如何统计落入粗分辨率像素内的高分辨率值为1的网格点占比？

需求说明 #

现有两个空间数据集：

• 高分辨率数据集：仅包含0和1两种取值
• 粗分辨率数据集：仅需利用其网格范围，数值无意义

需要统计每个粗分辨率网格对应的高分辨率网格中，值为1的网格点数量占该粗网格内所有高分辨率点总数的比例。例如：某粗网格对应4个高分辨率点，取值为0、1、1、1，则占比为0.75。

示例数据集 #

粗分辨率数据 #

import numpy as np
import xarray as xr

lon = [176.25, 176.75, 177.25, 177.75, 178.25, 178.75, 179.25, 179.75]
lat = [-87.25, -87.75, -88.25, -88.75, -89.25, -89.75]
temperature = np.random.rand(6, 8)
coarse_res = xr.DataArray(temperature, coords={'lat': lat,'lon': lon}, dims=["lat", "lon"])

高分辨率数据 #

lon = [176.125,176.375,176.625,176.875,177.125,177.375,177.625,177.75,178.125,178.375,178.625,178.875,179.125,179.375,179.625,179.875]
lat = [-87.125, -87.375, -87.625, -87.875, -88.125, -88.375, -88.625, -88.875, -89.125, -89.375, -89.625, -89.875]
ds_2 = np.random.randint(0, 2, size=(12, 16))
high_res = xr.DataArray(ds_2, coords={'lat': lat,'lon': lon}, dims=["lat", "lon"])

解决方案 #

从示例数据可见，高分辨率网格的经纬度间隔为0.25，粗分辨率为0.5，正好是2倍关系，以下两种方法均可实现需求：

方法1：用coarsen直接降采样计算均值 #

由于0/1数据的均值等价于1的占比，直接对高分辨率数据按粗分辨率的倍数降采样，计算均值即可：

# 每个粗网格对应2个高分辨率纬度点、2个经度点
ratio = high_res.coarsen(lat=2, lon=2, boundary='trim').mean()

• boundary='trim'用于处理高分辨率点数非整数倍的情况，示例中12个纬度点（6×2）、16个经度点（8×2）刚好匹配粗分辨率维度，无需裁剪。

方法2：映射粗分辨率坐标后分组计算 #

如果高、粗分辨率网格不是整数倍关系，或需要更灵活的匹配逻辑，可先给高分辨率数据添加粗分辨率坐标标签，再分组计算：

# 为高分辨率数据匹配对应的粗分辨率经纬度标签
high_res_with_coarse = high_res.assign_coords(
    coarse_lat=lambda x: xr.DataArray(coarse_res.lat, dims='coarse_lat').broadcast_like(x.lat, exclude='coarse_lat').sel(lat=x.lat, method='nearest'),
    coarse_lon=lambda x: xr.DataArray(coarse_res.lon, dims='coarse_lon').broadcast_like(x.lon, exclude='coarse_lon').sel(lon=x.lon, method='nearest')
)

# 按粗分辨率经纬度分组，计算均值（即1的占比）
ratio = high_res_with_coarse.groupby(['coarse_lat', 'coarse_lon']).mean()
# 调整维度和坐标名称，与粗分辨率数据对齐
ratio = ratio.rename({'coarse_lat': 'lat', 'coarse_lon': 'lon'}).transpose('lat', 'lon')

两种方法得到的结果维度与coarse_res完全一致，可直接对比或后续分析使用。

内容的提问来源于stack exchange，提问作者Ehsan