网格重采样工具对决：xarray-regrid vs xemsf

用户11172986

发布于 2025-06-19 13:06:15

2500

文章被收录于专栏：气python风雨气python风雨

网格重采样工具终极对决：xarray-regrid vs xemsf

项目概述

所谓文无第一，武无第二

气象领域的插值方案是江山辈有才人出，那么我们今天来看看新鲜的插值库xarray-regrid

xarray-regrid 使用 regridding 方法扩展了 xarray，使其能够轻松有效地在两个直线网格之间重新网格化。

其支持以下插值方法

Linear

Nearest-neighbor

Conservative

Cubic

Zonal statistics

“Most common value” (zonal statistics)

“Least common value” (zonal statistics)

个人信息

公众号：气python风雨

Image Name

关注我获取更多学习资料，第一时间收到我的Python学习资料，也可获取我的联系方式沟通合作

环境设置

安装依赖

安装非常简单，只需要pip，注意需要python版本大于3.10

!pip install xarray-regrid -i https://pypi.mirrors.ustc.edu.cn/simple/

示例数据

示例数据使用常见的era5的nc格式

import xarray as xr 
ds = xr.open_dataset("/home/mw/input/era5sample8008/era5.nc") 
ds

1. xarray-regrid 实现方案

import xarray_regrid  
import xarray as xr  
from xarray_regrid import Grid  
from time import time  

# 创建目标网格（45°N-90°N, 90°E-180°E, 0.17°分辨率）  
new_grid = Grid(  
    north=,       # 北边界  
    south=,       # 南边界  
    west=,        # 西边界  
    east=,       # 东边界  
    resolution_lat=0.17,  # 纬度分辨率  
    resolution_lon=0.17   # 经度分辨率  
)  
target_ds = new_grid.create_regridding_dataset()  

# 加载ERA5数据  
ds = xr.open_dataset("/home/mw/input/era5sample8008/era5.nc")  

# 执行双线性重采样（核心代码）  
t_start = time()  
regridded_ds = ds.regrid.linear(target_ds)  # 线性插值  
regridded_ds = regridded_ds.compute()  # 触发实际计算  
print(f"xarray-regrid耗时: {time()-t_start:.2f}秒")  

# 结果验证  
print("重采样结果统计:")  
print(f"最小值: {regridded_ds['u10'].min().values:.2f}m/s")  
print(f"最大值: {regridded_ds['u10'].max().values:.2f}m/s")

xarray-regrid耗时: 5.99秒
重采样结果统计:
最小值: -18.50m/s
最大值: 22.56m/s

ds['u10'][].plot()

<matplotlib.collections.QuadMesh at 0x7fb0fd608b90>

regridded_ds['u10'][].plot()

<matplotlib.collections.QuadMesh at 0x7fb0fd6cf250>

2. cdo插值

具体操作过程这里

https://www.heywhale.com/mw/project/681ccb6c446db0038d3a6502

cdo更适合写为shell脚本使用，在notebook中不方便

3. xESMF 实现方案（ESMF封装）


import xarray as xr  
import xesmf as xe  
from time import time  
import numpy as np  

# 加载数据  
ds = xr.open_dataset("/home/mw/input/era5sample8008/era5.nc")  

# 创建目标网格（需手动构建）  
target_ds = xr.Dataset({  
    'lat': (['lat'], np.arange(, , 0.17)),  # 纬度坐标  
    'lon': (['lon'], np.arange(, , 0.17))  # 经度坐标  
})  

# 步骤1：创建重采样器（耗时最长）  
t_start = time()  
regridder = xe.Regridder(  
    ds,          # 输入数据集  
    target_ds,   # 目标网格  
    'bilinear',  # 双线性方法  
    extrap_method='nearest_s2d'# 边界外推方法  
)  
print(f"xESMF初始化耗时: {time()-t_start:.2f}秒")  

# 步骤2：执行重采样  
t_start = time()  
regridded_ds_emsf = regridder(  
    ds,             # 输入数据  
    keep_attrs=True# 保留属性  
)  
print(f"xESMF重采样耗时: {time()-t_start:.2f}秒")  
# 结果后处理  
regridded_ds_emsf = regridded_ds_emsf.rename({'lat': 'latitude', 'lon': 'longitude'})  

# 结果验证  
print("重采样结果统计:")  
print(f"最小值: {regridded_ds_emsf['u10'].min().values:.2f}m/s")  
print(f"最大值: {regridded_ds_emsf['u10'].max().values:.2f}m/s")

xESMF初始化耗时: 13.47秒
xESMF重采样耗时: 5.09秒
重采样结果统计:
最小值: -18.50m/s
最大值: 22.56m/s

regridded_ds_emsf['u10'][].plot()

<matplotlib.collections.QuadMesh at 0x7fb0fd43ca10>

(regridded_ds_emsf['u10'][]-regridded_ds['u10'][]).max()

插值结果一致

🧩 关键差异对比表

功能	xarray-regrid	CDO	xESMF
代码量	10行	需多步脚本	15行
预处理	无需	需转64位浮点	需手动建网格
边界处理	自动外推	需单独配置	需指定参数
内存管理	支持Dask流式	全加载	全加载
并行能力	原生Dask支持	需OpenMP编译	单线程
坐标系支持	自动识别	需明确定义	需明确定义