1979 年至今的每日地面气象数据(ECMWF) 数据集
【摘要】 AgERA5 (ECMWF) 数据集¶1979 年至今的每日地面气象数据，作为农业和农业生态研究的输入。该数据集基于地表每小时 ECMWF ERA5 数据，称为 AgERA5。原始ERA5数据的采集和预处理是一项复杂且专业的工作。通过提供 AgERA5 数据集，用户可以从这项工作中解放出来，并可以直接开始为他们的分析和建模提供有意义的输入。前言 – 人工智能教程该数据集中提供的变量符合大多...
AgERA5 (ECMWF) 数据集
1979 年至今的每日地面气象数据，作为农业和农业生态研究的输入。该数据集基于地表每小时 ECMWF ERA5 数据，称为 AgERA5。原始ERA5数据的采集和预处理是一项复杂且专业的工作。通过提供 AgERA5 数据集，用户可以从这项工作中解放出来，并可以直接开始为他们的分析和建模提供有意义的输入。该数据集中提供的变量符合大多数农业和农业生态模型的输入需求。数据被聚合为当地时区的每日时间步长，并以 0.1° 空间分辨率校正为更精细的地形。通过将网格和特定于变量的回归方程应用于在 0.1° 网格插值的 ERA5 数据集，实现了对 0. 1° 网格的校正。这些方程在 ECMWF 的高分辨率大气模型 (HRES) 上以 0.1° 分辨率进行训练。通过这种方式，数据可以根据 ECMWF HRES 模型的更精细的地形、更精细的土地利用模式和更精细的海陆轮廓进行调整。您可以在此处和找到
数据集描述
该数据集提供了从 1979 年至今的每日地面气象数据，作为农业和农业生态研究的输入。该数据集基于地表每小时 ECMWF ERA5 数据，称为 AgERA5。原始ERA5数据的采集和预处理是一项复杂且专业的工作。通过提供 AgERA5 数据集，用户可以从这项工作中解放出来，并可以直接开始为他们的分析和建模提供有意义的输入。为此，该数据集中提供的变量符合大多数农业和农业生态模型的输入需求。
数据被聚合为当地时区的每日时间步长，并以 0.1° 空间分辨率校正为更精细的地形。通过将网格和特定于变量的回归方程应用于以 0.1° 网格插值的 ERA5 数据集，实现了对 0.1° 网格的校正。这些方程在 ECMWF 的高分辨率大气模型 (HRES) 上以 0.1° 分辨率进行训练。通过这种方式，数据可以根据 ECMWF HRES 模型的更精细的地形、更精细的土地利用模式和更精细的海陆划分进行调整。
该数据是代表哥白尼气候变化服务机构生成的。
| 数据说明 | |
|---|---|
| 数据类型 | 网格化 |
| 投影 | 规则的经纬度网格 |
| 横向覆盖 | 全球的 |
| 水平分辨率 | 0.1°×0.1° |
| 垂直覆盖 | 变量在单个级别上提供，变量之间可能有所不同 |
| 时间覆盖范围 | 从1979年至今 |
| 时间分辨率 | 日常的 |
| 文件格式 | 网络CDF-4 |
| 惯例 | 气候和预报 (CF) 元数据公约 v1.7 |
| 版本 | 1.0、1.1 |
| 更新频率 | 每月 |
空间信息
| 范围 | 价值 |
|---|---|
| 空间范围 | 全球的 |
| 空间分辨率 | 9600 米（1/10 度） |
| 时间分辨率 | 日常的 |
| 时间跨度 | 1979年1月1日至今 |
| 更新频率 | 每日更新，滞后 7 天 |
变量
| 多变的 | 单位 |
|---|---|
| 风速（'Wind_Speed_10m_Mean'） | - 单位：米/秒 |
| - 比例因子：1.0 | |
| 最低温度，2m（'Temperature_Air_2m_Min_24h'） | - 单位：开尔文度 |
| - 比例因子：1.0 | |
| 最高温度，2m（'Temperature_Air_2m_Max_24h'） | - 单位：开尔文度 |
| - 比例因子：1.0 | |
| 平均温度，2m（'Temperature_Air_2m_Mean_24h'） | - 单位：开尔文度 |
| - 比例因子：1.0 | |
| 最高温度，2m，白天（'Temperature_Air_2m_Max_Day_Time'） | - 单位：开尔文度 |
| - 比例因子：1.0 | |
| 平均温度，2m，白天（'Temperature_Air_2m_Mean_Day_Time'） | - 单位：开尔文度 |
| - 比例因子：1.0 | |
| 最低温度，2m，夜间（'Temperature_Air_2m_Min_Night_Time'） | - 单位：开尔文度 |
| - 比例因子：1.0 | |
| 平均温度，2m，夜间（'Temperature_Air_2m_Mean_Night_Time'） | - 单位：开尔文度 |
| - 比例因子：1.0 | |
| 露点温度，2m（'Dew_Point_Temperature_2m_Mean'） | - 单位：开尔文度 |
| - 比例因子：1.0 | |
| 降水量（“Precipitation_Flux”） | - 单位：厘米 |
| - 比例因子：1.0 | |
| 降水持续时间分数 ('Precipitation_Rain_Duration_Fraction') | - 单位：计数 |
| - 比例因子：1.0 | |
| 降水固体持续时间分数 ('Precipitation_Solid_Duration_Fraction') | - 单位：计数 |
| - 比例因子：1.0 | |
| 积雪深度（'Snow_Thickness_Mean'） | - 单位：厘米 |
| - 比例因子：1.0 | |
| 雪水当量（'Snow_Thickness_LWE_Mean'） | - 单位：厘米 |
| - 比例因子：1.0 | |
| 蒸气压（'Vapour_Pressure_Mean'） | - 单位：百帕 |
| - 比例因子：1.0 | |
| 向下的太阳辐射（'Solar_Radiation_Flux'） | - 单位：J m-2d-1 |
| - 比例因子：1.0 | |
| 云量（'Cloud_Cover_Mean'） | - 单位：分数 |
| - 比例因子：1.0 | |
| 相对湿度，2m 06h（'Relative_Humidity_2m_06h'） | - 单位：百分比 |
| - 比例因子：1.0 | |
| 相对湿度，2m 15h（'Relative_Humidity_2m_15h'） | - 单位：百分比 |
| - 比例因子：1.0 |
引文
Copernicus Climate Change Service (C3S) (2017): ERA5 Ag: Agrometeorological indicators from 1979 to present derived from reanalysis. Copernicus
Climate Change Service Climate Data Store (CDS), (date of access),
https://cds.climate.copernicus.eu/cdsapp#!/dataset/sis-agrometeorological-indicators?tab=overview
地球引擎片段
// Read in Image Collection and get first image
var agera5_ic = ee.ImageCollection('projects/climate-engine-pro/assets/ce-ag-era5/daily')
var agera5_i = agera5_ic.first()
// Print first image to see bands
print(agera5_i)
// Visualize select bands from first image — additional bands are present in the Image Collection
var prec_palette = ["#ffffcc", "#c7e9b4", "#7fcdbb", "#41b6c4", "#1d91c0", "#225ea8", "#0c2c84"]
var temp_palette = ["#b2182b", "#ef8a62", "#fddbc7", "#f7f7f7", "#d1e5f0", "#67a9cf", "#2166ac"].reverse()
Map.addLayer(agera5_i.select('Precipitation_Flux'), {min: 0, max: 1, palette: prec_palette}, 'Precipitation_Flux')
Map.addLayer(agera5_i.select('Temperature_Air_2m_Max_24h').selfMask().subtract(273.15), {min: -10, max: 50, palette: temp_palette}, 'Temperature_Air_2m_Max_24h')
Map.addLayer(agera5_i.select('Temperature_Air_2m_Min_24h').selfMask().subtract(273.15), {min: -10, max: 50, palette: temp_palette}, 'Temperature_Air_2m_Min_24h')
Map.addLayer(agera5_i.select('Temperature_Air_2m_Mean_24h').selfMask().subtract(273.15), {min: -10, max: 50, palette: temp_palette}, 'Temperature_Air_2m_Mean_24h')
Map.addLayer(agera5_i.select('Dew_Point_Temperature_2m_Mean').selfMask().subtract(273.15), {min: -10, max: 50, palette: temp_palette}, 'Dew_Point_Temperature_2m_Mean')
Map.addLayer(agera5_i.select('Snow_Thickness_Mean'), {min: 0, max: 100, palette: prec_palette}, 'Snow_Thickness_Mean')
Map.addLayer(agera5_i.select('Snow_Thickness_LWE_Mean'), {min: 0, max: 20, palette: prec_palette}, 'Snow_Thickness_LWE_Mean')
示例代码：
执照
数据受使用哥白尼产品许可的约束：
关键词：气候、再分析、近实时、ECMWF、降水、温度
数据集提供者：哥白尼
GEE 中的数据集由 Climate Engine Org 管理
【版权声明】本文为华为云社区用户原创内容，转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息， 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）