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:
- 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');
- 自定义几何图形:手绘或上传GeoJSON
- 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);
}));
427



被折叠的 条评论
为什么被折叠?



