GEE | 1901-2022年全球0.5°标准化降水蒸散指数SPEI数据集

最新推荐文章于 2025-04-08 07:30:00 发布
最新推荐文章于 2025-04-08 07:30:00 发布
阅读量514 收藏 1
点赞数 1
文章标签： arcgis 数据分析
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_48539301/article/details/145511719
版权

图片

Product: Beguería, Santiago; Vicente Serrano, Sergio M.; Reig-Gracia, Fergus; Latorre Garcés, Borja; 2023; SPEIbase v.2.9 [Dataset]; DIGITAL.CSIC; Version 2.9. doi:10.20350/digitalCSIC/15470

一、数据说明

SPEIbase（全球标准化降水-蒸散指数数据库）提供了全球尺度上干旱状况的长期可靠信息，空间分辨率为0.5度，时间分辨率为月度，可支持从1至48个月的多时间尺度分析。标准化降水-蒸散指数（SPEI）通过标准化变量量化当前气候平衡相对于长期平衡的偏差，确保了时空上的可比性。

二、GEE代码

以SPEI_01_month为例，print月度SPEI变化并导出栅格数据。

图片

图片

<
最低0.47元/天 解锁文章
Google Earth Engine ——标准化降水指数（SPI）、蒸发干旱需求指数（EDDI）、标准化降水蒸散指数（SPEI）、帕默干旱严重程度指数（PDSI）和帕默Z指数（Z）数据集
此星光明博客
09-16 6887
This dataset contains drought indices derived from the 4-km daily Gridded Surface Meteorological (GRIDMET) dataset. The drought indices provided include the standardized precipitation index (SPI), the evaporative drought demand index (EDDI), the standardiz
GEE教程：基于CHIRPS和TERRACLIMATE数据计算标准化降水蒸散指数 (SPEI干旱指数)，可视化干旱严重程度
此星光明博客
04-07 205
标准化降水蒸散指数 (SPEI) 是一种用于量化干旱严重程度的统计指标。与标准化降水指数 (SPI) 不同，SPEI 不仅考虑降水，还考虑潜在蒸散量 (PET)，这反映了大气对水的需求。这使得 SPEI 成为一种更敏感的干旱指标，尤其是在温度和蒸散在水资源可用性中起重要作用的地区。
GEE可视化：SPEI（标准化降水蒸散指数）数据进行干旱监测，可视化不同的 SPEI 值分类干旱程度可视化分析
此星光明博客
04-08 978
通过以上步骤，我们成功地使用 Google Earth Engine 对干旱进行了监测和分析。我们利用 SPEI 数据分类了不同的干旱等级，并通过图表展示了干旱的变化趋势。这种方法为干旱监测提供了强有力的工具，有助于制定相应的管理措施。如果你有任何问题或想法，请随时与我联系！
全球干旱数据集【标准化降水蒸发指数SPEI-01】-190101-202312-0.5x0.5
11-22
全球干旱数据集【标准化降水蒸发指数SPEI-01】（1901-01至2023-12，分辨率0.5°×0.5°） 是一个高时空分辨率的全球气候数据集，专注于干旱事件的时空动态监测和评估。该数据集以 标准化降水蒸发指数（SPEI-01） 为核心指标，通过综合考虑降水和潜在蒸散发（PET）对干旱的影响，为气候变化研究、生态环境管理和水资源规划等提供了科学依据。 数据集特点： 1. 核心指标： SPEI（标准化降水蒸发指数）： SPEI 是基于水分盈亏（降水减去潜在蒸散发）计算的标准化指数。 SPEI-01 表示以1个月为时间尺度的干旱指数，更适合短期干旱监测（如农业干旱或临时性水资源短缺）。 2. 时空分辨率： 时间范围：1901年1月至2023年12月，覆盖超过120年的全球数据。 空间分辨率：0.5°×0.5°（约50公里×50公里），适用于全球和区域尺度的干旱分析。 3. 数据来源与处理： 数据来源：基于气象观测数据（如降水和气温）与重分析数据（如ERA5）。 计算方法： 使用Penman-Monteith公式计算潜在蒸散发（PET）。 4. 数据格式 数据为NetCDF格式。
spei数据库
licongren142的博客
10-18 263
【代码】spei数据库。
1961-2022年中国大陆多干旱指数数据集(SPI/SPEI/EDDI/PDSI/SC-PDSI/VPD)
qq_48539301的博客
01-03 1720
干旱指数对于评估和管理缺水和农业风险至关重要;它具有6个关键的气象干旱指数：标准化降水指数（SPI）、标准化降水蒸散指数（SPEI）、蒸发需求干旱指数（EDDI）、帕尔默干旱严重程度指数（PDSI）、自校准帕尔默干旱严重程度指数（SC-PDSI）和蒸气压赤字（VPD），其中SPI、SPEI和EDDI包含2周和1-12个月的多尺度特征。总体而言，我们的数据集弥补了中国在高精度多指标干旱数据方面的差距，完整的基于CHM的框架保证了数据集的一致性和可靠性，有助于提高对中国干旱模式和趋势的理解。
全球干旱数据集【标准化降水蒸发指数SPEI-03】-190101-202312-0.5x0.5
11-22
全球干旱数据集【标准化降水蒸发指数SPEI-03】（1901年1月-2023年12月，0.5°×0.5°分辨率）是基于月度降水和潜在蒸散发（PET）数据计算的全球气候数据集，专门用于中期干旱监测和分析。SPEI-03以3个月为时间尺度，更适合评估农业和生态系统的长期干旱风险。 数据集采用NetCDF格式，包含时间、空间坐标和SPEI值（无量纲）。负值表示干旱，正值表示湿润，数据经过插值和偏差矫正，确保高时空一致性。基于全球气象观测和重分析数据，如ERA5。 应用场景： 干旱监测：识别全球干旱事件的强度和持续时间。 气候变化研究：评估干旱风险和气候变化的长期影响。 农业与生态管理：支持农作物种植和生态系统保护。 水资源与灾害防治：优化水资源分配和干旱灾害应对。 该数据集为干旱风险评估和气候变化研究提供重要支持，广泛应用于环境、农业、生态和气候预测领域。
spei计算程序附测试数据
09-03
matlab版SPEI程序+测试数据,可用于计算SPEI指数的matlab版本，其中附有测试数据，方便学习和查看。
GEE python——Standardized precipitation evapotranspiration index(SPEI) (标准化降水蒸散指数(SPEI))
此星光明博客
11-24 622
【代码】GEE python——Standardized precipitation evapotranspiration index(SPEI) (标准化降水蒸散指数(SPEI))
Modulo04_Monitoramento_de_seca.ipynb
最新发布
04-10
干旱监测 现在，让我们开始利用Earth Engine...标准化降水蒸散指数（SPEI）：结合降水和潜在蒸散量，更全面地评估干旱。 通过Earth Engine，用户可以高效地分析和可视化这些干旱指数，为干旱监测和应对提供科学依据。
全球干旱数据集【标准化降水蒸发指数SPEI-06】-190101-202312-0.5x0.5
12-12
全球干旱数据集【标准化降水蒸发指数SPEI-03】（1901年1月-2023年12月，0.5°×0.5°分辨率）是基于月度降水和潜在蒸散发（PET）数据计算的全球气候数据集，专门用于中期干旱监测和分析。SPEI-06以6个月为时间尺度，更适合评估评估季节性到中期干旱。 数据集采用NetCDF格式，包含时间、空间坐标和SPEI值（无量纲）。负值表示干旱，正值表示湿润，数据经过插值和偏差矫正，确保高时空一致性。 应用场景： 干旱监测：识别全球干旱事件的强度和持续时间。 气候变化研究：评估干旱风险和气候变化的长期影响。 农业与生态管理：支持农作物种植和生态系统保护。 水资源与灾害防治：优化水资源分配和干旱灾害应对。 该数据集为干旱风险评估和气候变化研究提供重要支持，广泛应用于环境、农业、生态和气候预测领域。
气象干旱综合指数MCI
08-08
气象干旱综合指数MCI MI SPI
全球干旱数据集【标准化降水蒸发指数SPEI-12】-190101-202312-0.5x0.5
11-22
全球干旱数据集【标准化降水蒸发指数SPEI-12】（1901年1月-2023年12月，0.5°×0.5°分辨率）是基于月度降水和潜在蒸散发（PET）数据计算的全球气候数据集，专门用于长期干旱监测。SPEI-12采用12个月的时间尺度，适用于评估较长时间范围内的干旱风险，尤其是对水资源、农业和生态系统的长期影响分析。 该数据集以NetCDF格式提供，包含时间（年月）、空间坐标（经纬度）和SPEI值（无量纲）。SPEI值为负表示干旱，正值表示湿润，数据经过插值和偏差矫正，确保空间和时间的一致性。数据源基于全球气象观测和重分析数据，如ERA5。 应用场景： 长期干旱监测：分析和识别全球及区域尺度的干旱趋势、强度和持续时间。 气候变化影响评估：研究长期干旱与气候变化之间的关系，预测未来干旱风险。 农业和水资源管理：帮助制定水资源调度和灌溉策略，评估干旱对农业和生态的影响。 灾害应对和政策制定：为干旱灾害预警和应急响应提供支持，优化应对策略。
matlab圆形数据集,Matlab处理SPEI全球数据集
weixin_31967485的博客
03-17 1579
SPEI定义及计算方法参见我的简书《R语言spei包计算标准化降水蒸散指数》目前该数据时间尺度为1901-2018，空间分辨率0.5°，其中计算蒸散的方法采用彭曼公式代码clc;clear;ncdisp('I:\data\Climate--nc文件\SPEI\spei12.nc')data=ncread('I:\data\Climate--nc文件\SPEI\spei12.nc','spei');...
gma 教程 | 气候气象 | 计算标准化降水蒸散指数（SPEI）
热门推荐
weixin_42155937的博客
06-28 1万+
【基于 Excel 降水和蒸散数据计算 SPEI】 【基于 GTiff 栅格降水和蒸散数据计算 SPEI】
SPEI | 1901-2023年全球0.5°标准化降水蒸散发指数（附代码）
qq_48539301的博客
11-17 1501
标准化降水蒸散指数（SPEI）是一种用于全球干旱和气候变化研究的指标，专门用于评估气候的干湿状况。全球栅格化的SPEI产品涵盖了1901—2023年的月度数据，空间分辨率为0.5° × 0.5°。该数据集基于英国东安格利亚大学气候研究中心的CRU TS3.0的月降水量和平均气温数据处理得到。SPEI通过计算降水和潜在蒸散发（PET）的差值并进行标准化处理，以确定干湿程度，其中SPEI值越小表示气候越干旱，越大则表示气候越湿润。数据为nc格式，如果需要转tif，可以使用下方代码。
按时间片提取多波段NetCDF格式干旱指数SPEI数据至单波段tif
南柯
07-11 1865
NetCDF(network Common Data Form)，中文称为网络通用数据格式，是由美国大学大气研究协会（University Corporation for Atmospheric Research，UCAR)的 Unidata 项目科学家针对科学数据的特点开发的，是一种面向数组型并适于网络共享的数据的描述和编码标准。目前，NetCDF广泛应用于大气科学、水文、海洋学、环境模拟、地球物理等诸多领域。用户可以借助多种方式方便地管理和操作 NetCDF 数据集。NetCDF。
GIS、遥感和生态等领域常用数据集汇总【数据集】
amyniez的博客，欢迎交流讨论
10-14 1531
汇总地理科学、遥感、生态和林学所需要使用的数据集，本质上就是全球变化范围类的数据集。
某个地区的SPEI如何在gee上计算并下载
03-19
### 如何在 Google Earth Engine (GEE) 上计算并下载某地区的标准化降水蒸散指数 (SPEI) #### 背景说明 标准化降水蒸散指数 (Standardized Precipitation Evapotranspiration Index, SPEI) 是一种用于评估干旱状况的时间序列指标。它综合考虑了降水量和潜在蒸发量的影响，能够更全面地反映水分平衡状态。通过 GEE 平台可以高效处理大规模地理数据集来实现 SPEI 的计算。 为了完成这一目标，通常需要以下几个关键步骤：定义感兴趣区域、获取气象数据集合（如降水和气温）、利用模型估算实际或潜在蒸散发量、基于这些输入变量构建 SPEI 时间序列以及导出最终结果。 --- #### 定义兴趣区与加载基础影像 假设我们已经有一个名为 `wuhan` 的矢量边界文件作为研究范围，则可以通过如下方式初始化环境： ```javascript // 加载武汉地区特征集合 var wuhan = ee.FeatureCollection("users/yp7454982/wuhan"); Map.centerObject(wuhan, 8); // 设置日期区间 var startDate = ee.Date('2000-01-01'); var endDate = ee.Date('2020-01-01'); // 打印确认对象已成功导入 print("Region of Interest:", wuhan); ``` 上述代码片段展示了如何指定地理位置及其显示级别[^2]。 --- #### 获取必要的气候参数 对于 SPEI 计算而言，至少需取得两个主要因子——月累计降雨量(Precipitation Sum) 和参考作物蒸发速率(Reference Crop Evaporation Rate)，即 PET 值。这里推荐采用 CHIRPS 数据源代表前者；而后者可借助 MODIS 或 ERA5-Land 提供的地表辐射通量反演得到。 以下是读取 CHIRPS 雨量资料的一个例子： ```javascript // 导入CHIRPS全球每日降水产品 var chirpsDaily = ee.ImageCollection("UCSB-CHG/CHIRPS/DAILY"); // 过滤时间跨度及空间掩膜操作 var precipitationMonthlySum = chirpsDaily.filterDate(startDate, endDate) .filterBounds(wuhan.geometry()) .reduce(ee.Reducer.sum()); // 将总和转换成每月平均值形式呈现出来 precipitationMonthlySum = precipitationMonthlySum.divide(precipitationMonthlySum.bandNames().size()); ``` 关于 ET₀ 的提取方法，请参阅相关文献[^4]中的具体实践案例描述。 --- #### 实现 SPEI 数学建模过程 一旦拥有了 P 和 ETO 后续就可以着手建立 SPI/SPEI 统计分布拟合流程了。一般情况下我们会选用 Gamma 分布函数去逼近历史记录曲线形状特性从而得出对应的标准分位数映射关系表达式。然而由于篇幅所限在此仅给出伪代码示意框架结构仅供参考学习之用: ```pseudo function computeSpei(precipitationSeries, evapotranspirationSeries){ let combinedDeficit = []; foreach(monthlyDataPoint in range(startYear:endYear)){ deficitValue = monthlyPrecipitation - monthlyEvapotranspirtion; append(deficitValue ,combinedDeficit ); } fittedDistributionParameters = fitGammaDist(combinedDeficit ); zScoresForEachMonth = transformToZScore(fittedDistributionParameters, combinedDeficit ); return zScoresForEachMonth ; } ``` 注意这里的逻辑并未直接体现出来而是留给读者自行补充完善细节部分[^1]。 --- #### 结果输出至本地存储设备 最后一步就是把生成好的栅格图层保存下来以便后续分析应用。下面给出了简单的示例命令行语句帮助理解整个工作流结束后的成果交付环节： ```javascript Export.image.toDrive({ image: speiImage, description: 'spei_wuhan_region', scale: 5000, region: wuhan.geometry(), maxPixels: 1e13 }); ``` 此段脚本负责将处理完毕的地图切片上传到用户的谷歌云端硬盘账户下形成独立项目文件夹管理起来方便调用分享给其他同事协作查看。 ---
评论
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

打赏作者

GIS遥感数据处理应用

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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