嘿，这个问题我之前处理WRF输出的时候可太熟悉了！因为像WRF这类模式的经纬度（XLAT、XLONG）是随网格变化的多维数组，没法直接用普通的sel()按坐标值选取数据。下面给你几个实用的方案，按推荐程度排序：

方法一：计算最近邻网格点索引（推荐） #

这是最通用、最准确的方法，不管你的经纬度数组是二维还是更高维都适用。核心思路是先计算每个网格点到目标经纬度的距离，找到距离最小的那个点的索引，再用isel()提取对应数据。

步骤1：加载数据并定义目标位置 #

import xarray as xr
import numpy as np

# 加载NetCDF文件
ds = xr.open_dataset('your_wrf_output.nc')
t2 = ds['T2']
lat_field = ds['XLAT']  # 多维纬度数组
lon_field = ds['XLONG'] # 多维经度数组

# 目标经纬度
target_lat = 39.3807
target_lon = -86.5972

步骤2：计算距离并找到最近邻索引 #

如果是小范围区域（比如单个流域或城市），用欧氏距离计算足够快且准确：

# 计算每个网格点到目标点的欧氏距离
distance = np.sqrt((lat_field - target_lat)**2 + (lon_field - target_lon)**2)

# 找到距离最小的点的索引（转换为二维索引）
min_dist_idx = np.unravel_index(distance.argmin(), distance.shape)
south_north_idx, west_east_idx = min_dist_idx

如果是全球范围或大区域，建议用球面距离（Haversine公式），避免经纬度非线性带来的误差：

from math import radians, sin, cos, sqrt, atan2

def haversine(lat1, lon1, lat2, lon2):
    """计算两点间的球面距离（单位：公里）"""
    lat1, lon1, lat2, lon2 = map(radians, [lat1, lon1, lat2, lon2])
    dlat = lat2 - lat1
    dlon = lon2 - lon1
    a = sin(dlat/2)**2 + cos(lat1) * cos(lat2) * sin(dlon/2)**2
    c = 2 * atan2(sqrt(a), sqrt(1-a))
    return 6371 * c  # 地球平均半径：6371公里

# 向量化计算所有网格点的球面距离
distance = haversine(lat_field, lon_field, target_lat, target_lon)

# 获取最近邻索引
min_dist_idx = np.unravel_index(distance.argmin(), distance.shape)
south_north_idx, west_east_idx = min_dist_idx

步骤3：提取目标位置的数据 #

# 用整数索引选取数据
t2_target = t2.isel(south_north=south_north_idx, west_east=west_east_idx)
print(t2_target)

方法二：利用xarray的多维坐标最近邻查询（适合新版本xarray） #

如果你的xarray版本≥0.19.0，可以尝试将多维经纬度设置为非维度坐标，然后用sel()的method='nearest'参数直接查询：

# 将XLAT、XLONG添加为数据集的坐标
ds_with_coords = ds.assign_coords(lat=lat_field, lon=lon_field)

# 直接按经纬度选取最近邻数据
t2_target = ds_with_coords['T2'].sel(lat=target_lat, lon=target_lon, method='nearest')

⚠️ 注意：这个方法对多维坐标的支持有限，部分场景下可能不如方法一稳定，建议测试后使用。

方法三：用where筛选（不推荐） #

你也可以用where()筛选出距离目标点最近的网格，但这种方法需要手动设置阈值，容易遗漏或选到多个点，不如前两种方法精准：

# 设置距离阈值（比如0.01度）
t2_target = t2.where((abs(lat_field - target_lat) < 0.01) & (abs(lon_field - target_lon) < 0.01), drop=True)

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