GEE实战:CHIRPS降水数据多时间尺度分析与可视化指南

GEE开发之降雨(CHIRPS)数据获取和分析 前言:主要获取和分析UCSB-CHG/CHIRPS/DAILY的日数据、月数据和年数据。 阅读详情

1. CHIRPS降水数据与GEE平台简介

CHIRPS(Climate Hazards Group InfraRed Precipitation with Station data)是全球范围内广泛使用的降水数据集,由美国加州大学圣巴巴拉分校气候灾害中心开发。这个数据集的特点在于将卫星红外观测数据与地面站点实测数据相结合,生成0.05°分辨率(约5.5公里)的网格化降水数据,时间覆盖范围从1981年至今。

我第一次接触这个数据集是在分析非洲干旱地区降水模式时,发现它的站点校正机制能显著改善纯卫星数据在复杂地形区域的偏差。比如在安第斯山脉地区,传统红外降水数据可能高估实际降水,而CHIRPS通过融合地面观测有效修正了这一误差。

Google Earth Engine(GEE)作为云端地理空间分析平台,为CHIRPS数据提供了即用型访问接口。相比传统下载-处理模式,GEE的三个核心优势特别适合降水分析:

  • 无需本地存储:40多年的全球每日数据在本地需要TB级存储,而GEE直接在线调用
  • 并行计算能力:我曾在本地机算一个区域30年的月均降水,耗时6小时,在GEE上只需15秒
  • 内置可视化工具:直接生成交互式地图和时序图表
// 示例:加载CHIRPS日数据集合
var chirpsDaily = ee.ImageCollection("UCSB-CHG/CHIRPS/DAILY");
print(chirpsDaily.first());  // 查看数据结构和波段

2. 数据准备与区域裁剪

2.1 定义研究区域

实际项目中我常用三种方式定义研究区边界:

  1. 行政边界:直接调用GEE的FAO国家边界数据集
var china = ee.FeatureCollection("FAO/GAUL/2015/level0")
  .filter(ee.Filter.eq('ADM0_NAME', 'China'));
Map.addLayer(china, {color:'red'}, 'China Boundary');
  1. 自定义几何图形:手绘或上传GeoJSON
  2. 经纬度范围:适用于规则矩形区域

踩坑提醒:我曾遇到几何图形自相交导致的裁剪错误,建议添加.buffer(-0.01)消除细小拓扑问题。

2.2 数据时间筛选

CHIRPS包含三种时间尺度数据集:

  • 日数据:UCSB-CHG/CHIRPS/DAILY
  • 月数据:UCSB-CHG/CHIRPS/MONTHLY
  • 年数据:UCSB-CHG/CHIRPS/PENTAD
// 获取2020年雨季数据(5-10月)
var rainySeason = chirpsDaily
  .filterDate('2020-05-01', '2020-10-31')
  .filterBounds(china);

3. 多时间尺度分析实战

3.1 日尺度分析

日数据最适合极端降水事件监测。这个案例帮我发现了西南地区的一次异常强降雨:

// 查找单日最大降水
var maxDaily = rainySeason.max().clip(china);
var maxVis = {min:0, max:50, palette:['white','blue','red']};
Map.addLayer(maxDaily, maxVis, 'Max Daily Precipitation');

// 导出到Google Drive
Export.image.toDrive({
  image: maxDaily,
  description: '2020MaxDaily',
  region: china,
  scale: 5000,
  maxPixels: 1e13
});

3.2 月尺度分析

计算月累计降水时要注意GEE的日期过滤特性:

// 计算2020年各月累计降水
var monthlyPrecip = ee.List.sequence(1, 12).map(function(month){
  var filtered = chirpsDaily
    .filter(ee.Filter.calendarRange(2020,2020,'year'))
    .filter(ee.Filter.calendarRange(month,month,'month'));
  return filtered.sum().set('month', month);
});

3.3 年际变化分析

这个五年对比代码帮我发现了华北平原的降水减少趋势:

// 计算五年均值对比
var years = ee.List.sequence(2015, 2020);
var fiveYearMeans = years.map(function(year){
  return chirpsDaily
    .filter(ee.Filter.calendarRange(year, year, 'year'))
    .mean()
    .set('year', year);
});

4. 高级可视化技巧

4.1 动态时序动画

制作降水变化动画能让趋势更直观:

// 创建月降水动画
var monthlyImages = ee.ImageCollection.fromImages(monthlyPrecip);
var args = {
  region: china,
  dimensions: 800,
  crs: 'EPSG:3857',
  framesPerSecond: 2,
  visParams: {min:0, max:300, palette:['white','blue','darkblue']}
};
Map.addLayer(monthlyImages, {}, 'Monthly Precipitation');
ui.Chart.image.seriesByRegion({
  imageCollection: monthlyImages,
  regions: china,
  reducer: ee.Reducer.mean(),
  scale: 5000,
  xProperty: 'month'
}).setOptions({title: '2020 Monthly Precipitation'});

4.2 自定义色阶与图例

经过多次调试,我发现这个色阶最适合中国地区降水展示:

var customPalette = [
  '#FFFFFF', '#E1E8F0', '#C5D4E6', '#A9C0DC',
  '#8DACD2', '#7198C8', '#5584BE', '#3970B4',
  '#1D5CAA', '#0048A0'
];

5. 统计分析与趋势检测

5.1 区域统计方法

比较不同区域的降水特征时,我常用分区统计:

// 按省份统计年均降水
var provinces = ee.FeatureCollection("FAO/GAUL/2015/level1")
  .filter(ee.Filter.eq('ADM0_NAME', 'China'));
var annualMean = chirpsDaily
  .filter(ee.Filter.calendarRange(2020,2020,'year'))
  .mean();

var stats = annualMean.reduceRegions({
  collection: provinces,
  reducer: ee.Reducer.mean(),
  scale: 5000
});

5.2 趋势分析

Mann-Kendall检验适合检测降水趋势:

// 计算30年趋势(需要自定义函数)
var trend = chirpsDaily
  .filterDate('1990-01-01', '2020-12-31')
  .select('precipitation')
  .map(function(image){
    return image.set('year', image.date().get('year'));
  });
// 此处应添加MK检验实现代码...

6. 常见问题解决方案

数据缺失处理:遇到2015年2月数据异常时,我用邻近插值修复:

var filled = chirpsDaily.map(function(img){
  return img.focal_mean(1, 'circle', 'meters');
});

投影问题:导出数据时务必指定CRS,我曾因忽略这个导致坐标偏移:

Export.image.toDrive({
  crs: 'EPSG:4326',  // WGS84坐标
  // 其他参数...
});

性能优化:处理长时间序列时,先按年聚合再计算能大幅提升速度:

var yearly = ee.ImageCollection(years.map(function(y){
  return chirpsDaily
    .filter(ee.Filter.calendarRange(y,y,'year'))
    .sum()
    .set('year', y);
}));
GEE图表——利用chirps降水数据进行某个区域累计降水量的图表绘制 以下是在GEE云平台利用chirps降水数据进行某个区域累计降水量的图表绘制的具体步骤:1. 打开GEE云平台的网站(https://code.earthengine.google.com)并登录账户。2. 在左上角的搜索栏中输入“Chirps”,点击回车以搜索Chirps降水数据集。3. 点击搜索结果中的Chirps数据集并导入到GEE的工作区中。4. 在左侧的图层面板中,选择Chirps降水数据集,并利用Region of interest(ROI)工具来选定一个你感兴趣的区域。 阅读详情

相关推荐

GEE实战:CHIRPS降水数据多时间尺度分析与可视化

本文详细介绍了如何在GEE平台上进行CHIRPS降水数据的多时间尺度分析与可视化。通过GEE的强大功能,用户可以高效处理全球降水数据,实现从日、月到年际的多种时间尺度分析,并生成专业的空间分布图和动态可视化效果。文章还提供了数据导出和实际应用案例,特别适合气候研究、农业评估等领域的专业人员使用。

weixin_29190573的博客 427

GEE数据集:CHIRPS Pentad高分辨率的全球网格降雨数据集

​CHIRPS Pentad:Climate Hazards Group InfraRed Precipitation With Station Data。数据集是一个记录了1981年到当前全球降雨量的数据集。CHIRPS将0.05°分辨率的卫星图像与in-situ站点数据结合,创建网格化的降雨时间序列。 ​

GEE水生态空间 8443

CHIRPS降水数据在GEE中的5个高阶玩法:干旱监测、时间序列分析与制图实战

本文深入探讨CHIRPS降水数据在Google Earth Engine(GEE)中的5种高阶应用,包括干旱监测、时间序列分析和空间制图等。通过详细的代码示例和实战技巧,帮助研究人员掌握标准化降水指数(SPI)计算、多时间尺度趋势分析以及多源数据协同分析等关键技术,提升降水数据在水文、农业和气候变化研究中的应用价值。

weixin_30376083的博客 352

GEE图表——通过使用CHIRPS数据集计算并可视化2024年水年某区域的累计降水量

GEE图表——通过使用CHIRPS数据集计算并可视化2024年水年某区域的累计降水量ee.ImageCollection.fromImages(images)Returns the image collection containing the given images.images (List):The images to include in the collection.好的,以下是代码的详细解释:### 代码解析1. **导入CHIRPS数据集**: ```javascript var

此星光明博客 1307

手把手教你用GEE下载CHIRPS降水数据:从日尺度到年际趋势分析(附完整代码)

本文详细介绍了如何在Google Earth Engine(GEE)平台下载和分析CHIRPS降水数据,涵盖从日尺度到年际趋势分析的全流程。通过实战代码示例和避坑指南,帮助研究人员高效获取高精度降水数据,适用于气候变化、水文分析等领域。

weixin_30591551的博客 323

手把手教你用GEE下载CHIRPS降水数据:从日值到年值,一个代码搞定

本文详细介绍了如何使用Google Earth Engine(GEE)平台下载和处理CHIRPS降水数据,从日值到年值的全流程操作指南。通过示例代码和优化技巧,帮助研究人员高效获取和分析长时间序列的降水量数据,适用于水文变化和生态响应研究。

weixin_30819085的博客 446

GEE图表:基于CHIRPS数据进行逐年月的降水时序分析(柱状图)

首先,我们需要定义一个感兴趣的区域(AOI)。// 定义感兴趣区域var aoi =接下来,我们定义分析的时间范围。// 分析的时间范围// 自定义时间间隔的数据聚合函数}));通过以上步骤,我们成功地使用Google Earth Engine分析了特定区域的降水异常,并将结果可视化和导出。这一过程展示了GEE在气候数据分析中的强大能力,能够帮助我们更好地理解降水变化及其对环境的影响。如果您有任何问题或建议,欢迎在评论区留言!

此星光明博客 780

基于GEE与Python的干旱监测SPI计算实践

标准化降水指数(SPI)是气象干旱监测的核心指标,通过量化降水偏离常态的程度实现干旱等级评估。其计算原理基于长期降水数据的概率分布拟合,可灵活应用于不同时间尺度(1/3/6/12个月)的干旱分析。传统方法依赖本地气象站数据,存在空间覆盖不足、计算效率低下等痛点。Google Earth Engine(GEE)平台整合了多源遥感数据与分布式计算能力,结合Climate Indices等Python科学计算库,可构建云端自动化SPI计算流水线。该方案显著提升了数据处理效率,支持CHIRPS等全球降水数据集的多尺

weixin_34341229的博客 501

别再手动爬数据了!用GEE+CHIRPS批量下载全球降水数据(附完整代码)

本文介绍如何利用Google Earth Engine(GEE)和CHIRPS数据集实现全球降水数据的自动化下载与处理,解决传统手动下载的痛点。通过完整代码示例,展示从日尺度到年尺度的数据获取方法,以及高级技巧如分块处理和质量控制,显著提升科研效率。

weixin_30480075的博客 691

避坑指南:GEE中Sen+MK趋势分析结果的正确解读与可视化(以MODIS NDVI为例)

本文深入解析GEE平台中Sen+MK趋势分析在遥感数据中的应用,重点探讨如何正确解读与可视化MODIS NDVI趋势结果。从统计原理到生态意义,揭示常见误区并提供科学可视化建议,帮助研究者避免数据分析中的陷阱,提升研究可靠性。

weixin_30861797的博客 579

GEE 案例——如何利用CHIRPS/DAILY影像数据进行时序降水数据分析?

这里我们利用2000年-2023年的CHIRPS/DAILY数据来实现降水数据的长时序分析。

此星光明博客 544

基于 GEE 融合 CHIRPS 和 ERA5_LAND 的长时序气温降水多时间尺度折线图绘制及 CSV 数据导出

基于 GEE 融合 CHIRPS 和 ERA5_LAND 的长时序气温降水多时间尺度折线图绘制及 CSV 数据导出。

@HNUSTer的博客 600

【高分子材料工程】嵌件注塑结构设计与工艺优化:金属-塑料复合件界面强度及失效预防技术规范

内容概要:本文系统阐述了嵌件注塑(Insert Molding)的设计参数、模具关键技术及失效预防措施,聚焦黄铜H62或304不锈钢与PA66-GF30材料组合的基准工况,提供可用于工程图纸、DFM检查、模具验收和工艺规程的量化依据。内容涵盖工艺边界界定、材料匹配与界面力学分析、结构设计参数(如包覆壁厚、滚花、倒角)、模具设计要点(定位、浇口、排气、冷却)、工艺参数窗口、八大失效模式及其对策、验证验收标准以及量产控制要求,强调通过DFM仿真、模流分析和DOE试模优化工艺,并列出常见设计误区与纠正方案。; 适合人群:从事注塑产品设计、模具开发、工艺工程及质量管理的工程技术人员,尤其适用于汽车、电子、医疗等行业中具备1-3年及以上相关经验的研发人员; 使用场景及目标:①指导嵌件注塑零件的可制造性设计与结构优化;②支持模具设计评审与验收;③制定试模调机与量产工艺规范;④开展失效分析与质量改进; 阅读建议:此资源兼具理论机制与工程实践,建议结合实际项目对照查阅,重点关注包覆壁厚、预热温度、浇口布置等关键参数的取值边界,并在应用非基准材料时进行线膨胀系数与收缩率的换算修正,避免直接套用数据。

GEE APP:基于SPI指数的干旱监测可视化分析

本文详细介绍了基于标准化降水指数(SPI)的干旱监测技术实现方法。该技术利用CHIRPS日降水数据和MODIS植被指数数据,通过计算特定时间段内降水值与多年均值的偏差,再除以标准差来量化干旱状况。文章涵盖了数据准备、参数设置和核心算法实现三个关键环节,包括研究区域定义、时间范围配置、空间分辨率设置,以及月尺度和16日SPI的计算方法。特别介绍了针对不同时间尺度(12个月以下和12个月及以上)采用不同的统计量计算方法,并实现了与MODIS数据的同步处理。该技术可有效监测区域干旱状况,为干旱预警和评估提供科学依

此星光明博客 422

手把手教你在Keil/IAR中移植SEGGER_RTT组件(避坑指南+性能对比)

本文详细介绍了在Keil/IAR开发环境中移植SEGGER RTT调试组件的完整流程与优化技巧。通过对比传统串口调试,SEGGER RTT凭借零硬件占用、高速传输和双向交互等优势,显著提升嵌入式开发效率。文章包含配置步骤、性能调优方案及常见问题解决方案,是嵌入式开发者必备的实用指南。

y7z8a的博客 246

差分运放电路输出电压偏置设计解析

差分运算放大电路是信号处理中的基础模块,通过差分对管结构实现共模抑制与差模放大。其核心原理基于运放的虚短虚断特性,当电阻网络满足对称条件时,输出电压与输入差分成正比。在工业测量系统中,由于ADC通常仅支持正电压输入,需要通过偏置电路将双极性信号平移至正电压范围。典型设计采用精密基准电压源和匹配电阻网络,既保持信号完整性又满足系统接口要求。本文以-100V高压测量为例,详细解析了分压网络设计、参考电压选取以及电阻匹配等关键技术要点,为传感器接口电路设计提供实践参考。

weixin_35750747的博客 471

Google Earth Engine ——利用降水数据来实现

例如,您可能希望使用最大值组合 (MVC) 将每日 值组合成半个月或一个月。ee.Imagecollection 的迭代函数有参数可以在迭代期间承载过去的状态,这可能有助于解决时间合成问题。气候危害组红外降水与站点数据(CHIRPS)是一个30年以上的准全球降水数据集。CHIRPS结合了0.05°分辨率的卫星图像和原位站数据,形成网格化的降雨时间序列,用于趋势分析和季节性干旱监测。在一个列表上迭代一个算法。该算法需要两个对象,即当前的列表项,以及上一次迭代的结果或第一次迭代的 first 值。...

此星光明博客 918

蓄热式加热炉燃烧技术

蓄热式加热炉燃烧技术

weixin_37928884的博客 2735

Google Earth Engine——气候危害组红外降水与站点数据(CHIRPS)是一个30年以上的全球降水数据集

Climate Hazards Group InfraRed Precipitation with Station data (CHIRPS) is a 30+ year quasi-global rainfall dataset. CHIRPS incorporates 0.05° resolution satellite imagery with in-situ station data to create gridded rainfall time series for trend analysis

此星光明博客 1706

单电源运放偏置电压设计:如何避免信号失真

本文详细解析了单电源运放偏置电压设计的关键技术,以LM358为例,探讨如何通过1/2 VCC偏置避免信号失真。文章从基本原理出发,揭示了双端偏置的黄金法则,并提供了常见设计陷阱的解决方案和进阶调试技巧,帮助工程师实现高保真信号放大。

weixin_29266647的博客 295

【WRF-Urban】WUDAPT详解:An Urban Weather, Climate, and Environmental Modeling Infrastructure

WUDAPT详解:An Urban Weather, Climate, and Environmental Modeling Infrastructure

WW、forever的博客 497

全年日降雨数据下载与处理教程

一、下载数据 从中国气象数据网获得2014年的中国地面降水日值0.5°×0.5°格点数据集(V2.0),网址:http://data.cma.cn/ 数据集实体文件名称:中国降水日值0.5°×0.5°格点数据集文件命名由数据集代码(SURF_CLI_CHN_PRE_DAY_GRID_0.5)、年月日标识(YYYYMMDD)组成。具体形式:SURF_CLI_CHN_PRE_DAY_GRID_0....

qq_36958801的博客 2万+

【护网必备】Windows平台shellcode免杀加载器

bypass:McAfee、金山(数字签名)、火绒、ESET、卡巴企业版(时间5s 抖动50 Sleep_mask)、360全家桶(物理机)、Norton(加白程序资源)、WDF(PC)、WDF(Server)、Symantec(加白程序资源)bypass:金山(数字签名)、火绒、ESET、360全家桶(物理机)、WDF(PC)、WDF(服务器提示复查(关云保护))、McAfee、Norton(加白程序资源)、卡巴企业版(时间5s 抖动50 Sleep_mask)必须使用Bof操作,shell运行就掉线。

Fly_鹏程万里 1188
上一篇: M1 Mac用户必看:如何用8GB内存流畅运行Mythalion 13B角色扮演模型(附优化技巧)
下一篇: Vue3项目实战:如何选择最适合你的依赖引入方式(CDN/本地/全局)
android
博客等级 码龄22年 48粉丝 1455原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
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