如何无循环将2D坐标高分辨率Daymet聚合到1D坐标低分辨率Chirps？

方案一：用xarray的空间重采样与网格匹配（最推荐） #

Daymet和Chirps都是气候领域常用数据集，xarray对带坐标的多维数组支持极佳，可完全替代循环实现矢量化聚合：

1. 统一坐标参考系统（CRS）
   先确保两个数据集投影一致，若不一致需先转换（以WGS84为例）：

   import xarray as xr
   
   # 加载数据集
   daymet = xr.open_dataset('daymet_data.nc')
   chirps = xr.open_dataset('chirps_data.nc')
   
   # 对齐CRS
   if daymet.rio.crs != chirps.rio.crs:
       daymet = daymet.rio.reproject(chirps.rio.crs)
   

2. 直接匹配Chirps网格聚合

   • 若Chirps是规则网格，用interp_like直接对齐坐标后聚合：

     # 按Chirps网格重采样，聚合方式可选mean/sum/max等
     daymet_aggregated = daymet['temperature'].interp_like(chirps, method='nearest').mean(dim=['x', 'y'])
     

   • 若需按分辨率粗化，先计算Chirps的分辨率再执行聚合：

     # 计算Chirps的经纬度分辨率
     lon_res = abs(chirps.lon[1] - chirps.lon[0])
     lat_res = abs(chirps.lat[1] - chirps.lat[0])
     # 按分辨率比例粗化Daymet并聚合
     daymet_aggregated = daymet['temperature'].coarsen(
         x=lon_res / daymet.rio.resolution()[0],
         y=lat_res / daymet.rio.resolution()[1],
         boundary='trim'
     ).mean()
     

   • 若Chirps是不规则网格，用groupby_bins按经纬度区间聚合：

     # 生成Chirps网格的边界区间
     lon_bins = xr.concat([chirps.lon - lon_res/2, chirps.lon[-1] + lon_res/2], dim='lon')
     lat_bins = xr.concat([chirps.lat - lat_res/2, chirps.lat[-1] + lat_res/2], dim='lat')
     # 按区间分组聚合
     daymet_aggregated = daymet['temperature'].groupby_bins('lon', lon_bins).mean().groupby_bins('lat', lat_bins).mean()
     

方案二：用numpy矢量化操作实现网格匹配 #

若不依赖xarray，可利用numpy广播和布尔索引批量定位匹配网格，替代循环：

1. 提取经纬度与温度数组

   import numpy as np
   
   # 假设Daymet经纬度为2D数组，Chirps为1D数组
   daymet_lon = daymet['lon'].values
   daymet_lat = daymet['lat'].values
   chirps_lon = chirps['lon'].values
   chirps_lat = chirps['lat'].values
   daymet_temp = daymet['temperature'].values
   
   # 计算Chirps每个网格的边界
   lon_res = np.diff(chirps_lon).mean()
   lat_res = np.diff(chirps_lat).mean()
   lon_min = chirps_lon - lon_res/2
   lon_max = chirps_lon + lon_res/2
   lat_min = chirps_lat - lat_res/2
   lat_max = chirps_lat + lat_res/2
   

2. 矢量化匹配与聚合
   通过广播生成掩码，批量匹配每个Chirps网格对应的Daymet像素后聚合：

   # 广播维度，实现Daymet像素与所有Chirps网格的批量比较
   lon_mask = (daymet_lon[..., np.newaxis, np.newaxis] >= lon_min) & (daymet_lon[..., np.newaxis, np.newaxis] < lon_max)
   lat_mask = (daymet_lat[..., np.newaxis, np.newaxis] >= lat_min) & (daymet_lat[..., np.newaxis, np.newaxis] < lat_max)
   grid_mask = lon_mask & lat_mask
   
   # 按网格聚合温度，用nanmean处理无匹配的情况
   aggregated_temp = np.nanmean(daymet_temp[..., np.newaxis, np.newaxis] * grid_mask, axis=(0, 1))
   

方案三：用Dask实现并行聚合（超大数据集） #

若Daymet数据量过大无法载入内存，用Dask结合xarray做并行计算，自动拆分任务：

import dask.array as da

# 加载时指定分块，避免内存溢出
daymet = xr.open_dataset('daymet_data.nc', chunks={'x': 100, 'y': 100})
chirps = xr.open_dataset('chirps_data.nc')

# 并行执行重采样与聚合，最后计算得到结果
daymet_aggregated = daymet['temperature'].interp_like(chirps).mean(dim=['x','y']).compute()

关键注意点 #

• 必须保证两个数据集的CRS完全一致，否则聚合结果会出现空间偏移。
• 聚合方式可根据需求替换：mean（平均温度）、sum（累计温度）、max/min（极值）等。
• 避免循环的核心是利用矢量化操作（xarray/numpy内部已做底层优化）或并行计算，将逐网格的循环转为批量处理。

内容的提问来源于stack exchange，提问作者Kgvhi