如何将xarray中scanline与ground-pixel维度转换为经纬度维度？

针对你这种扫描式卫星数据（维度为scanline和ground-pixel，经纬度为二维坐标），要转换成以latitude、longitude为一维维度的结构，核心是重网格化（将不规则的二维经纬度像元插值到规则经纬度网格），以下是具体实现步骤：

1. 提取原始数据与二维经纬度 #

先加载数据集并提取目标变量和经纬度信息：

import xarray as xr
import numpy as np

# 加载你的NetCDF数据集
ds = xr.open_dataset('你的卫星数据文件.nc')

# 替换为你实际要处理的变量名，比如'reflectance'
data_var = ds['目标变量名']
# 获取二维经纬度数组
lat_2d = ds.latitude
lon_2d = ds.longitude

2. 创建规则经纬度网格 #

根据原始经纬度的范围，生成均匀间隔的一维经纬度网格（分辨率可根据需求调整）：

# 生成纬度网格：取原始纬度的最小/最大值，设置网格点数
lat_min, lat_max = lat_2d.min().values, lat_2d.max().values
lat_grid = np.linspace(lat_min, lat_max, num=500)  # num控制网格密度，数值越大精度越高

# 生成经度网格
lon_min, lon_max = lon_2d.min().values, lon_2d.max().values
lon_grid = np.linspace(lon_min, lon_max, num=500)

3. 重网格化（插值到规则网格） #

这里提供两种常用方法，根据数据规模选择：

方法一：Scipy griddata（通用型，适合中小数据） #

适合原始经纬度完全不规则的场景：

from scipy.interpolate import griddata

# 将二维经纬度和数据展平为一维点集
points = np.column_stack((lon_2d.values.ravel(), lat_2d.values.ravel()))
values = data_var.values.ravel()

# 创建规则网格的坐标矩阵
lon_mesh, lat_mesh = np.meshgrid(lon_grid, lat_grid)

# 执行插值：method可选'linear'（线性）、'nearest'（最近邻）、'cubic'（三次）
interpolated_data = griddata(points, values, (lon_mesh, lat_mesh), method='linear')

# 转换为xarray DataArray，生成目标结构
regridded_ds = xr.DataArray(
    interpolated_data,
    dims=['latitude', 'longitude'],
    coords={'latitude': lat_grid, 'longitude': lon_grid},
    attrs=data_var.attrs  # 保留原始变量的属性信息
)

方法二：xesmf（高效型，适合大数据） #

如果你处理的是大尺寸卫星数据，推荐使用专门的重网格化库xesmf，支持更高效的插值算法：

import xesmf as xe

# 创建空的规则网格数据集
grid_ds = xr.Dataset({
    'latitude': (['latitude'], lat_grid),
    'longitude': (['longitude'], lon_grid)
})

# 创建重网格器，method可选'bilinear'（双线性）、'conservative'（守恒插值）等
regridder = xe.Regridder(ds, grid_ds, 'bilinear')
# 执行重网格化
regridded_ds = regridder(ds)

4. 验证与使用 #

转换完成后，就可以直接用经纬度进行查询和绘图：

# 按经纬度范围筛选数据
data_subset = regridded_ds.sel(latitude=slice(30, 40), longitude=slice(100, 110))

# 绘图示例（结合cartopy）
import matplotlib.pyplot as plt
import cartopy.crs as ccrs

plt.figure(figsize=(10, 6))
ax = plt.axes(projection=ccrs.PlateCarree())
regridded_ds.plot(ax=ax, transform=ccrs.PlateCarree(), cmap='viridis')
ax.coastlines()
plt.show()

注意事项 #

• 插值方法选择：线性插值适合连续型数据（如反射率、温度），最近邻插值适合分类数据（如土地覆盖）
• 若原始数据存在大量缺失值，建议先通过data_var = data_var.dropna(dim='scanline', how='all')等方式清理，再进行插值
• 网格点数num的设置需平衡精度与计算效率，点数越多精度越高但计算时间越长

内容的提问来源于stack exchange，提问作者Hoppity81