### 使用Python根据矢量Shape从NetCDF文件中提取气温和降水数据 为了实现这一目标，可以采用如下方法： #### 加载必要的库 首先，确保安装并导入所需的Python库。这些库包括用于读取NetCDF文件的`netCDF4`、处理地理空间数据的`geopandas`以及执行栅格裁剪操作的`rioxarray`。 ```python import geopandas as gpd from netCDF4 import Dataset import rioxarray as rxr import xarray as xr ``` #### 导入矢量Shapefile 通过Geopandas加载定义感兴趣区域(AOI)边界范围的Shapefile文件，并查看其基本信息以确认坐标系是否匹配待处理的数据集。 ```python shp = gpd.read_file('path/to/your/shp/file.shp') print(shp.crs) ``` #### 打开NetCDF文件 利用Xarray打开包含气象要素（如温度或降水量）的时间序列网格化观测值或其他模拟结果存储于其中的一个或多个月份累积形成的NetCDF格式文件。 ```python ds = xr.open_dataset('path/to/netcdf/file.nc') ``` #### 数据预处理 对于某些情况下可能存在的不同投影间转换需求，在此之前应先统一CRS到WGS84标准下再做进一步的空间分析工作。这里假设已经完成这一步骤，则可以直接进入下一步——基于几何对象筛选符合条件的位置点集合。 ```python # 如果需要重新设置crs if ds.rio.crs is None: ds = ds.rio.write_crs("EPSG:4326", inplace=True) clipped_ds = ds.rio.clip(shp.geometry.apply(lambda geom: geom.__geo_interface__), shp.crs, drop=False) ``` 上述代码片段实现了对原始NetCDF数据集中位于指定AOI内部的所有像元值进行保留而移除其余部分的操作[^3]。 #### 提取所需变量 最后，针对经过裁切后的子集选取感兴趣的物理量字段作为最终输出成果保存至CSV文件当中以便后续可视化展示或者其他应用场合调用。 ```python df_temperature = clipped_ds['temperature'].to_dataframe().reset_index() df_precipitation = clipped_ds['precipitation'].to_dataframe().reset_index() df_temperature.to_csv('output_temperatures.csv', index=False) df_precipitation.to_csv('output_precipitations.csv', index=False) ``` 以上过程展示了如何使用Python脚本结合GeoPandas与Rioxarray工具包来高效地完成由NetCDF源资料向结构化的表格形式转变的任务，从而方便研究人员快速获取关注区域内特定时间段内平均气温变化趋势及累计降水平均分布状况等重要信息[^1]。