这次使用的数据是网格数据，netCDF老演员了，使用了两个数据，分别是PM2.5和气温TEM，对二者先进行相关性分析，然后分别进行MK分析，并且为了防止遇到nan和inf值，在自定义函数中进行了限制，应该适用性还是可以的，应该可以很方便地用于自己的数据集中。
首先读取两个数据集，由于网格较多，这里只选择一小部分来执行，在选择制定范围数据的时候，使用isel趋选择，不要用sel，在我用sel去选择数据的时候发现lat显示是0。
接下来对PM2.5和TEM数据进行相关性分析：
from scipy import stats
def corr_3d(x,y): nlat=y.shape[1] nlon=y.shape[2] corr=np.full([nlat,nlon],np.nan) pval=np.full([nlat,nlon],np.nan) for i in range(nlat): for j in range(nlon): t_x = np.isnan(x[:,i,j]) t_y = np.isnan(y[:,i,j]) if True in t_x or True in t_y: continue else: r,p=stats.pearsonr(x[:,i,j],y[:,i,j]) corr[i,j]=r pval[i,j]=p lat = y.coords['lat'] lon = y.coords['lon'] corr=xr.DataArray(corr,coords=[lat,lon],dims=['latitude','longitude']) pval=xr.DataArray(pval,coords=[lat,lon],dims=['latitude','longitude']) return corr,pval
corr,pval=corr_3d(PM25,TEM['tmp'])
然后绘制出相关系数图
第二部分是分别对PM2.5和TEM数据进行MK趋势分析，只需要简单修改一下上述定义好的函数即可使用
然后绘制出来看看，由于数据是每月的，因此slope那里乘了12表示年的趋势，绘图结果如下
同样的，对TEM气温数据也进行MK测试，slope乘了120表示十年的趋势，TEM的趋势数值没想到这么大
在具体的使用中，如果网格较大的话运行可能比较慢。
申根区牛逼！过几天就去维也纳参加EGU2023啦！
A）联系小编获取原价100刀的谢尚平新书电子版《海气耦合动力学：从厄尔尼诺到气候变化》 & 公众号不定期送书活动
B）提前联系号主委托录制所需报告 & 公众号主页右上角放大镜即可搜索往期上万录屏
C）中国气象背景数据集（点击蓝字跳转）
D）全国气象局、民航空管、考研升学等面试真题
E）Python、Linux、Endnote、Fortran等干货专题（菜单栏）
F）头条免费宣传课题组科研进展，旨在促进学科交流，欢迎供稿！
