 97.55 , 97.56666667, 97.58333333,
97.6 , 97.61666667, 97.63333333, 97.65 ,
97.66666667, 97.7 , 97.73333333, 97.76666667,
97.78333333, 97.8 , 97.81666667, 97.83333333,
97.85 , 97.86666667, 97.88333333, 97.9 ,
97.91666667, 97.93333333, 97.96666667, 97.98333333,
98. , 98.01666667, 98.03333333, 98.05 ,
98.06666667, 98.08333333, 98.1 , 98.11666667,
145.23333333, 187.48333333, 187.51666667, 187.56666667,
187.61666667, 187.68333333, 187.76666667, 187.83333333,
188.11666667, 188.46666667, 188.83333333, 189.46666667,
189.48333333, 189.55 , 189.58333333, 189.61666667,
189.68333333, 189.93333333, 190.3 , 190.68333333,
190.76666667, 191.18333333, 191.2 , 191.21666667,
191.26666667, 191.28333333, 191.33333333, 191.36666667,
191.38333333, 191.45 , 191.48333333, 191.58333333,
1421.48333333])
Access the EEJ estimate via xarray instead of pandas¶
Since the EEJ estimate has both time and latitude dimensions, it is not suited to pandas. Here we load the data as a xarray.Dataset which better handles n-dimensional data.
ds = data.as_xarray()
ds
<xarray.Dataset>
Dimensions: (Timestamp: 5508, EEJ_QDLat: 81)
Coordinates:
* Timestamp (Timestamp) datetime64[ns] 2016-01-01T00:52:23.367156224 ... ...
* EEJ_QDLat (EEJ_QDLat) float64 -20.0 -19.5 -19.0 -18.5 ... 19.0 19.5 20.0
Data variables:
Spacecraft (Timestamp) object 'B' 'B' 'B' 'B' 'B' ... 'B' 'B' 'B' 'B' 'B'
Flags (Timestamp) uint16 0 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
EEJ (Timestamp, EEJ_QDLat) float64 -74.57 -59.68 ... -7.399 -9.459
EEF (Timestamp) float64 -0.4442 -0.2291 -0.1686 ... 0.4555 0.5333
Latitude (Timestamp) float64 7.29 7.578 6.948 ... -7.722 -4.006 -0.7652
Longitude (Timestamp) float64 113.8 89.98 66.18 ... -105.3 -129.1 -153.0
Attributes:
Sources: ['SW_OPER_EEFBTMS_2F_20160101T000000_20160101T235959_020...
MagneticModels: []
AppliedFilters: []Let’s select a subset (one month) and visualise it:
_ds = ds.sel({"Timestamp": "2016-01"})
fig, ax1 = plt.subplots(nrows=1, figsize=(15,3), sharex=True)
_ds.plot.scatter(x="Timestamp", y="EEJ_QDLat", hue="EEJ", vmax=10, s=1, ax=ax1)
<matplotlib.collections.PathCollection at 0x7f173d7cc310>
