### Python 实现 NC 文件从 0.25° 到 0.5° 的重采样 要实现将 NetCDF (.nc) 文件中的数据从 0.25° 分辨率重采样到 0.5° 分辨率，可以采用以下方法： #### 使用 `numpy` 和自定义函数完成降采样操作 通过加载原始的 NetCDF 数据并对其进行重新排列和平均处理，从而降低空间分辨率。以下是具体代码示例[^1]。 ```python import numpy as np from netCDF4 import Dataset def downsample_nc(input_file, output_file, factor): """ 将输入的NC文件从高分辨率降到指定倍数的低分辨率。 参数: input_file (str): 输入的NetCDF文件路径。 output_file (str): 输出的NetCDF文件路径。 factor (int): 下采样的因子（例如2表示减少一半的空间分辨率）。 """ # 加载原始数据 with Dataset(input_file, 'r') as src_ds: lat = src_ds.variables['lat'][:] lon = src_ds.variables['lon'][:] var_name = list(src_ds.variables.keys())[-1] # 假设最后一个变量为目标变量 data = src_ds.variables[var_name][:] nx, ny = data.shape[:2] if nx % factor != 0 or ny % factor != 0: raise ValueError(f"纬度/经度维度无法被factor={factor}整除") # 改变形状以便于计算均值 reshaped_data = np.reshape(data, (nx // factor, factor, ny // factor, factor)) downsampled_data = np.mean(reshaped_data, axis=(1, 3)) # 计算新的经纬度网格 new_lat = lat[::factor] new_lon = lon[::factor] # 创建新文件保存结果 with Dataset(output_file, 'w', format="NETCDF4") as dst_ds: # 定义维度 dst_ds.createDimension('lat', len(new_lat)) dst_ds.createDimension('lon', len(new_lon)) # 添加坐标变量 latitudes = dst_ds.createVariable('lat', 'f8', ('lat',)) longitudes = dst_ds.createVariable('lon', 'f8', ('lon',)) latitudes[:] = new_lat longitudes[:] = new_lon # 添加目标变量 target_var = dst_ds.createVariable(var_name, 'f8', ('lat', 'lon')) target_var[:] = downsampled_data # 示例调用 downsample_nc('input_0.25deg.nc', 'output_0.5deg.nc', factor=2) ``` 此脚本实现了如下功能： - **读取源文件**：利用 `netCDF4.Dataset` 打开 .nc 文件，并提取其中的变量。 - **调整数组结构**：通过对原数据进行重塑 (`reshape`) 并沿特定轴求平均值，达到降采样的目的。 - **写入目标文件**：创建一个新的 NetCDF 文件并将降采样后的数据存储进去。 #### 插值法作为备选方案 如果需要更复杂的插值方式，则可考虑使用 SciPy 或其他库来进行双线性插值或其他形式的插值[^3]。然而对于简单的均匀缩放任务来说，直接平均通常已经足够满足需求。 --- ### 注意事项 当执行上述过程时，请注意以下几点： 1. 确保输入数据的纬度和经度方向能够被下采样因子整除；否则可能引发错误或者不一致的结果。 2. 如果存在时间序列维度，在实际应用中还需要额外处理该维度的数据分布情况。 ---