由于NEE文件太大，内存无法容纳，因此必须将其分段处理。

解决方案1：显而易见的方式

将每小时数据汇总为每日数据是最容易理解的方法，之后您必须将每日数据汇总为每月数据（在您的问题中，您提到“每月平均每个像素”，但我假设您希望汇总为“每月NEE”，而不是平均为“每月平均每小时NEE”）。执行此操作的基本循环如下所示：

library(ncdf4)
NEE_2022 <- nc_open('NEE_2022.nc')

# Number of days per month
days_in_month <- c(31, 28, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31)

# First hour of every month in 2022
h1 <- c(1, 745, 1417, 2161, 2881, 3625, 4345, 5089, 5809, 6553, 7273, 8017)

# Array for the result
NEE_data <- array(0, dim = c(480, 400, 12))

for (m in 1:12) {
    mon <- array(0, dim = c(480, 400))
    for (d in 1:days_in_month[m]) {
        data <- ncvar_get(NEE_2022, "NEE", 
                          start = c(1, 1, h1[m]), 
                          count = c(-1, -1, 24))
        mon <- mon + rowSums(data, dims = 2) * 3600
    }
    NEE_data[, , m] <- mon
}
nc_close(NEE_2022)

你也可以将两个循环合并成一个，代价是从文件中读取更大的数据，这可能会耗尽你的内存：

for (m in 1:12) {
    data <- ncvar_get(NEE_2022, "NEE", 
                      start = c(1, 1, h1[m]), 
                      count = c(-1, -1, 24 * days_in_month[m]))
    NEE_data[, , m] <- rowSums(data, dims = 2) * 3600
}

解决方案2：R方式

在 R think 中，你应该用向量来构建你的问题，尽可能地避免循环。虽然由于文件的大小而无法避免循环，但仍然可以对处理逻辑进行向量化。在这种情况下，这意味着在time维度上创建一个 factor，然后使用它在一次操作中提取所有月度总和，由于文件大小，以逐像素为基础：

# Create the factor
f <- as.factor(rep(rep(1:12, days_in_month), each = 24))

# Loop through every pixel
for (lat in 1:480) {
    for (lon in 1:400) {
        data <- ncvar_get(NEE_2022, "NEE", 
                          start = c(lat, lon, 1), 
                          count = c(1, 1, -1))
        NEE_data[lat, lon, ] <- tapply(data, f, sum) * 3600
    }
}

然而，由于读取的数量非常大，这是非常缓慢的。一种更高效的方法是通过阅读和处理更大的块来减少循环次数，这是一次性处理整行的纬度：

for (lat in 1:480) {
    data <- ncvar_get(NEE_2022, "NEE", 
                      start = c(lat, 1, 1), 
                      count = c(1, -1, -1))
    NEE_data[lat, , ] <- apply(data, 1, tapply, f, sum) * 3600
}

潜在的陷阱

上面的代码通常应该放在一个函数中，这样它就可以很容易地存储和重用。问题是，上面的代码高度依赖于您正在处理的文件的细节。如果要处理另一个文件，而该数据覆盖地球仪的另一个区域，则尺寸可能会更改。如果你处理2020年的数据，有一个闰日是你必须考虑的。
如果数据文件符合CF元数据约定（很有可能），您可以查看CFtime package，因为它可以自动处理时间序列，并且它将通过阅读netCDF文件中的详细信息来生成第二个解决方案中使用的因子。