xarray的interp最近方法如何选择最近的中心？答案

【问题标题】：How does xarray's interp nearest method choose the nearest center?xarray的interp最近方法如何选择最近的中心？
【发布时间】：2021-05-02 04:19:09
【问题描述】：

我有一个二维 xarray 数据集，我想在 lon 和 lot 坐标上进行插值，以便获得更高的分辨率，但这些值与每个坐标处的原始值完全对应。我认为出色的 xr.interp 函数可以做到这一点，但是在 the example 之后，我发现原始值和插值之间存在一些差异。我将经度和纬度分辨率增加 4，因此除了在原始数据集中出现一次的所有 air 值之外，在插值数据集中出现 16 次，但事实并非如此。

有谁知道原始数据集和插值数据集不对齐的原因是什么以及我该如何解决？

ds = xr.tutorial.open_dataset("air_temperature").isel(time=0)
fig, axes = plt.subplots(ncols=2, figsize=(10, 4))
ds_sel=ds.sel(lon=slice(250,260),lat=slice(40,30))
ds.air.plot(ax=axes[0],xlim=(250,260),ylim=(30,40))

axes[0].set_title("Raw data")

# Interpolated data
new_lon = np.linspace(ds.lon[0], ds.lon[-1], ds.dims["lon"] * 4)
new_lat = np.linspace(ds.lat[0], ds.lat[-1], ds.dims["lat"] * 4)

dsi = ds.interp(lat=new_lat, lon=new_lon,method="nearest")
dsi_sel=dsi.sel(lon=slice(250,260),lat=slice(40,30))
dsi.air.plot(ax=axes[1],xlim=(250,260),ylim=(30,40))


axes[1].set_title("Interpolated data")

用

显示唯一值

unique, counts = np.unique(ds_sel.air.values, return_counts=True)
print("original values",dict(zip(unique, counts)))
unique, counts = np.unique(dsi_sel.air.values, return_counts=True)
print("interpolated values",dict(zip(unique, counts)))

我明白了

original values {262.1: 1, 263.1: 1, 263.9: 1, 264.4: 1, 265.19998: 1, 266.6: 1, 266.79: 1, 266.9: 2, 268.29: 1, 269.79: 1, 270.4: 1, 273.0: 1, 273.6: 1, 275.19998: 1, 276.29: 1, 278.0: 1, 278.5: 1, 278.6: 1, 281.5: 1, 282.1: 1, 282.29: 1, 284.6: 1, 286.79: 1, 288.0: 1}

interpolated values {262.1: 4, 263.1: 8, 263.9: 8, 264.4: 8, 265.19998: 4, 266.6: 16, 266.79: 16, 266.9: 24, 268.29: 8, 269.79: 20, 270.4: 10, 273.0: 20, 273.6: 16, 275.19998: 8, 276.29: 20, 278.0: 16, 278.5: 10, 278.6: 8, 281.5: 4, 282.1: 16, 282.29: 8, 284.6: 8, 286.79: 8, 288.0: 4}

【问题讨论】：

标签： python interpolation python-xarray

【解决方案1】：

我认为您在概念上遇到了围栏错误（请参阅本页上的部分：https://en.wikipedia.org/wiki/Off-by-one_error）

您应该将 xarray 坐标解释为“中点”，而不是单元格边界。

您的new_lon 没有很好地分为 1/2、1/4、1/8 等：

print(new_lon)
[200.         200.61611374 201.23222749 201.84834123 202.46445498
 203.08056872 203.69668246 204.31279621 204.92890995]

而且它不包括所有原始坐标。

考虑到“逐个”：

new_lon = np.linspace(ds.lon[0], ds.lon[-1], (ds.dims["lon"] - 1) * 4 + 1)
new_lat = np.linspace(ds.lat[0], ds.lat[-1], (ds.dims["lat"] - 1) * 4 + 1)
print(new_lon)
[200.    200.625 201.25  201.875 202.5   203.125 203.75  204.375 205.   ]

然后你可以例如检查原始和插值的第一行的部分：

selection = ds["air"][0, :3]
selection_i = dsi["air"][0, :9]
print(selection["lon"])
print(selection.values)
print(selection_i["lon"])
print(selection_i.values)

这对我来说看起来不错：

[200.  202.5 205. ]
[241.2 242.5 243.5]
[200.    200.625 201.25  201.875 202.5   203.125 203.75  204.375 205.   ]
[241.2   241.2   241.2   242.5   242.5   242.5   242.5   243.5   243.5]

当然，在进行最近插值时，您可能会得到平局： 0.5 与 0.0 的差距与 1.0 的差距一样大——因此您不得不在无意中偏向“向上”或“向下”以获得单个最接近的值。

另请注意，绘制 Matplotlib QuadMesh 的 .plot() 命令必须以某种方式从中点推断边界。这有时会导致绘制的边界与您的想法略有不同（尤其是在坐标间隔不均匀的情况下）。

【讨论】：