什么是MetDig
英雄不问出处，而对于气象从业者而言，虽然大家使用千差万别的计算机语言，写着格式不一的代码，但都在努力做着同一件事情——通过智能的天气诊断分析工具，最大程度的提高预报准确率。
由于计算机语言间的种种技术壁垒，加之如GrADS、Fortran、NCL、IDL等常用气象分析计算机语言的较强专业性，形成了较狭窄用户生态，致使产生了诸如技术交流困难、重复劳动频繁、技术实现标准难以统一等诸多问题。
近年来，随着Python语言的大火，凭借其庞大的开源资源和用户群体，逐步开始在气象应用领域崭露头角。
目前，在数值模式后处理、资料同化、卫星雷达、诊断分析计算、可视化、机器学习算法等方方面面的应用均有基于Python语言开发的程序库的影子。其中更不乏喊着口号要取代它的“激进分子”，如Metpy、Magics、PyNGL和wrf-python等。业界如此看好Python未来的发展，国内气象从业者同样不会袖手旁观，Meteorological Diagnostic Tools(MetDig，国家气象中心诊断分析工具包，原名NMDT) 便是当今Python浪潮中的一员。
MetDig 功能框架
NMDT是由国家气象中心天气预报技术研发室开发，面向国内天气预报业务和科研应用的通用型天气学诊断分析工具包，其致力于支撑天气预报及其相关的研究工作，为重大天气过程预报、复盘、机理研究等应用场景提供诊断分析技术支持。
MetDig 是由国家气象中心天气预报技术研发室开发，面向国内天气预报业务和科研应用的通用型天气学诊断分析工具包，其致力于支撑天气预报及其相关研究工作，为重大天气过程预报、复盘、机理研究等应用场景提供诊断分析技术支持。
MetDig 的技术框架包括IO层、用户调用层、算法层和可视化层。其中用户调用层提供兼顾通用性和结构简明的调用参数，实现对数据源、时空信息、地理信息标注等要素的定制。算法层中，MetDig底层基于Xarray结构、引入了NumPy、Pandas、SciPy、MetPy（参见前文：这个最火的气象python类库）等热门科学计算、大气诊断和数据结构体等算法包，另包含了nmc_met_diagnostic(https://github.com/nmcdev/nmc_met_diagnostic), nmc_met_base (https://github.com/nmcdev/nmc_met_base)
等自研算法包，实现了基于我国天气预报业务数据环境（MICAPS Cassandra和CIMISS数据库）的大气诊断量计算、多维时空插值、多维数据切片和提取等常用算法。可视化层则基于Matplotlib、Cartopy、MetPy实现常用地图投影转换、图形的绘制以及图形的简单交互功能。
MetDig 功能框架
MetDig 如何应用？
目前，MetDig 已实现包括等压面、等熵面、Miller综合图、时间剖面、空间剖面、点等多维度类型的诊断分析图形分析，用户可通过github网站下载安装应用（https://github.com/nmcdev/nmc_met_map），同时，国家气象中心通过搭建Jupyterhub系统，实现了对MetDig 的云计算和可视化应用。该应用流程具有较低的应用门槛，功能上具有较好的拓展性和灵活性，用户无需在本地机器安装MetDig 和任何特定系统环境，仅需通过浏览器打开Jupyterhub地址，即可通过MetDig 的用户调用层实现在线分析。并且借助Python丰富的在线技术资源，后台管理员可通过更新MetDig ，快速实现对新功能的接入应用，从而帮助缩短了新技术从研究到应用距离。针对不同类型的天气过程（如华南暴雨、梅雨、西南暴雨、东北冷涡对流、台风、雾霾等），管理员可通过诊断分析脚本的编辑，实现预报关键信息的针对性聚合，帮助用户从海量模式预报数据中高效提取天气过程诊断信息。工欲利其事必先利器，可以说，MetDig 工具箱就像一个包罗万象的“大礼包”，给预报员提供了一个天气诊断分析的利器。
Jupyterhub系统界面
（关于Jupyterhub详情，请关注近期国家气象中心天气预报技术研发室系列介绍）
MetDig 未来展望
未来，MetDig 还将继续引入新的诊断分析理论和方法，逐步发展物理量计算、天气系统客观识别、三维时空结构特征提取、数值模式误差来源捕捉与追踪、环流型聚类降维等技术，支撑对不同季节、环流、地形条件下天气系统的精细化诊断分析，以及面向数值模式的历史、实时、零场和预报的天气学检验评估，进一步实现从海量模式预报数据中对暴雨（雪）、强对流、台风、雾霾等灾害性天气的概念模型构建、预报关键特征、结构演变等信息的获取。而且，通过从内网转向外网的部署，“大礼包”将有可能送达每一位预报员的手上，助力大家的天气诊断分析。