如何使用盒平均法在Python中对NetCDF格式500hPa垂直速度数据降采样

你可以通过xarray库的coarsen方法高效实现需求，该方案会自动处理你提供的元数据（包括缩放系数、缺失值、单位属性等），无需手动解析原始数据编码。

1. 依赖安装 #

需要用到的核心库如下，执行对应命令安装即可：

pip install xarray numpy netCDF4

2. 完整实现代码 #

import xarray as xr
import numpy as np

# 读取原始NetCDF文件，xarray会自动处理scale_factor、_FillValue等编码规则
ds = xr.open_dataset("你的输入文件路径.nc")

# 适配纬度维度：原始纬度共721个点，裁剪末尾1个点凑为720，刚好匹配10倍降采样窗口
# 若你的数据是从北到南排列的纬度，可改为slice(1, 721)裁剪最北端的点，对结果影响极小
ds_trim = ds.isel(latitude=slice(0, 720))

# -------------------- 基础版：等权盒平均 --------------------
ds_coarse = ds_trim.coarsen(
    longitude=10,  # 经度方向每10个点合并为1个
    latitude=10,   # 纬度方向每10个点合并为1个
    boundary="trim"
).mean(skipna=True) # 自动跳过缺失值计算平均

# -------------------- 优化版：面积加权盒平均 --------------------
# 可选：考虑不同纬度格点面积差异，用纬度余弦加权，结果更符合物理意义
# weights = np.cos(np.deg2rad(ds_trim.latitude))
# ds_coarse = (ds_trim * weights).coarsen(
#     longitude=10, latitude=10, boundary="trim"
# ).sum(skipna=True) / weights.coarsen(latitude=10, boundary="trim").sum()

# 手动修正降采样后的坐标为每个盒的中心点，保证坐标精度
ds_coarse['longitude'] = ds_trim.longitude.values[::10] + 1.25 # 原始间隔0.25°，半窗偏移1.25°
ds_coarse['latitude'] = ds_trim.latitude.values[::10] + 1.25

# 复制原始元数据，保证输出文件符合CF规范
for coord in ['longitude', 'latitude', 'time']:
    ds_coarse[coord].attrs = ds[coord].attrs
ds_coarse['w'].attrs = ds['w'].attrs
ds_coarse.attrs = ds.attrs

# 输出降采样后的文件
ds_coarse.to_netcdf("降采样输出文件路径.nc")

关键说明 #

• 降采样逻辑完全匹配盒平均规则：每个输出网格点对应原始10×10窗口内所有有效观测的平均值，比双线性插值更适合降采样场景，不会丢失区域平均的物理意义
• 自动兼容你提供的所有元数据规则，包括缺失值、缩放系数、单位属性，输出的文件可直接用于后续分析
• 若你不需要裁剪纬度，可将boundary参数改为pad，边缘会自动填充缺失值，不过更推荐裁剪冗余的极点附近格点，对中低纬度结果无明显影响

内容的提问来源于stack exchange，提问作者SxS