使用xarray合并数据集后CHL变量全部变为NaN是什么原因

• 方法使用错误：xr.merge的核心逻辑是基于坐标值的精确匹配合并不同变量，适合变量不同、坐标完全对齐的数据集合并。你的两个数据集存储的是同一变量CHL，属于空间范围连续的待拼接数据，本身除了边界外没有重叠的坐标点，用merge无法匹配到有效数据。
• 浮点数精度偏差：两个数据集的lat/lon坐标为float32类型，存储时存在微小的精度误差（比如标称值同为35.0的坐标，实际存储值可能为34.9999999和35.0000001），merge时会被判定为不匹配的坐标，进一步导致没有任何数据点能成功匹配，最终全为NaN。
• 坐标顺序不一致：ds1的lat坐标从高纬度向低纬度排列，ds2的lat坐标从低纬度向高纬度排列，排序不一致也会加剧坐标匹配失败的问题。

方案1：沿空间维度拼接（推荐，符合你的需求） #

你需要的是将两个经度连续的CHL数据拼接为一个完整的区域数据，使用xr.concat更合适，操作步骤如下：

1. 统一坐标精度与排序

# 统一坐标精度到3位小数，匹配你数据的标称精度
ds1['lon'] = ds1.lon.round(3)
ds1['lat'] = ds1.lat.round(3)
ds2['lon'] = ds2.lon.round(3)
ds2['lat'] = ds2.lat.round(3)

# 统一坐标排序为升序
ds1 = ds1.sortby(['time', 'lat', 'lon'])
ds2 = ds2.sortby(['time', 'lat', 'lon'])

2. 对齐纬度坐标（可选，若两个数据集的lat网格不一致时使用）

# 将ds2的lat插值到与ds1完全一致的网格，用最近邻插值避免精度损失
ds2 = ds2.interp(lat=ds1.lat, method='nearest')

3. 沿经度维度拼接

ds3 = xr.concat([ds1, ds2], dim='lon')
# 拼接后可手动去重可能重复的边界经度点
ds3 = ds3.drop_duplicates(dim='lon')

方案2：坚持使用merge的调整方法 #

如果确实需要用merge实现，可通过参数调整兼容坐标偏差：

ds3 = xr.merge(
    [ds1, ds2],
    join='outer', # 保留所有坐标点
    compat='override', # 优先用第一个数据集的坐标属性
    combine_attrs='override'
)

如果仍存在NaN，可先对其中一个数据集做重投影对齐：

# 构建公共网格，步长按你数据的实际分辨率设置
import numpy as np
common_lat = np.arange(35.0, 37.7, 0.003)
common_lon = np.arange(-9.0, -1.5, 0.003)

# 将两个数据集都插值到公共网格
ds1_regrid = ds1.interp(lat=common_lat, lon=common_lon, method='nearest')
ds2_regrid = ds2.interp(lat=common_lat, lon=common_lon, method='nearest')

# 合并
ds3 = xr.merge([ds1_regrid, ds2_regrid])

内容的提问来源于stack exchange，提问作者OlegRuskiy