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:
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:
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。