1、主要信息
1)数据提供者和数据集名称:University of California Merced、IDAHO_EPSCOR/TERRACLIMATE
2)可用时间:1958年01月01日–2022年12月01日
3)空间分辨率:4638.3米
4)所含主要波段:如下表
名字 | 单位 | 最小值 | 最大值 | 描述 |
aet | mm | 0 | 3140 | 实际蒸散量,使用一维土壤水分平衡模型推导 |
def | mm | 0 | 4548 | 气候缺水,使用一维土壤水分平衡模型推导 |
pdsi | -4317 | 3418 | 帕尔默干旱严重程度指数 | |
pet | mm | 0 | 4548 | 参考蒸散 (ASCE Penman-Montieth) |
pr | mm | 0 | 7245 | 降水累积 |
ro | mm | 0 | 12560 | 径流,使用一维土壤水分平衡模型推导 |
soil | mm | 0 | 8882 | 土壤湿度,使用一维土壤水分平衡模型推导 |
srad | W/米^2 | 0 | 5477 | 向下表面短波辐射 |
swe | mm | 0 | 32767 | 使用一维土壤水分平衡模型推导的雪水当量 |
tmmn | ℃ | -770 | 387 | 最低温度 |
tmmx | ℃ | -670 | 576 | 最高温度 |
vap | 千帕 | 0 | 14749 | 蒸气压 |
vpd | 千帕 | 0 | 1113 | 蒸气压不足 |
vs | 米/秒 | 0 | 2923 | 10米处的风速 |
2、数据集的使用
使用此数据集下载一个区域(以江西省赣州市赣县为例)1985年的年总蒸发的栅格影像。代码如下:
// 定义数据集
var dataset = ee.ImageCollection("IDAHO_EPSCOR/TERRACLIMATE")
// 根据指定的区域范围进行筛选
.filterBounds(region)
// 选择潜在蒸散发(PET)数据
.select('pet')
// 筛选出指定时间范围内的数据
.filterDate("1985-01-01", "1985-12-31");
// 计算每月潜在蒸散发的总和
var yearly = dataset.filter(ee.Filter.calendarRange(1, 1, 'month'))
// 对每月数据进行求和
.reduce(ee.Reducer.sum())
// 将结果转换为双精度浮点数
.toDouble()
// 裁剪结果,限制范围为指定的 region 区域
.clip(region);
// 循环计算剩余11个月的潜在蒸散发,并累加到 yearly 变量中
for (var i = 2; i < 12; i++) {
var months = dataset.filter(ee.Filter.calendarRange(i, i, 'month'))
.reduce(ee.Reducer.sum());
yearly = yearly.add(months);
}
// 打印出计算后的结果
print(yearly);
// 打印循环结束后的 i 的值,应该是 12
print(i);
// 将地图视图聚焦到指定的 region 区域,缩放级别为 9
Map.centerObject(region, 9);
// 在地图上添加名为 'roi' 的感兴趣区域图层
Map.addLayer(region, {}, 'roi');
// 在地图上添加名为 'yearly' 的 yearly 变量图层,并使用黑白色调进行可视化
Map.addLayer(yearly, {
min: 0,
max: 20000,
palette: ['black', 'white']
}, 'yearly');
// 导出 yearly 变量的图像数据到 Google Drive 中
Export.image.toDrive({
image: yearly,
description: 'yearlys',
folder: 'LYM',
fileNamePrefix: 'evaporation_2020',
region: region,
maxPixels: 1e13,
crs: 'EPSG:4326'
});
结果如图: