如何在xarray中提取二维坐标NetCDF数据的指定位置时间序列？

你的判断完全正确——报错的核心原因是当前数据集的lat和lon是二维变量（每个网格点都有独立的经纬度值），而非一维的维度索引，所以sel()方法无法直接通过经纬度值来定位（它需要坐标是维度的索引）。下面是最简单的解决方案：

方法思路 #

核心逻辑是先计算每个网格点到目标坐标的距离，找到距离最近的网格点对应的ny和nx维度索引，再用isel()（按位置索引选择）提取该点的所有时间序列数据。

具体代码实现 #

方案1：球面距离（Haversine公式，全球范围通用）

这种方法计算真实球面距离，精度更高，适合任何区域的数据集：

import xarray as xr
import numpy as np

# 打开二维坐标的NetCDF文件
ds = xr.open_dataset('your_file.nc')

# 目标坐标
target_lon = 8.807176
target_lat = 53.913996

# 定义Haversine公式计算球面距离
def haversine(lon1, lat1, lon2, lat2):
    lon1, lat1, lon2, lat2 = map(np.radians, [lon1, lat1, lon2, lat2])
    dlon = lon2 - lon1
    dlat = lat2 - lat1
    a = np.sin(dlat/2)**2 + np.cos(lat1) * np.cos(lat2) * np.sin(dlon/2)**2
    c = 2 * np.arcsin(np.sqrt(a))
    earth_radius = 6371  # 地球平均半径，单位：公里
    return c * earth_radius

# 计算所有网格点到目标点的距离
distance = haversine(ds.lon, ds.lat, target_lon, target_lat)

# 找到距离最小的点的维度索引（ny, nx）
min_index = np.unravel_index(distance.argmin(), distance.shape)
ny_idx, nx_idx = min_index

# 提取该点的时间序列并转为DataFrame
df = ds.isel(ny=ny_idx, nx=nx_idx).to_dataframe()

方案2：欧氏距离（小范围区域适用）

如果你的研究区域范围很小（比如几十公里内），经纬度的线性近似误差可以忽略，用欧氏距离计算速度更快：

import xarray as xr
import numpy as np

ds = xr.open_dataset('your_file.nc')
target_lon = 8.807176
target_lat = 53.913996

# 计算经纬度差的平方和（替代真实距离，小范围足够准确）
distance = (ds.lon - target_lon)**2 + (ds.lat - target_lat)**2

# 找到距离最小的点的索引
min_index = np.unravel_index(distance.argmin(), distance.shape)
ny_idx, nx_idx = min_index

# 提取时间序列
df = ds.isel(ny=ny_idx, nx=nx_idx).to_dataframe()

为什么原来的代码不适用？ #

之前的数据集里，lat和lon是作为维度索引存在的（比如lat是一维数组，对应每个纬度带的位置），所以sel()可以直接通过经纬度值+method='nearest'来匹配索引。但当前数据集的lat和lon只是每个网格点的属性变量，不是维度的索引，因此sel()无法识别它们作为选择依据。

内容的提问来源于stack exchange，提问作者AkariYukari