如何使用xESMF将高分辨率GRIB栅格重采样为更粗的分辨率？

Question

我正在尝试使用xESMF软件包将一组分辨率为0.25度的GRIB2阵列重新采样为更粗的分辨率为0.5度（xarray的粗化方法在这里不起作用，因为纬度中有奇数个坐标）

我已通过pygrib包将GRIB数据转换为xarray格式，然后将我需要的特定网格子集：

fhr = 96

gridDefs = {
    "0.25": 
        {'url': "https://noaa-gefs-retrospective.s3.amazonaws.com/landsfc.pgrb2.0p25"},
    "0.5": 
        {'url': "https://noaa-gefs-retrospective.s3.amazonaws.com/landsfc.pgrb2.0p50"},
}

fileDefs = {
    "0.25":
        {'url': "https://noaa-gefs-retrospective.s3.amazonaws.com/GEFSv12/reforecast/2019/2019051900/c00/Days%3A1-10/tmp_pres_2019051900_c00.grib2",
         'localfile': "tmp_pres.grib2"},
    "0.5":
        {'url': "https://noaa-gefs-retrospective.s3.amazonaws.com/GEFSv12/reforecast/2019/2019051900/c00/Days%3A1-10/tmp_pres_abv700mb_2019051900_c00.grib2",
         'localfile': "tmp_pres_abv_700.grib2"},
}

def grib_to_xs(grib, vName):
    arr = xr.DataArray(grib.values)
    arr = arr.rename({'dim_0':'lat', 'dim_1':'lon'})
    xs = arr.to_dataset(name=vName)
    return xs

gribs = {}

for key, item in gridDefs.items():
    if not os.path.exists(item['url'][item['url'].rfind('/')+1:]):
        os.system("wget " + item['url'])
    lsGrib = pygrib.open(item['url'][item['url'].rfind('/')+1:])
    landsea = lsGrib[1].values
  
    gLats = lsGrib[1]["distinctLatitudes"]
    gLons = lsGrib[1]["distinctLongitudes"]
    
    gribs["dataset" + key] = xr.Dataset({'lat': gLats, 'lon': gLons})

    lsGrib.close()

for key, item in fileDefs.items():
    if not os.path.exists(item['localfile']):
        os.system("wget " + item['url'])
        os.system("mv " + item['url'][item['url'].rfind('/')+1:] + " " + item['localfile'])

for key, item in fileDefs.items():        
    hold = pygrib.open(item['localfile'])
    subsel = hold.select(forecastTime=fhr)
    
    #Grab the first item
    gribs[key] = grib_to_xs(subsel[1], "TT" + key)
    
    hold.close()

上面的代码在两个网格域（0.25和0.5）下载两个常量文件（landsfc），然后在每个分辨率下下载两个GRIB文件。我正在尝试将0.25度GRIB文件（tmp_pres.grib2）重新采样为0.5度域，如下所示：

regridder = xe.Regridder(ds, gribs['dataset0.5'], 'bilinear')
print(regridder)
ds2 = regridder(ds)

我的问题是，我在尝试使用regridder时生成了两条警告消息：

/media/robert/HDD/Anaconda3/envs/wrf-work/lib/python3.8/site-packages/xarray/core/dataarray.py:682: FutureWarning: elementwise comparison failed; returning scalar instead, but in the future will perform elementwise comparison
  return key in self.data
/media/robert/HDD/Anaconda3/envs/wrf-work/lib/python3.8/site-packages/xesmf/backend.py:53: UserWarning: Latitude is outside of [-90, 90]
  warnings.warn('Latitude is outside of [-90, 90]')

输出xarray确实具有正确的坐标，但是网格内的值相差很远（超出更高分辨率网格的最大值/最小值），并且显示出这些奇怪的带状图案，这些图案没有任何物理意义

我想知道的是，这是使用xEMSF升级阵列的正确过程吗？如果不是，我将如何解决这个问题

任何帮助都将不胜感激，谢谢

Answer 1

多亏了MASACR 99提供的文档链接和建议，我能够对xESMF包进行更多的挖掘，并从包作者（https://github.com/geoschem/GEOSChem-python-tutorial/blob/main/Chapter03_regridding.ipynb）那里找到一个重采样方法的工作示例，我的问题通过两个更改得到了解决：

1. 我将方法从双线性改为保守（这还需要在输入数组中添加两个字段（纬度和经度的边界）
2. 我没有直接将重采样的变量传递给重采样器，而是定义了两个固定的网格来创建重采样器，然后传递各个变量

为了解决第一个变化，我创建了一个新函数来提供边界变量：

def get_bounds(arr, gridSize):    
    lonMin = np.nanmin(arr["lon"].values)
    latMin = np.nanmin(arr["lat"].values)
    lonMax = np.nanmax(arr["lon"].values)
    latMax = np.nanmax(arr["lat"].values)
    
    sizeLon = len(arr["lon"])
    sizeLat = len(arr["lat"])
    
    bounds = {}
    
    bounds["lon"] = arr["lon"].values
    bounds["lat"] = arr["lat"].values
    bounds["lon_b"] = np.linspace(lonMin-(gridSize/2), lonMax+(gridSize/2), sizeLon+1)
    bounds["lat_b"] = np.linspace(latMin-(gridSize/2), latMax+(gridSize/2), sizeLat+1).clip(-90, 90)
    
    return bounds

对于第二个更改，我修改了Regrider定义和应用程序，以使用静态定义的网格，然后将所需变量传递给重采样：

regridder = xe.Regridder(get_bounds(gribs['dataset0.25'], 0.25), get_bounds(gribs['dataset0.5'], 0.5), 'conservative')
print(regridder)
ds2 = regridder(ds)

Answer 2

我建议首先尝试保守而不是双线性（这在他们的文档中是推荐的），并且可能会检查您是否正确使用了参数，因为似乎有什么地方出错了，我的第一个猜测是，您所做的事情会因为某种原因移动纬度，我把文档链接留在这里，希望有人知道更多

重新招标文件： https://xesmf.readthedocs.io/en/latest/user_api.html?highlight=regridder#xesmf.frontend.Regridder.__init_\u

放大建议（搜索放大，还有提高分辨率的指南）： https://xesmf.readthedocs.io/en/latest/notebooks/Compare_algorithms.html?highlight=upscaling