Python中float64型3D数组Upscaling解决方案问询（含NaN处理）

核心结论 #

完全可以通过xarray实现，无需遍历第三维度，利用groupby_bins完成非整数倍的空间分箱平均，同时自动保留NaN掩码（陆面网格）。

具体实现步骤 #

1. 将原始数组包装为xarray DataArray

先为原始数组添加经纬度、月度维度的坐标信息，让xarray识别空间维度：

import xarray as xr
import numpy as np

# 构造原始数据的坐标
lat_original = np.linspace(30.1875, 45.9792, 380)
lon_original = np.linspace(-6, 36.2917, 1016)
month_dim = np.arange(396)  # 396个月度数据

# 包装为xarray DataArray
da = xr.DataArray(
    A,  # 你的原始float64数组
    dims=["month", "lat", "lon"],
    coords={
        "month": month_dim,
        "lat": lat_original,
        "lon": lon_original
    }
)

2. 裁剪原始数据到目标范围（可选但推荐）

目标网格的经纬度范围与原始数据略有差异，先裁剪掉超出目标范围的原始网格点，避免无效计算：

# 目标范围
target_lat_range = (30.0626, 45.9375)
target_lon_range = (-5.9375, 36.9375)

# 裁剪数据
da_clipped = da.sel(
    lat=slice(*target_lat_range),
    lon=slice(*target_lon_range)
)

3. 定义目标网格的分箱规则

根据目标分辨率0.125°生成经纬度分箱边界，同时计算分箱中心作为新坐标：

# 纬度分箱：边界 + 中心坐标
lat_bins = np.arange(target_lat_range[0], target_lat_range[1] + 0.125, 0.125)
lat_new = (lat_bins[:-1] + lat_bins[1:]) / 2  # 分箱中心作为新纬度坐标

# 经度分箱：边界 + 中心坐标
lon_bins = np.arange(target_lon_range[0], target_lon_range[1] + 0.125, 0.125)
lon_new = (lon_bins[:-1] + lon_bins[1:]) / 2  # 分箱中心作为新经度坐标

4. 执行空间分箱平均

通过两次groupby_bins完成纬度、经度的降分辨率平均，自动处理所有月度数据：

# 先对纬度分箱平均，再对经度分箱平均
da_coarse = da_clipped.groupby_bins(
    "lat", lat_bins, labels=lat_new
).mean(dim="lat").groupby_bins(
    "lon", lon_bins, labels=lon_new
).mean(dim="lon")

5. 转换为numpy数组（得到目标数组B）

B = da_coarse.values
# 检查形状：应为(396, 128, 344)，符合要求

关键细节说明 #

• NaN处理：mean方法默认skipna=True，会自动忽略NaN计算有效数值的平均；如果某个目标网格内的原始点全为NaN，结果会保留NaN，完美匹配陆面掩码需求。若需将NaN当作0参与平均，只需设置skipna=False。
• 效率优势：xarray的操作是向量化的，无需手动遍历月度维度，计算效率远高于循环遍历。
• 坐标匹配：使用分箱中心作为新坐标，确保目标网格的位置准确对应0.125°分辨率的网格中心。

内容的提问来源于stack exchange，提问作者Guybrush