Python:如何以不同的空间分辨率合并两个不同的netCdf填充？

Question

有可能合并两个不同空间分辨率的netCDF文件吗？

我有两个数据集。

第一个是ESA土地覆被数据集，空间解析为300m为netCDF。

第一个是居住在意大利的人口，其空间分辨率为100m，从WorldPop转换为geoTIFF，我将其转换为netCDF。

这就是我要做的

## convert GeoTiff to netCDF
from osgeo import gdal
fin = ita_ppp_2000.tif'
fout = 'ita_ppp_2000.nc'
ds = gdal.Translate(fout, fin, format='NetCDF')

我下载ESA CCI数据

year = 2000
import cdsapi
c.retrieve(
    'satellite-land-cover',
    {
        'variable': 'all',
        'format': 'zip',
        'version': 'v2.1.1',
        'year': str(y),
    },
    'download_%d.zip'%y) ## we need to unzip it

fn = 'ESACCI-LC-L4-LCCS-Map-300m-P1Y-%d-v2.0.7cds.nc'%year## Global 300m resolution

我得到了意大利的数据

def clipEsa(fn,x0,x1,y0,y1):
    dnc = xr.open_dataset(fn)
    lat = dnc.variables['lat'][:]
    lon = dnc.variables['lon'][:]

    # All indices in bounding box:
    where_j = np.where((lon >= x0) & (lon <= x1))[0]
    where_i = np.where((lat >= y0) & (lat <= y1))[0]

    # Start and end+1 indices in each dimension:
    i0 = where_i[0]
    i1 = where_i[-1]+1

    j0 = where_j[0]
    j1 = where_j[-1]+1

    longitude = dnc["lccs_class"]["lon"].values[j0:j1]
    latitude = dnc["lccs_class"]["lat"].values[i0:i1]
    
    time = dnc['lccs_class']['time'][0]
    return dnc.sel(time=time, lon=longitude, lat=latitude) 

  wp = xr.open_dataset(fout)  ## Italian population with 100m resolution
  bb = [wp.lon[0].values, wp.lon[-1].values, wp.lat[0].values, wp.lat[-1].values] ## bounding box
  esaItaly = clipEsa(fn,bb[0],bb[1],bb[2],bb[3])  ## ESA CCI clipped for Italy

我希望这两个数据集都具有300m的空间分辨率。特别是，我想用wp数据集从100m到300m的和，在esaItaly的相同像素中重新采样。

这就是我试过的

wp_inter = wp.interp(lat=esaItaly["lat"], lon=esaItaly["lon"])

但人口总数却要少得多。

sum(wp_inter['Band1'].values[wp_inter['Band1'].values>0])
5038174.5   ## population interpolated

sum(wp.Band1.values[wp.Band1.values>0])
56780870.0   ## original population

Answer 1

做这件事有很多种方法，但最简单的方法可能是gdalbuildvrt。

使用gdalbuildvrt --无论是从命令行还是从Python库--并构建一个VRT数据集。确保在结尾处列出了最高分辨率的文件--如果存在重叠，则最终的dataset获胜。

记住使用[-resolution {highest|lowest|average|user}]选项。

拥有复合数据集后，请使用gdal_translate -- CLI或Python --将其合并为单一单一数据集，格式为首选格式。

不要试图自己去实现它--它比看起来要复杂得多。