GEE数据集：ERA5 每日汇总 - 由 ECMWF / Copernicus Climate Change Service制作的最新气候再分析数据集

已于 2022-02-20 12:57:31 修改
阅读量1.2w 收藏 99
点赞数 8
分类专栏： GEE python 生态遥感 文章标签： google earth 大数据 python javascript
于 2022-02-20 12:42:13 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_32497109/article/details/123028912
版权

GEE水生态环境数据集：

（持续更新中……）

1、数据集介绍

ERA5 Daily Aggregates - Latest Climate Reanalysis Produced by ECMWF / Copernicus Climate Change Service

ERA5 每日汇总 - 由 ECMWF / Copernicus Climate Change Service制作的最新气候再分析

ERA5 是对全球气候的第五代 ECMWF 大气再分析。再分析将模型数据与来自世界各地的观察结果结合成一个全球完整且一致的数据集。ERA5 取代了其前身 ERA-Interim 再分析。

ERA5 DAILY 每天提供七个 ERA5 气候再分析参数的汇总值：2m 气温、2m 露点温度、总降水量、平均海平面压力、地表压力、10m 风的 u 分量和 10m 的风分量。此外，根据每小时 2m 气温数据计算了每天 2m 处的最低和最高气温。每日总降水量值以每日总和的形式给出。所有其他参数均以每日平均值的形式提供。

ERA5 数据可从 1979 年实时获取到三个月。更多信息和更多 ERA5 大气参数可以在 哥白尼气候数据存储中找到。

提供者说明：每日汇总是根据每个参数的 ERA5 小时值计算的。

相关介绍：

  • ERA5是气象海洋最常用的一个再分析产品，是ECMWF对全球气候的第五代大气再分析。目前ECMWF的数值预报结果公认的世界领先，很大程度是因为其先进的资料同化系统。再分析资料是使用资料同化的方法，将模型数据与来自世界各地的观测数据与结合起来，形成一个全球完整的、一致的数据集。
  • 目前，ERA5数据集由ERA5，ERA5.1和ERA5-Land组成。ERA5替代了ERA-Interim再分析数据。

  • ERA5是综合的再分析资料，时间跨度从1979年（很快将追溯到1950年）到近实时，它在上层大气和近地表尽可能的同化了很多的观测数据。ERA5大气模型与陆地表面模型和波浪模型相耦合。
  • ERA5支持扩展（初步版本）：目前可获取从1950年-1978年的数据，与ERA5分离开（1979年至今）。尽快在很多方面数据集的质量是相当满意的，但它表现出受热带气旋的影响，有时影响非常剧烈。针对这方面的问题，当前发布的支持扩展只是初步版本，直到ERA51950至近实时的版本更新发布。
  • ERA5.1：是针对2000年-2006年，ERA5的重新运行版本，为了改善ERA5在这段时间内对流层下界冷偏差明显。ERA5在大部分对流层的特性与ERA5.1相似。
  • ERA5-Land：是陆地表面数据集，时间跨度从1981年（很快会追溯到1950年）至今（缺少近2个月），提供了更高分辨率（9km）和由通过温度梯度校正的ERA5大气参数驱动，但没有额外的数据同化。
  • ERA5-Land是通过ECMWF ERA5再分析模型生产的再分析数据集。该模型通过物理法则将来自世界各地的观测数据结合到一个全球完整且一致的数据集中。该数据集包括了自1981年以来，表征温度、湖泊、积雪、土壤水分、辐射和热量、蒸散和径流、风速、气压、降水量及植被的50种指标的月动态数据，空间分辨率为0.1°×0.1°（约9×9 km2网格），可以准确地描述过去的气候状况。
  •  通常，获取ERA5数据集通过CDS方式。完整的数据集在ECMWF磁带存档（MARS），但是一部分在特定的经度和纬度地区数据子集（所有的ERA5-Land数据）已修改并放到CDS盘中，通过CDS获取数据比MARS快，所以在条件允许的情况下最后使用CSD盘获取数据。

2、数据集波段

名称单位最小值最大值描述
mean_2m_air_temperatureķ223.6*304*

2m高处平均气温（日平均值）

minimum_2m_air_temperatureķ220.7*300.8*

2m高处最低气温（每日最低）

maximum_2m_air_temperatureķ225.8*310.2*

2m高处的最高气温（每日最高）

dewpoint_2m_temperatureķ219.3*297.8*

2m高度露点温度（日平均值）

total_precipitation米0*0.02*

总降水量（每日总和）

surface_pressure帕65639*102595*

表面压力（日平均）

mean_sea_level_pressure帕97657.4*103861*

平均海平面压力（日平均）

u_component_of_wind_10m米秒-1-11.4*11.4*

10m 风的 u 分量（日平均值）

v_component_of_wind_10m米秒-1-10.1*10.1*

10m 风的 v 分量（日平均值）

3、GEE数据加载与使用

（1）JavaScript代码

// Example script to load and visualize ERA5 climate reanalysis parameters in
// Google Earth Engine

// Daily mean 2m air temperature
var era5_2mt = ee.ImageCollection('ECMWF/ERA5/DAILY')
                   .select('mean_2m_air_temperature')
                   .filter(ee.Filter.date('2019-07-01', '2019-07-31'));
print(era5_2mt);

// Daily total precipitation sums
var era5_tp = ee.ImageCollection('ECMWF/ERA5/DAILY')
                  .select('total_precipitation')
                  .filter(ee.Filter.date('2019-07-01', '2019-07-31'));

// Daily mean 2m dewpoint temperature
var era5_2d = ee.ImageCollection('ECMWF/ERA5/DAILY')
                  .select('dewpoint_2m_temperature')
                  .filter(ee.Filter.date('2019-07-01', '2019-07-31'));

// Daily mean sea-level pressure
var era5_mslp = ee.ImageCollection('ECMWF/ERA5/DAILY')
                    .select('mean_sea_level_pressure')
                    .filter(ee.Filter.date('2019-07-01', '2019-07-31'));

// Daily mean surface pressure
var era5_sp = ee.ImageCollection('ECMWF/ERA5/DAILY')
                  .select('surface_pressure')
                  .filter(ee.Filter.date('2019-07-01', '2019-07-31'));

// Daily mean 10m u-component of wind
var era5_u_wind_10m = ee.ImageCollection('ECMWF/ERA5/DAILY')
                          .select('u_component_of_wind_10m')
                          .filter(ee.Filter.date('2019-07-01', '2019-07-31'));

// Convert pressure levels from Pa to hPa - Example for surface pressure
var era5_sp = era5_sp.map(function(image) {
  return image.divide(100).set(
      'system:time_start', image.get('system:time_start'));
});

// Visualization palette for total precipitation
var visTp = {
  min: 0,
  max: 0.1,
  palette: ['#FFFFFF', '#00FFFF', '#0080FF', '#DA00FF', '#FFA400', '#FF0000']
};

// Visualization palette for temperature (mean, min and max) and 2m dewpoint
// temperature
var vis2mt = {
  min: 250,
  max: 320,
  palette: [
    '#000080', '#0000D9', '#4000FF', '#8000FF', '#0080FF', '#00FFFF', '#00FF80',
    '#80FF00', '#DAFF00', '#FFFF00', '#FFF500', '#FFDA00', '#FFB000', '#FFA400',
    '#FF4F00', '#FF2500', '#FF0A00', '#FF00FF'
  ]
};

// Visualization palette for u- and v-component of 10m wind
var visWind = {
  min: 0,
  max: 30,
  palette: [
    '#FFFFFF', '#FFFF71', '#DEFF00', '#9EFF00', '#77B038', '#007E55', '#005F51',
    '#004B51', '#013A7B', '#023AAD'
  ]
};

// Visualization palette for pressure (surface pressure, mean sea level
// pressure) - adjust min and max values for mslp to min:990 and max:1050
var visPressure = {
  min: 500,
  max: 1150,
  palette: [
    '#01FFFF', '#058BFF', '#0600FF', '#DF00FF', '#FF00FF', '#FF8C00', '#FF8C00'
  ]
};


// Add layer to map
Map.addLayer(
    era5_tp.filter(ee.Filter.date('2019-07-15')), visTp,
    'Daily total precipitation sums');
Map.addLayer(
    era5_2d.filter(ee.Filter.date('2019-07-15')), vis2mt,
    'Daily mean 2m dewpoint temperature');
Map.addLayer(
    era5_2mt.filter(ee.Filter.date('2019-07-15')), vis2mt,
    'Daily mean 2m air temperature');
Map.addLayer(
    era5_u_wind_10m.filter(ee.Filter.date('2019-07-15')), visWind,
    'Daily mean 10m u-component of wind');
Map.addLayer(
    era5_sp.filter(ee.Filter.date('2019-07-15')), visPressure,
    'Daily mean surface pressure');

Map.setCenter(21.2, 22.2, 2);

（2）python代码

# 在GEE中加载 ERA5 气候再分析数据实例

# Daily mean 2m air temperature //7月份地表2m处的日均气温
era5_2mt = ee.ImageCollection('ECMWF/ERA5/DAILY') \
                   .select('mean_2m_air_temperature') \
                   .filter(ee.Filter.date('2019-07-01', '2019-07-31'))
# print(era5_2mt)

# Daily total precipitation sums //7月降水量总计
era5_tp = ee.ImageCollection('ECMWF/ERA5/DAILY') \
                  .select('total_precipitation') \
                  .filter(ee.Filter.date('2019-07-01', '2019-07-31'))

# Daily mean 2m dewpoint temperature //7月份地表2m处的平均日露点温度
era5_2d = ee.ImageCollection('ECMWF/ERA5/DAILY') \
                  .select('dewpoint_2m_temperature') \
                  .filter(ee.Filter.date('2019-07-01', '2019-07-31'))

# Daily mean sea-level pressure //7月份日均海平面气压
era5_mslp = ee.ImageCollection('ECMWF/ERA5/DAILY') \
                    .select('mean_sea_level_pressure') \
                    .filter(ee.Filter.date('2019-07-01', '2019-07-31'))

# Daily mean surface pressure //7月份地表平均气压
era5_sp = ee.ImageCollection('ECMWF/ERA5/DAILY') \
                  .select('surface_pressure') \
                  .filter(ee.Filter.date('2019-07-01', '2019-07-31'))

# Daily mean 10m u-component of wind //7月份地表10m处风的u组分
era5_u_wind_10m = ee.ImageCollection('ECMWF/ERA5/DAILY') \
                          .select('u_component_of_wind_10m') \
                          .filter(ee.Filter.date('2019-07-01', '2019-07-31'))

# Convert pressure levels from Pa to hPa - Example for surface pressure
# 将气压单位由Pa转换为hPa
def func_xtx(image):
  return image.divide(100).set(
      'system:time_start', image.get('system:time_start'))

era5_sp = era5_sp.map(func_xtx)

# Visualization palette for total precipitation
# 降水量可视化设置
visTp = {
  'min': 0,
  'max': 0.1,
  'palette': ['#FFFFFF', '#00FFFF', '#0080FF', '#DA00FF', '#FFA400', '#FF0000']
}

# Visualization palette for temperature (mean, min and max) and 2m dewpoint
# temperature
vis2mt = {
  'min': 250,
  'max': 320,
  'palette': [
    '#000080', '#0000D9', '#4000FF', '#8000FF', '#0080FF', '#00FFFF', '#00FF80',
    '#80FF00', '#DAFF00', '#FFFF00', '#FFF500', '#FFDA00', '#FFB000', '#FFA400',
    '#FF4F00', '#FF2500', '#FF0A00', '#FF00FF'
  ]
}

# Visualization palette for u- and v-component of 10m wind
visWind = {
  'min': 0,
  'max': 30,
  'palette': [
    '#FFFFFF', '#FFFF71', '#DEFF00', '#9EFF00', '#77B038', '#007E55', '#005F51',
    '#004B51', '#013A7B', '#023AAD'
  ]
}

# Visualization palette for pressure (surface pressure, mean sea level
# pressure) - adjust min and max values for mslp to min:990 and max:1050
visPressure = {
  'min': 500,
  'max': 1150,
  'palette': [
    '#01FFFF', '#058BFF', '#0600FF', '#DF00FF', '#FF00FF', '#FF8C00', '#FF8C00'
  ]
}

# Add layer to map
Map.addLayer(
    era5_tp.filter(ee.Filter.date('2019-07-15')), visTp,
    'Daily total precipitation sums')
Map.addLayer(
    era5_2d.filter(ee.Filter.date('2019-07-15')), vis2mt,
    'Daily mean 2m dewpoint temperature')
Map.addLayer(
    era5_2mt.filter(ee.Filter.date('2019-07-15')), vis2mt,
    'Daily mean 2m air temperature')
Map.addLayer(
    era5_u_wind_10m.filter(ee.Filter.date('2019-07-15')), visWind,
    'Daily mean 10m u-component of wind')
Map.addLayer(
    era5_sp.filter(ee.Filter.date('2019-07-15')), visPressure,
    'Daily mean surface pressure')

Map.setCenter(21.2, 22.2, 2)

为了更加直观的观察数据分布，叠加世界行政区边界

# 加载行政区边界
countries_shp = '../data/countries.shp'
countries = geemap.shp_to_ee(countries_shp)

Map.addLayer(ee.Image().paint(countries, 0, 1), {'palette':'darkblue'}, 'world countris')

（3）结果展示如下

截取局部区域（我国地区）

4、ERA5数据集引用

  • Copernicus Climate Change Service (C3S) (2017): ERA5: Fifth generation of ECMWF atmospheric reanalyses of the global climate. Copernicus Climate Change Service Climate Data Store (CDS), (date of access), https://cds.climate.copernicus.eu/cdsapp#!/home

参考：

  • https://blog.csdn.net/wuwenhuanwu/article/details/114504373
  • https://developers.google.com/earth-engine/datasets/catalog/ECMWF_ERA5_DAILY#description

Google Earth Engine ——ERA5-Land Hourly - ECMWF Climate Reanalysis逐小时数据集
此星光明博客
09-13 3893
ERA5-Land是一个再分析数据集，与ERA5相比，它以更高的分辨率提供了数十年来土地变量演变的一致观点。ERA5-Land是通过重放ECMWF ERA5气候再分析的陆地部分产生的。再分析将模型数据与来自世界各地的观测数据结合起来，利用物理学定律形成一个全球完整的、一致的数据集。再分析产生的数据可以追溯到几十年前，提供对过去气候的准确描述。这个数据集包括CDS上的所有50个变量。 这里介绍的数据是由ECMWF后期处理的ERA5-Land完整数据集的一个子集。月平均数已被预先计算，以方便许多需要方便和快速
GEE教程：1950-2023年ECMWF数据中积雪的长时序统计分析
此星光明博客
09-18 356
1950-2023年ECMWF数据中积雪的长时序统计分析。
GEE数据集——ERA5 每日再分析数据
weixin_48048649的博客
02-12 5296
ERA5 DAILY 每天提供七个 ERA5 气候再分析参数的汇总值：2m 气温、2m 露点温度、总降水量、平均海平面压力、地表压力、10m 风的 u 分量和 10m 的风分量。此外，根据每小时 2m 气温数据计算了每天 2m 处的最低和最高气温。ERA5 是对全球气候的第五代 ECMWF 大气再分析。再分析将模型数据与来自世界各地的观察结果结合成一个全球完整且一致的数据集。更多信息和更多 ERA5 大气参数可以在 哥白尼气候数据存储中找到。提供者说明：每日汇总是根据每个参数的 ERA5 小时值计算的。
GEE下载ECMWF ERA5-Land DAILY_AGGR (ERA5)风速数据(复制可用)
最新发布
2301_76972702的博客
03-21 248
定义了两个可视化参数对象，一个用于风速（单位 m/s），设置显示范围为 0～10，并使用一组颜色；另一个用于风向（单位为度），显示范围为 0～360，调色板使用白色到紫色。风速计算：根据物理公式 风速=u2+v2\text{风速} = \sqrt{u^2+v^2}风速=u2+v2​ 计算得到每个像元的平均风速。均值影像：通过对每日数据求平均，得到2020年全年平均风速的 u 和 v 分量影像。计算得到风向（返回值为弧度），再将弧度转换为角度（乘以180/π）。
ERA5-daily/逐日/每日/其他时间尺度数据下载方法（MacOS版，氮素不同环境的原理基本相同）
m0_68976829的博客
08-16 2003
ERA5日尺度快捷下载。
ERA5再分析数据（一）
热门推荐
Astronaut的博客
05-02 1万+
ERA5 数据集介绍ERA5数据集大家庭ERA5ERA5.1ERA5-Land如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 ERA5数据集大家庭 ERA5 ERA5是一种综合性的再分析数据，ECMWF的Integrated Forecast System (IFS)的4
GEE数据集：TerraClimate爱达荷大学全球陆地表面的每月气候和气候水平衡数据集
GEE水生态空间
02-20 1万+
​ TerraClimate 是全球陆地表面的月度气候和气候水平衡数据集。它使用气候辅助插值，将 WorldClim 数据集的高空间分辨率气候法线与来自CRU Ts4.0和 日本 55 年再分析 (JRA55)的较粗空间分辨率但随时间变化的数据 相结合。从概念上讲，该程序将来自 CRU Ts4.0/JRA55 的插值时变异常应用于 WorldClim 的高空间分辨率气候学，以创建涵盖更广泛时间记录的高空间分辨率数据集。
GEE训练教程——ECMWF/ERA5_LAND/DAILY_AGGR数据的地表温度的时序分析
此星光明博客
12-07 659
GEE训练教程——ECMWF/ERA5_LAND/DAILY_AGGR数据的地表温度的时序分析。
GEE数据集：全球地下水生态系统 (GDEs)数据集（30m分辨率）.pdf
09-05
此数据集仅仅包含GEE的展示以及GEE APP的代码以及应用链接，并不包含下载的到Google 硬盘的代码。 该数据集提供了一张高分辨率（约 30 米）的 GDEs 地图，揭示了全球三分之一以上的旱地（包括主要的生物多样性热点...
GEE 案例：利用ECMWF数据进行1950-2024年长时序气温（平均值和标准差）监测和图表绘制
此星光明博客
09-11 795
利用ECMWF数据进行1950-2024年长时序气温监测和图表绘制。
蒸散发数据的处理及空间分析建模的学习
06-24
中国陆地实际蒸散发数据集（1982-2017），用ArcGIS Pro或ArcMap将NC数据转为tif格式 1.将蒸散发数据Ea_1982_2017_CR.nc导出为逐月的TIFF数据（共432个月） 2.将导出的逐月TIFF数据进行逐年求和，然后重采样为空间分辨率1km的栅格，裁剪出需要的区域，输出为逐年的TIFF数据。 3、空间分析建模的学习、ModelBuilder
GEE 全部数据集列表（904个数据）2024-10-16.csv
10-16
5. 植被数据：GEE中包含了植被指数数据，如NDVI、EVI等，可以用于植被监测、植被变化分析等应用 每个数据包含的具体内容： id title type snippet provider state_date end_date bbox deprecated keywords catalog ...
GEE下载ERA5年均蒸散发数据
南柯
10-01 1155
GEE提取ERA5月均数据集的年蒸散发数据
python处理era5_如何保存为每日文件而不是每月（Python、ERA5、ECMWF）
weixin_39546501的博客
11-29 619
这是我目前使用API检索数据的脚本，目标是“每月”文件。我需要缩小一个文件的大小，以腾出时间准备和传输数据。主要通过尝试在日常文件中定位/写入，例如…..20151001.grib。在由于我是Python的初学者，我在这里发帖希望有人愿意帮助我改进这个脚本，主要考虑目标/编写文件。在谢谢你！/约瑟芬#!/usr/bin/env pythonimport calendarfrom ecmwfapi ...
【PyGIS】ERA5降雨蒸散发数据预处理
```On Earth, Be Water, By Coding```
10-27 2356
ERA5-LAND降雨蒸散发数据预处理
利用python批量下载ERA5-Daily数据
记录基于python语言处理气象问题的一些代码，包括不限于气象数据读取、机器学习和深度学习建模。
08-12 9294
利用python批量下载ERA5的Daily数据
ERA5日均数据下载处理
HPUZJH
11-24 2358
处理好的文件是nc格式，在arcgis中打开只显示一个波段，并且看不到有哪些数据集，要在ENVI中打开，可以用IDL处理为单波段。1、变量命名，2m_temperature不能是2m temperature，下划线不能改成空格。2、在user下要有cdsapirc文件。
如何从ecmwf欧洲气象中心下载ERA5总水汽数据（Total column water vapour）
Nancy136的博客
04-19 9231
1、登录https://cds.climate.copernicus.eu/api-how-to选择右上角log in。注册账号/登录账号。 2、登录账号后复制右侧页面上显示的2行代码。 该代码显示一个URL和自己的uid：API密钥 3、新建文本文件，将之前的两行代码存在其中，重命名为：.cdsapirc，保存类型为“所有格式，存在C：\ Users \ Administer （以当前管理员名称命名的）文件夹中 否则运行后续python程序会出现错误：文件缺失/不完整 4、登录下载网址： www.
1985-2022年中国土地覆被数据集：权威、精细、适合学术研究
在本资源中，武汉大学学者使用GEE平台制作了年度中国土地覆盖数据集（CLCD），说明了GIS技术在大规模地理信息处理中的应用。 5. Landsat卫星数据的应用 Landsat卫星数据是目前世界上应用最为广泛的地球观测数据之一...
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值