Question

我正在使用从netCDF文件派生的气候数据。来自不同模型的数据具有不同的分辨率 - 因此，有必要将模型“重新划分”为共同的网格分辨率。数据是3-D（时间，纬度，经度）。为了重新划分，我在每个时间步长处将旧网格线性插值到新网格上。

我正在寻找一种方法来提高循环每个时间步的流程效率，因为scipy.interpolate.interp2d一次只能处理两个维度。

有没有办法在不进行for循环（如下所示）的情况下，在时间序列的两个维度上有效地线性重新/内插/插入？

import numpy as np
import xarray as xr

#create xarray DataArray to establish resolution we want to regrid to.
ref_lat = np.linspace(-90,89,180)
ref_lon = np.linspace(0,359,360)
ref_grid = xr.DataArray(np.zeros((180,360)),coords=[('lat',ref_lat),('lon',ref_lon)])
x_new = ref_grid.lon
y_new = ref_grid.lat

#original files and dimension
x_old = original_DataArray.lon
y_old = original_DataArray.lat
z_old = original_file #3-D memmap

fout = np.memmap('file_out',dtype='float32',mode='w+',shape=original_file.shape)
#any way to optimize this part??
for t in range(0,original_file.shape[0]):
    f = interpolate.interp2d(x_old,y_old,z_old[t,:,:])
    fout[t,:,:] = f(x_new,y_new)
fout.flush()

*注意：我使用numpy memmaps将文件写入磁盘或从磁盘写入文件，因为它们通常在内存中处理大，而xarray DataArrays用于处理netCDF文件。

Answer 1

我认为不可能避免循环，但由于你的网格是常规的（lon，lat），你可以使用documentation建议的更快RectBivariateSpline。

此外，xarray添加了一个额外的索引层，您的代码不会使用它，这可能会减少不必要的速度。特别是，如果您的数据存储在文件xarray中，则只有在被要求时才会将其读出。

例如，你可以这样做：

#original files and dimension
x_old = original_DataArray.lon.values
y_old = original_DataArray.lat.values
z_old = original_file.load().values

并用以下内容替换索引循环：

for t, z in enumerate(z_old):
    # z is your 2d array, not sure if this loop is much faster though

Answer 2

也可以，您可以使用ESMpy来加快速度。

Answer 3

CDAT工具中有一个regrid()方法，可以帮助插值到新的网格上，而无需手动循环时间片。您可以为函数指定要插入的目标网格：

var1_regrid = var1.regrid(ref_var.getGrid())
var2_regrid = var2.regrid(ref_var.getGrid())
var3_regrid = var3.regrid(ref_var.getGrid())

因此可以将它们放入诸如以下的计算中：

diff = var1_regrid - ref_var

python中时间序列的二维网格插值

3 个答案: