跨时间暗淡每个网格单元的线性回归

如何解决跨时间暗淡每个网格单元的线性回归

我是 xarray 和机器学习方面的新手。

所以我有 xarray 数据集如下：

<xarray.Dataset>
Dimensions:    (latitude: 721,longitude: 1440,time: 72)
Coordinates:
  * time       (time) datetime64[ns] 1950-01-01 1951-01-01 ... 2021-01-01
  * longitude  (longitude) float32 0.0 0.25 0.5 0.75 ... 359.25 359.5 359.75
  * latitude   (latitude) float32 90.0 89.75 89.5 89.25 ... -89.5 -89.75 -90.0
Data variables:
    z          (time,latitude,longitude) float32 49654.793 49654.793 ... 49654.793

现在我想对跨时间维度的每个网格应用线性回归，然后我想从原始值中删除回归值以消除趋势。下面是一个示例网格的示例。

y = np.array(jan.z[:,700,700]) #single grid with all time
x = (np.arange(1950,len(y)+1949)).reshape(-1,1) #72 time for x axis which will remain same for all grid

reg = LinearRegression().fit(x,y)

pred = reg.predict(x)
y = (y - (pred - y))

现在这只是一个网格，我有这样的 721*14000 网格，所以 for 循环不会是最优化的方法，是否有更优化的方法或一些直接的函数可以在 xarray 中这样做？我试图寻找类似的东西，但我找不到可以解决我的问题的东西。