如果你使用e.例如双线性插值，这将导致更平滑场。
NCAR ClimateData指南有一个很好的introduction to regridding（通用，而不是Python特定的）。
据我所知，Python可用的最强大的regridding例程实现是Earth System Modeling Framework (ESMF) Python interface (ESMPy)。如果这对您的应用程序来说有点太复杂，您应该查看

1. EarthPy关于注册的教程（例如.例如，使用Pyresample、cKDTree或Basemap）。
   1.将数据转换为Iris立方体并使用Iris的重新网格化函数。
   也许可以先看看EarthPy regridding tutorial using Basemap，因为您已经在使用它了。
   在您的示例中执行此操作的方法是

from mpl_toolkits import basemap
from netCDF4 import Dataset

filename = '/Users/Nick/Desktop/SST/SST.nc'
with Dataset(filename, mode='r') as fh:
   lons = fh.variables['LON'][:]
   lats = fh.variables['LAT'][:]
   sst = fh.variables['SST'][:].squeeze()

lons_sub, lats_sub = np.meshgrid(lons[::4], lats[::4])

sst_coarse = basemap.interp(sst, lons, lats, lons_sub, lats_sub, order=1)

这将对SST数据执行双线性插值（order=1），并将其插入到子采样网格（每隔四个点）。之后，您的图看起来会更加粗粒度。如果你不喜欢，用e插值回到原始网格上。g的。

sst_smooth = basemap.interp(sst_coarse, lons_sub[0,:], lats_sub[:,0], *np.meshgrid(lons, lats), order=1)

我通常通过拉普拉斯滤波器来平滑我的数据。也许你可以试试下面的函数，看看它是否对你的数据有帮助。该函数可以在有或没有掩码的情况下调用（例如：g海洋数据点的陆地/海洋掩模）。希望这能帮上忙。T形

# Laplace filter for 2D field with/without mask
# M = 1 on - cells used
# M = 0 off - grid cells not used
# Default is without masking

import numpy as np
def laplace_X(F,M):
    jmax, imax = F.shape
    # Add strips of land
    F2 = np.zeros((jmax, imax+2), dtype=F.dtype)
    F2[:, 1:-1] = F
    M2 = np.zeros((jmax, imax+2), dtype=M.dtype)
    M2[:, 1:-1] = M

    MS = M2[:, 2:] + M2[:, :-2]
    FS = F2[:, 2:]*M2[:, 2:] + F2[:, :-2]*M2[:, :-2]

    return np.where(M > 0.5, (1-0.25*MS)*F + 0.25*FS, F)

def laplace_Y(F,M):
    jmax, imax = F.shape

    # Add strips of land
    F2 = np.zeros((jmax+2, imax), dtype=F.dtype)
    F2[1:-1, :] = F
    M2 = np.zeros((jmax+2, imax), dtype=M.dtype)
    M2[1:-1, :] = M

    MS = M2[2:, :] + M2[:-2, :]
    FS = F2[2:, :]*M2[2:, :] + F2[:-2, :]*M2[:-2, :]

    return np.where(M > 0.5, (1-0.25*MS)*F + 0.25*FS, F)

# The mask may cause laplace_X and laplace_Y to not commute
# Take average of both directions

def laplace_filter(F, M=None):
    if M == None:
        M = np.ones_like(F)
    return 0.5*(laplace_X(laplace_Y(F, M), M) +
                laplace_Y(laplace_X(F, M), M))

关于scipy.interpolate.griddata的原始问题：
仔细查看该函数的参数规格（e。例如，在SciPy documentation中），并确保您的输入数组具有正确的形状。你可能需要做一些事情，比如

import numpy as np
points = np.vstack([a.flat for a in np.meshgrid(lons,lats)]).T # (n,D)
values = sst.ravel() # (n)

等等

如果您使用的是Linux，则可以使用nctoolkit（https://nctoolkit.readthedocs.io/en/latest/）来实现这一点。
你没有说明你的数据的latlon范围，所以我假设它是一个全局数据集。重新网格化到1度分辨率需要以下内容：

import nctoolkit as nc
filename = '/Users/Nick/Desktop/SST/SST.nc'
data = nc.open_data(filename)

data.to_latlon(lon = [-179.5, 179.5], lat = [-89.5, 89.5], res = [1,1])
# visualize the data
data.plot()

看看这个使用xarray的例子。..使用ds.interp方法并指定新的纬度和经度值。
http://xarray.pydata.org/en/stable/interpolation.html#example