我正在尝试将 NetCDF 文件从 0.125 度重新网格化到 0.083 度空间比例。 netcdf 包含 224 个纬度和 464 个经度，并且有一年的每日数据。
我为它尝试了 xarray，但它产生了这个内存错误：
MemoryError: Unable to allocate 103. GiB for an array with shape (13858233841,) and data type float64
如何使用 python 重新网格化文件？
【问题讨论】：
标签： python interpolation netcdf python-xarray netcdf4
Xarray 使用称为“延迟加载”的东西来尝试避免使用过多的内存。在您的代码中的某处，您正在使用一个将全部数据加载到内存中的命令，这是它无法做到的。相反，您应该指定计算，然后将结果直接保存到文件中。 Xarray 将一次执行一个块的计算，而不会将所有内容加载到内存中。
重新网格化的示例可能如下所示：
da_input = open_dataarray(
'input.nc') # the file the data will be loaded from
regrid_axis = np.arange(-90, 90, 0.125) # new coordinates
da_output = da_input.interp(lat=regrid_axis) # specify calculation
da_ouput.to_netcdf('output.nc') # save direct to file
例如，执行da_input.load() 或da_output.compute() 会导致所有数据都加载到内存中——这是您想要避免的。
【讨论】：
最简单的方法是使用 CDO、NCO 和 NCL 等运算符。
例如。
cdo remapbil,target_grid infile.nc ofile.nc
target_gid 可以是描述符文件，或者您可以使用具有所需网格分辨率的 NetCDF 文件。请注意其他可能适合您需要的重新网格化方法。上面的例子是使用双线性插值。
【讨论】：
另一个选项是尝试cf-python，它可以（通常）在球极坐标和笛卡尔坐标中重新网格大于内存的数据集。它使用 ESMF 重新网格化引擎来完成此操作，因此可以使用线性、一阶和二阶保守、最近邻等重新网格化方法。
以下是您需要的重新网格化示例：
import cf
import numpy
f = cf.example_field(2) # Use cf.read to read your own data
print('Source field:')
print(f)
# Define the output grid
lat = cf.DimensionCoordinate(
data=cf.Data(numpy.arange(-90, 90.01, 0.083), 'degreesN'))
lon = cf.DimensionCoordinate(
data=cf.Data(numpy.arange(0, 360, 0.083), 'degreesE'))
# Regrid the field
g = f.regrids({'latitude': lat, 'longitude': lon}, method='linear')
print('\nRegridded field:')
print(g)
产生：
Source field:
Field: air_potential_temperature (ncvar%air_potential_temperature)
------------------------------------------------------------------
Data : air_potential_temperature(time(36), latitude(5), longitude(8)) K
Cell methods : area: mean
Dimension coords: time(36) = [1959-12-16 12:00:00, ..., 1962-11-16 00:00:00]
: latitude(5) = [-75.0, ..., 75.0] degrees_north
: longitude(8) = [22.5, ..., 337.5] degrees_east
: air_pressure(1) = [850.0] hPa
Regridded field:
Field: air_potential_temperature (ncvar%air_potential_temperature)
------------------------------------------------------------------
Data : air_potential_temperature(time(36), latitude(2169), longitude(4338)) K
Cell methods : area: mean
Dimension coords: time(36) = [1959-12-16 12:00:00, ..., 1962-11-16 00:00:00]
: latitude(2169) = [-90.0, ..., 89.94399999999655] degreesN
: longitude(4338) = [0.0, ..., 359.971] degreesE
: air_pressure(1) = [850.0] hPa
有很多选项可以从其他字段获取目标网格，以及明确定义它。更多详情可查看in the documentation
cf-python 将从附加到数据集的 CF 元数据中推断出哪些轴是 X 和 Y 等，但如果缺少这些，那么总有办法手动设置或解决它。
【讨论】：
使用 CDO 作为后端的 Python 选项是我的包 nctoolkit：https://nctoolkit.readthedocs.io/en/latest/，可通过 pip (https://pypi.org/project/nctoolkit/) 安装
它有一个名为 to_latlon 的内置方法，它将重新网格到指定的纬度网格
在你的情况下，你需要这样做：
将 nctoolkit 导入为 nc
数据 = nc.open_data(infile)
data.to_latlon(lon = [lon_min, lon_max], lat = [lat_min, lat_max], res = [0.083, 0.083])
【讨论】：
从 python 中访问 cdo 功能的另一种方法是使用Pypi cdo project：
pip install cdo
那你就可以了
from cdo import Cdo
cdo=Cdo()
cdo.remapbil("target_grid",input="in.nc",output="out.nc")
target_grid 是你常用的选项列表
有几种内置的重新网格化方法：
您可以使用网格描述符文件来定义需要插值的区域...
在文件grid.txt中
gridtype=lonlat
xfirst=X (here X is the longitude of the left hand point)
xinc=0.083
xsize=NX (here put the number of points in domain)
yfirst=Y
yinc=0.083
ysize=NY
更多详情可以参考我的video guide on interpolation。
【讨论】：