如何在Python中对DataArray/栅格进行空间平均重采样以匹配另一DataArray的网格

阿华AIGC实验室

2026-4-29

当然可以！你提到的通过空间平均降低分辨率、匹配目标栅格/DataArray的空间网格的操作，完全属于**重采样（resampling）**的范畴——这个术语用得非常准确。下面我给你介绍几个常用工具的实现方法：

一、用xarray + rioxarray实现（推荐）

rioxarray是xarray的扩展，完美结合了rasterio的空间处理能力，最适合这种匹配目标网格的需求，步骤简单省心：

先安装依赖：

pip install xarray rioxarray rasterio

加载源数据和目标栅格/DataArray：

import rioxarray
import xarray as xr

# 加载高分辨率的源数据
src_da = rioxarray.open_rasterio("high_res_input.tif").squeeze()
# 加载目标网格的参考数据
target_da = rioxarray.open_rasterio("target_grid.tif").squeeze()

调用reproject_match方法，指定重采样方式为平均：

# 自动对齐坐标系、匹配目标网格，用空间平均聚合数据
matched_da = src_da.reproject_match(target_da, resampling=rasterio.enums.Resampling.average)

二、纯xarray实现（适合规则网格且分辨率为整数倍的情况）

如果你的源数据和目标数据都是规则经纬网格，且目标分辨率是源分辨率的整数倍（比如源是0.1°，目标是0.5°，刚好5倍），可以直接用xarray的coarsen方法做空间平均：

import xarray as xr

# 加载高分辨率源数据
src_da = xr.open_dataset("high_res_data.nc")["variable"]
# 按5个格点聚合（对应5倍分辨率降低），取平均
coarsened_da = src_da.coarsen(lat=5, lon=5, boundary="trim").mean()

如果目标网格不是整数倍的规则网格，还可以用groupby_bins分组后取平均：

# 提取目标网格的坐标边界
target_lat_bins = target_da.lat.values
target_lon_bins = target_da.lon.values

# 按目标网格的区间分组并计算平均
matched_da = src_da.groupby_bins("lat", target_lat_bins, labels=target_da.lat.values[:-1]).mean()
matched_da = matched_da.groupby_bins("lon", target_lon_bins, labels=target_da.lon.values[:-1]).mean()
# 重命名维度，和目标保持一致
matched_da = matched_da.rename({"lat_bins": "lat", "lon_bins": "lon"})

三、用rasterio实现（底层控制场景）

如果你需要更底层的空间处理控制，可以直接用rasterio的API：

import rasterio
from rasterio.enums import Resampling
from rasterio.warp import calculate_default_transform, reproject

# 打开源和目标栅格文件
with rasterio.open("high_res_input.tif") as src:
    with rasterio.open("target_grid.tif") as target:
        # 复制目标栅格的元信息并更新转换参数
        target_meta = target.meta.copy()
        transform, width, height = calculate_default_transform(
            src.crs, target.crs, src.width, src.height, *src.bounds
        )
        target_meta.update({
            "transform": transform,
            "width": target.width,
            "height": target.height,
            "crs": target.crs
        })

        # 执行重采样并保存结果
        with rasterio.open("matched_output.tif", "w", **target_meta) as dst:
            for i in range(1, src.count + 1):
                reproject(
                    source=rasterio.band(src, i),
                    destination=rasterio.band(dst, i),
                    src_transform=src.transform,
                    src_crs=src.crs,
                    dst_transform=target.transform,
                    dst_crs=target.crs,
                    resampling=Resampling.average
                )