如何基于.nc文件绘制30年周期降水数据的线性回归线

一、规避CSV转换崩溃的高效处理逻辑 #

直接全量转CSV会因数据体量过大（720×360×1452≈3.7亿条记录）触发内核崩溃，无需全量导出，用xarray直接完成聚合筛选后，再生成小体量DataFrame供Seaborn调用：

• 先通过时间重采样提取季节降水均值，同时可按需做空间平均（或提取单格点数据）
• 筛选目标30年数据，大幅压缩数据量
• 转换为DataFrame时仅保留聚合后的数据，避免内存溢出

二、具体代码实现 #

假设已通过xarray读取数据，降水变量名为pre：

import xarray as xr
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 假设已读入数据：ds = xr.open_dataset('cru_ts4.06_precip.nc')
# 1. 计算区域平均降水（若需单格点，跳过此步，用.sel(lon=XX, lat=YY, method='nearest')提取）
pre_region_avg = ds['pre'].mean(dim=['lon', 'lat'])

# 2. 按季节重采样并计算均值，QS-DEC表示以12月为季节起始（对应北半球DJF/MAM/JJA/SON）
pre_seasonal = pre_region_avg.resample(time='QS-DEC').mean()

# 3. 筛选30年数据，示例取1992-2021年
pre_30y = pre_seasonal.sel(time=slice('1992-01-01', '2021-12-31'))

# 4. 转换为DataFrame并添加年份、季节标签
df = pre_30y.to_dataframe(name='precip')
df['year'] = df.index.year
# 映射季节名称
season_map = {
    'Dec': 'DJF', 'Jan': 'DJF', 'Feb': 'DJF',
    'Mar': 'MAM', 'Apr': 'MAM', 'May': 'MAM',
    'Jun': 'JJA', 'Jul': 'JJA', 'Aug': 'JJA',
    'Sep': 'SON', 'Oct': 'SON', 'Nov': 'SON'
}
df['season'] = df.index.strftime('%b').map(season_map)
# 修正DJF年份（如2021年12月属于2021/2022冬季，按需调整）
df.loc[df.index.month == 12, 'year'] += 1

# 5. 用Seaborn绘制分季节线性回归线
plt.figure(figsize=(12, 8))
sns.lmplot(
    x='year', y='precip', hue='season', data=df,
    col='season', col_wrap=2, height=4,
    scatter_kws={'alpha': 0.6}, line_kws={'color': 'darkred'}
)
plt.suptitle('30-Year Seasonal Precipitation Trend', y=1.02)
plt.show()

三、关键细节说明 #

• 单格点数据处理：若无需区域平均，替换第一步为pre_point = ds['pre'].sel(lon=116.4, lat=39.9, method='nearest')（输入目标经纬度）
• 滑动30年窗口：如需滑动30年平均的季节趋势，用pre_seasonal.rolling(time=30*4, center=True).mean()（每个季节对应30年滑动窗口）
• 季节定义调整：南半球可改用QS-MAR作为重采样频率，对应南半球季节划分

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