我正在处理来自netCDF文件的气候数据。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”为一个共同的网格分辨率。数据是三维的(时间、纬度、经度)。为了重新生成网格,我在每个时间步将旧网格线性插值到新网格上。在
我正在寻找一种方法来提高在每个时间步中循环的进程的效率,因为scipy.interpolate.interp2d一次只能处理两个维度。在
有没有什么方法可以有效地在时间序列的两个维度上进行线性重磨/插值,而不需要执行for循环(如下所示)?在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,因为它们通常非常大,需要在内存中处理,而xarray dataarray用于处理netCDF文件。在