如何使用 IDW 将 xarray 从更高的分辨率重新网格化到更低的分辨率答案

【问题标题】：How to re-gridding xarray from higher to lower resolution using IDW如何使用 IDW 将 xarray 从更高的分辨率重新网格化到更低的分辨率
【发布时间】：2018-10-03 00:35:58
【问题描述】：

我使用的是 winpython 3.6。我有一个给定区域的 xarray 数据，如下所示：

sea_clt=clt.sel(lat=slice(-13, 31), lon=slice(89,152))
clt_sea_array=sea_clt[:,:,:]

Out[20]: 
<xarray.DataArray 'clt' (time: 20075, lat: 23, lon: 25)>
[11543125 values with dtype=float32]
Coordinates:
  * lat      (lat) float64 -13.0 -11.0 -9.0 -7.0 -5.0 -3.0 -1.0 1.0 3.0 5.0 ...
  * lon      (lon) float64 91.25 93.75 96.25 98.75 101.2 103.8 106.2 108.8 ...
  * time     (time) datetime64[ns] 1950-01-01T12:00:00 1950-01-02T12:00:00 ...

网格间距为 200km*200km（2.0°*2.0°尺度），每天时间序列变量。现在我想为每个时间步以（50km*50km 或 0.5°*0.5° 网格比例）重新网格化这些数据。我尝试使用重塑选项但没有成功。我无法得到任何解决方案。如何使用最近邻或 IDW 等任何标准方法来做到这一点？任何帮助，将不胜感激。

【问题讨论】：

标签： python python-3.x python-2.7 python-requests python-xarray

【解决方案1】：

可以使用reindex 对保留在网格上的数据进行最近邻查找，

sea_clt.reindex(lat=lat_new, lon=lot_new, method='nearest')

其他插值，例如线性插值，尚未在 xarray 中实现。

对于线性插值，我们现在能做的最好的可能是

from scipy.interpolation import interp1d

def interp(y_src, x_src, x_dest, **kwargs):
    return interp1d(x_src, y_src, **kwargs)(x_dest)

new_da = sea_clt
new_da = xr.apply_ufunc(interp, new_da, input_core_dims=[['lat']], 
                        output_core_dims=[['lat_new']], 
                        kwargs={'x_src': new_da['lat'], 'x_dest': lat_new})
new_da.coords['lat_new'] = lat_new

new_da = xr.apply_ufunc(interp, new_da, input_core_dims=[['lon']], 
                        output_core_dims=[['lon_new']], 
                        kwargs={'x_src': new_da['lon'], 'x_dest': lon_new})
new_da.coords['lon_new'] = lon_new

【讨论】：

【解决方案2】：

您也可以尝试xEMSF package，它似乎提供了强大的方法来重新网格 xarray 数据。

【讨论】：

但它没有使用 spyder 在 Windows 上工作的选项
Spyder 是一个 IDE（交互式开发环境），xEMSF 是一个 python 包，所以是两个不同的东西！

【解决方案3】：

在应用您的代码时，出现此错误：

from scipy.interpolate import interp1d
lat_new = np.linspace(0.5, -13, 31)
lon_new = np.linspace(0.5, 89,152)


def interp(y_src, x_src, x_dest, **kwargs):
    return interp1d(x_src, y_src, **kwargs)(x_dest)


new_da = sea_clt
new_da = xarray.apply_ufunc(interp, new_da, input_core_dims=[['lat']], 
                        output_core_dims=[['lat_new']], 
                        kwargs={'x_src': new_da['lat'], 'x_dest': lat_new})
new_da.coords['lat_new'] = lat_new

new_da = xarray.apply_ufunc(interp, new_da, input_core_dims=[['lon']], 
                        output_core_dims=[['lon_new']], 
                        kwargs={'x_src': new_da['lon'], 'x_dest': lon_new})
new_da.coords['lon_new'] = lon_new

没有找到我做错的地方。错误在这里：

  File "C:\python3\WinPython\python-3.6.5.amd64\lib\site-packages\scipy\interpolate\interpolate.py", line 663, in _check_bounds
    raise ValueError("A value in x_new is below the interpolation "

ValueError: A value in x_new is below the interpolation range.

【讨论】：

默认情况下，如果您尝试推断，scipy.interpolate.interp1d 会引发错误。为避免这种情况，请添加一个额外的 kwargs，fill_value : “extrapolate”。详情请见docs.scipy.org/doc/scipy/reference/generated/…。
我解决了，但问题是我的区域太大了，所以当我从 200 公里的规模以 50 公里的规模重新网格化时，python 花费了太多时间，而我将这些数据保存到 csv 所以文件以 GB 为单位的大小太大。如何快速处理以及如何在保存数据的同时进行压缩

【解决方案4】：

我认为您想在空间尺度上从较低分辨率重新网格化到较高分辨率。一种方法是使用 xarray 的 interp_like 方法。以下是示例代码。

import xarray as xr
import matplotlib.pyplot as plt
import numpy as np
ds1=xr.open_dataset("etopo40.cdf")
ds2=xr.open_dataset("etopo20.cdf")
ds1=ds1.rename({'ETOPO40Y': 'lat', 'ETOPO40X':'lon'})
ds2=ds2.rename({'ETOPO20Y': 'lat', 'ETOPO20X1_1081':'lon'})
# print(ds1)
# print(ds2)
rose40=ds1.ROSE
rose20=ds2.ROSE
rose_interp=rose40.interp_like(rose20)

【讨论】：