根据台站属性合并多个观测 nc 文件

Answer 1

xarray 数据模型要求所有数据维度垂直且完整。换句话说，沿每个维度的每个坐标的每个组合都将出现在数据数组中（作为数据或 NaN）。

您可以使用 xarray 处理观测数据，例如您的数据，但您必须小心索引以确保不会爆炸数据维度。具体来说，当数据不是真正的数据维度，而只是与台站或监视器相关的观察或属性时，您应该将其更多地视为数据变量而不是坐标。在您的情况下，您的维度似乎是站 ID 和压力水平（没有每个站的完整观察集，而是数据的一个维度）。另一方面，时间、纬度和经度是每个站点的属性，不应被视为维度。

我将生成一些看起来像你的随机数据：

def generate_random_station():
    station_id = "{:09d}".format(np.random.randint(0, int(1e9)))
    time = np.random.choice(pd.date_range("2015-08-01", "2015-08-31", freq="H"))
    plevs = np.arange(np.random.randint(1, 1000)).astype(float)
    lat = np.random.random() * 10 + 30
    lon = np.random.random() * 10 - 80

    ds = xr.Dataset(
        {
            "salinity": (('pressure', ), np.sin(plevs / 200 + lat)),
            "woce_date": (("time", ), [time]),
            "station": station_id,
        },
        coords={
            "pressure": plevs,
            "time": [time],
            "latitude": [lat],
            "longitude": [lon],
        },
    )

    return ds

这最终看起来如下所示：

In [11]: single = generate_random_station()

In [12]: single
Out[12]:
<xarray.Dataset>
Dimensions:    (pressure: 37, time: 1, latitude: 1, longitude: 1)
Coordinates:
  * pressure   (pressure) float64 0.0 1.0 2.0 3.0 4.0 ... 33.0 34.0 35.0 36.0
  * time       (time) datetime64[ns] 2015-08-21T01:00:00
  * latitude   (latitude) float64 39.61
  * longitude  (longitude) float64 -72.19
Data variables:
    salinity   (pressure) float64 0.9427 0.941 0.9393 ... 0.8726 0.8702 0.8677
    woce_date  (time) datetime64[ns] 2015-08-21T01:00:00
    station    <U9 '233136181'

问题是纬度、经度和时间坐标并不是可用于索引更大数组的真正维度。它们的间距不均匀，并且纬度/经度/时间的每个组合都没有一个站点。因此，我们需要格外小心，以确保在合并数据时，不会扩展 lat/lon/time 维度。

为此，我们将压缩这些维度，并沿新维度station 扩展数据集：

In [13]: single.set_coords('station').squeeze(["latitude", "longitude", "time"]).expand_dims('station')
Out[13]:
<xarray.Dataset>
Dimensions:    (pressure: 37, station: 1)
Coordinates:
  * station    (station) <U9 '233136181'
  * pressure   (pressure) float64 0.0 1.0 2.0 3.0 4.0 ... 33.0 34.0 35.0 36.0
    time       datetime64[ns] 2015-08-21T01:00:00
    latitude   float64 39.61
    longitude  float64 -72.19
Data variables:
    salinity   (station, pressure) float64 0.9427 0.941 0.9393 ... 0.8702 0.8677
    woce_date  (station) datetime64[ns] 2015-08-21T01:00:00

这可以对您的所有数据集进行，然后它们可以沿着“站”维度连接：

In [14]: all_stations = xr.concat(
   ...:     [
   ...:         generate_random_station()
   ...:         .set_coords('station')
   ...:         .squeeze(["latitude", "longitude", "time"])
   ...:         .expand_dims('station')
   ...:         for i in range(10)
   ...:     ],
   ...:     dim="station",
   ...: )

这会产生一个按压力水平和站点索引的数据集：

In [15]: all_stations
Out[15]:
<xarray.Dataset>
Dimensions:    (pressure: 657, station: 10)
Coordinates:
  * pressure   (pressure) float64 0.0 1.0 2.0 3.0 ... 653.0 654.0 655.0 656.0
  * station    (station) <U9 '197171488' '089978445' ... '107555081' '597650083'
    time       (station) datetime64[ns] 2015-08-19T06:00:00 ... 2015-08-24T15...
    latitude   (station) float64 37.96 34.3 38.74 39.28 ... 37.72 33.89 36.46
    longitude  (station) float64 -74.28 -73.59 -78.33 ... -76.6 -76.47 -77.96
Data variables:
    salinity   (station, pressure) float64 0.2593 0.2642 0.269 ... 0.8916 0.8893
    woce_date  (station) datetime64[ns] 2015-08-19T06:00:00 ... 2015-08-24T15...

您现在可以沿纬度和压力水平维度绘制：

In [16]: all_stations.salinity.plot.contourf(x="latitude", y="pressure")