理解PyResample如何将非规则网格数据重新网格化为规则网格

Question

我需要将不规则网格（兰伯特圆锥）的数据重新网格化到规则网格上。我认为pyresample是最好的选择。实际上，我的原始纬度和经度不是1D（似乎需要使用basemap.interp或scipy.interpolate.griddata）。

我发现这个SO的答案很有帮助。然而，我得到了空的插值数据。我认为这与我的影响半径的选择以及我的数据被包裹（？？）有关。

这是我的代码：

import numpy as np
from matplotlib import pyplot as plt
import netCDF4
%matplotlib inline
url = "http://www.esrl.noaa.gov/psd/thredds/dodsC/Datasets/NARR/Dailies/monolevel/hlcy.2009.nc"
SRHtemp = netCDF4.Dataset(url).variables['hlcy'][0,::]
Y_n     = netCDF4.Dataset(url).variables['y'][:]
X_n     = netCDF4.Dataset(url).variables['x'][:]
T_n     = netCDF4.Dataset(url).variables['time'][:]

lat_n     = netCDF4.Dataset(url).variables['lat'][:]
lon_n     = netCDF4.Dataset(url).variables['lon'][:]

lat_n和lon_n是不规则的，它们对应于投影坐标x，y的纬度和经度。

由于lon_n的特殊性质，我添加了：

lon_n[lon_n<0] = lon_n[lon_n<0]+360

现在，如果我绘制它们，它们看起来很好：

然后我创建了我的新的普通坐标系：

XI = np.arange(148,360)
YI = np.arange(0,87)
XI, YI = np.meshgrid(XI,YI)

根据上面的回答，我编写了以下代码：

from pyresample.geometry import SwathDefinition from pyresample.kd_tree import resample_nearest

def_a = SwathDefinition(lons=XI, lats=YI)
def_b = SwathDefinition(lons=lon_n, lats=lat_n)
interp_dat = resample_nearest(def_b,SRHtemp,def_a,radius_of_influence = 70000,fill_value = -9.96921e+36)

数据分辨率约为30公里，因此我放置了70公里。我放置的fill_value是来自数据的，但当然我也可以只放置零或nan。

然而，我得到了一个空数组。

我做错了什么？另外 - 如果有其他方法可以做到这一点，我很想知道。Pyresample文档有点薄弱，我需要更多帮助。

我发现this answer提出使用另一个griddata函数：

import matplotlib.mlab as ml
resampled_data = ml.griddata(lon_n.ravel(), lat_n.ravel(),SRHtemp.ravel(),XI,YI,interp = "linear")

看起来没问题：

但我想更了解pyresample，因为它看起来非常强大。

- claude

Answer 1

问题在于XI和XI是整数，而不是浮点数。你可以通过简单地执行以下操作来解决这个问题：

XI = np.arange(148,360.)
YI = np.arange(0,87.)
XI, YI = np.meshgrid(XI,YI)

无法处理整数数据类型是pyresample中未记录的、不直观的、可能存在缺陷的行为。

关于您的编码风格，还有以下几点需要注意：

• 没有必要重写XI和YI变量，这样做并没有什么好处
• 只需加载一次netCDF数据集，然后通过该对象访问变量即可

- Ryan