如何将GOLD卫星NetCDF数据的2D经纬度重格化为1D并选取研究区域？

核心结论 #

完全可以将2D经纬度数组转换为标准1D维度，同时可以简化你当前的区域筛选代码，避免不必要的nan操作。

一、2D经纬度转1D的两种方法 #

根据GOLD卫星数据的网格类型（规则/不规则），选择对应方法：

1. 规则网格场景（最常见）

多数卫星数据的2D经纬度是规则网格：每一列纬度值一致，每一行经度值一致。直接提取单列/单行即可得到1D数组：

import numpy as np

# 提取1D纬度（取第一列，若实际是每一行纬度一致则取lats[0, :]）
lat_1d = lats[:, 0]
# 提取1D经度（取第一行，若实际是每一列经度一致则取lons[:, 0]）
lon_1d = lons[0, :]

# 可选：确保数组有序（部分数据可能乱序）
lat_1d = np.sort(lat_1d)
lon_1d = np.sort(lon_1d)

2. 不规则网格场景

如果经纬度是不规则分布的，先展平2D数组，再去重排序得到1D维度：

# 展平2D数组并去重排序
lat_1d = np.sort(np.unique(lats.flatten()))
lon_1d = np.sort(np.unique(lons.flatten()))

二、优化区域筛选代码 #

你当前的代码存在两个问题：

• reallat = lats是引用赋值，修改reallat会直接改变原lats数组，应该用copy()创建副本
• 用nan标记再找索引的方式冗余，直接用布尔掩码更高效

优化后的区域筛选代码：

import numpy as np

# 定义目标区域范围
lat_min, lat_max = 24, 31
lon_min, lon_max = -92, -84

# 创建布尔掩码：同时满足经纬度条件的所有位置
region_mask = (lats >= lat_min) & (lats <= lat_max) & (lons >= lon_min) & (lons <= lon_max)

# 提取符合条件的温度数据（自动展平为1D）
selected_temps = tdisk[:, region_mask]

# 计算平均值
avg_temp = np.mean(selected_temps)
print("Average Temps in Selected Region:", avg_temp)

三、新手友好工具：xarray库 #

处理NetCDF数据推荐使用xarray，它能自动管理维度，无需手动处理数组形状，大幅简化操作：

import xarray as xr

# 读取GOLD卫星NetCDF文件
ds = xr.open_dataset("your_gold_data.nc")

# 若经纬度是2D，转换为1D规则维度（假设规则网格）
ds = ds.assign_coords(
    latitude=("latitude", np.unique(ds.latitude[:, 0])),
    longitude=("longitude", np.unique(ds.longitude[0, :]))
)

# 直接按经纬度范围筛选区域
selected_ds = ds.sel(
    latitude=slice(lat_min, lat_max),
    longitude=slice(lon_min, lon_max)
)

# 计算平均温度
avg_temp = selected_ds.tdisk.mean().values
print("Average Temps in Selected Region:", avg_temp)

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