中国1km分辨率逐月降水量数据集（1976-2025）：50年600期气候栅格完整技术说明

摘要：基于CRU全球0.5°气候数据集与WorldClim高分辨率气候数据集，通过Delta空间降尺度方案生成的中国区域1km分辨率逐月降水量栅格数据。时间跨度1976-2025年共50年600期，NetCDF格式，已用496个独立气象站点验证。本文涵盖数据来源、降尺度方法、技术规格、Python/Matlab读取代码与完整获取方式。

关键词：中国降水量 · 1km分辨率 · 逐月降水 · Delta降尺度 · NetCDF · 彭守璋 · CRU · WorldClim

数据代码：逐月降雨量-{年份}（1976-2025）

系列索引：18.数字高程模型 DEM | 20.中国100万植被类型 | 21.中国1km逐月降水量（本文）

---

0. 数据档案

---

1. 免费获取方式

数据由微信公众号 YouGIS顽石 整理分享，完全免费。两种方式任选其一。

方式一：YouGIS 公众号关键词（推荐）

关注微信公众号 YouGIS顽石，发送关键词：

逐月降雨量-年份 → 该年全年12期降水量nc数据（约160MB）

示例：

系统自动回复 百度网盘 + 夸克网盘 双链接。

方式二：YouGIS 数据助手

支持在线查看数据元信息（分辨率、坐标系、覆盖范围），适合批量检索。

---

2. 数据背景

2.1 数据怎么来的

该数据集并非直接观测数据，而是基于两个权威气候数据源通过统计降尺度方法生成：

CRU TS 全球0.5°逐月气候数据（时间变化源）
  crudata.uea.ac.uk/cru/data/hrg/
         +
WorldClim 全球高分辨率气候数据（空间细节源）
  worldclim.org
         ↓
   Delta 空间降尺度方案
         ↓
 中国区域 1km 逐月降水量栅格数据

数据源说明：

• CRU TS（Climatic Research Unit Time-Series）：东英吉利大学气候研究中心发布的全球陆地表面0.5°格点月度气候数据，时间覆盖1901年至今，是国际上使用最广泛的全球气候格点数据之一。

• WorldClim：全球高分辨率（~1km）气候数据，提供长期气候常态（climatology），空间细节极为丰富，但不包含逐月时间序列。

2.2 Delta降尺度方法

Delta空间降尺度的核心原理：

1. 空间模板：WorldClim 提供 1km 分辨率的气候常态（如多年平均的月降水空间分布），作为空间降尺度的"模板"

2. 时间信号：CRU TS 提供 0.5° 分辨率的逐月距平（相对于气候常态的偏差），作为时间变化的"信号"

3. 融合：将 CRU 的逐月距平叠加到 WorldClim 的 1km 空间模板上，得到 1km 分辨率的逐月降水数据

这种方法属于统计降尺度，相比动力降尺度（RCM区域气候模式）计算效率高得多，且能达到1km的空间分辨率。

局限性：Delta方法假设空间格局在时间上稳定，即WorldClim的空间模板在不同年代同样适用。对于地形复杂区域（如山区），这一假设可能带来一定偏差。

2.3 数据验证

使用 496个独立气象观测站点 的实测月降水数据对降尺度结果进行了验证。这些站点独立于CRU和WorldClim的数据源，验证结果支持了数据的可信度。

该数据集发表于国际顶级数据期刊 Earth System Science Data（ESSD，影响因子>11），经过严格的数据同行评审。

---

3. 技术规格详解

3.1 关于存储单位

数据以 0.1mm 为单位、int16 类型存储，这是为了压缩文件大小。读取后需乘以 0.1 转换为 mm：

# nc 存储值 → 实际降水量(mm)
precip_mm = nc_value * 0.1

int16 最大值 32767 × 0.1 = 3276.7mm/月，足以覆盖中国所有区域的月降水极值。

3.2 关于时间维度

每个 nc 文件包含12个时间步（对应一年的12个月）。使用 xarray 的 open_mfdataset 可将多个年份的 nc 文件合并为一个连续时间序列。

---

4. 数据使用方法

4.1 Python 读取

import xarray as xr
import numpy as np

# 读取单个年份
ds = xr.open_dataset('pre_2000.nc')

# 查看数据结构
print(ds)
# 应包含维度: lon, lat, time
# 变量: pre (int16)

# 单位换算: 0.1mm → mm
precip = ds['pre'] * 0.1

# 查看时间维度
print(f"时间范围: {ds.time.values[0]} ~ {ds.time.values[-1]}")

# 提取特定月份
july = precip.sel(time='2000-07')
print(f"7月降水范围: {float(july.min()):.1f} ~ {float(july.max()):.1f} mm")

# 计算年降水总量
annual_total = precip.sum(dim='time')
print(f"年降水总量: {float(annual_total.min()):.0f} ~ {float(annual_total.max()):.0f} mm")

ds.close()

4.2 批量合并多年数据

import xarray as xr
import glob

# 合并1976-2025全部nc文件
files = sorted(glob.glob('pre_*.nc'))
ds_all = xr.open_mfdataset(files, combine='by_coords')

# 50年时间序列
precip_all = ds_all['pre'] * 0.1

# 计算全国年均降水量的年际变化趋势
national_mean = precip_all.mean(dim=['lat', 'lon'])
annual_series = national_mean.resample(time='YS').sum()

print("全国年均降水量序列:")
for year, val in zip(annual_series.time.dt.year.values, annual_series.values):
    print(f"  {year}: {val:.0f} mm")

ds_all.close()

4.3 按区域裁切

import xarray as xr

ds = xr.open_dataset('pre_2000.nc')
precip = ds['pre'] * 0.1

# 方式一：经纬度矩形裁切（长江流域 90-122°E, 25-35°N）
yangtze = precip.sel(
    lon=slice(90, 122),
    lat=slice(35, 25)  # 注意纬度方向（可能降序）
)

# 方式二：按矢量边界裁切（需 rioxarray + geopandas）
import rioxarray
import geopandas as gpd

precip.rio.write_crs("EPSG:4326", inplace=True)
shp = gpd.read_file('study_area.shp')
clipped = precip.rio.clip(shp.geometry, shp.crs)

ds.close()

4.4 导出为 GeoTIFF

import xarray as xr
import rioxarray

ds = xr.open_dataset('pre_2000.nc')
precip = ds['pre'].sel(time='2000-07') * 0.1
precip.rio.write_crs("EPSG:4326", inplace=True)
precip.rio.to_raster('precip_2000_07.tif')

print("导出完成: precip_2000_07.tif")
ds.close()

4.5 Matlab 读取

% 读取nc数据
data = ncread('pre_2000.nc', 'pre');

% 转为实际降水量(mm)
precip = double(data) * 0.1;

% 提取1月
january = precip(:, :, 1);

% 绘制空间分布
imagesc(january);
colorbar;
title('2000年1月降水量 (mm)');
xlabel('经度'); ylabel('纬度');

4.6 ArcMap 制图

1. ArcToolbox → 多维工具 → 创建 NetCDF 栅格图层（Make NetCDF Raster Layer）

2. 输入 nc 文件，变量选择 pre

3. 行/列维度对应 lat/lon

4. 加载后通过时间维度切换不同月份

5. 可配色后导出为标准栅格格式

---

5. 横向对比：常见降水数据集选型

选型建议：

• 省/市/流域尺度气候分析 → 本数据集（1km分辨率优势明显）

• 需要小时级降水过程 → ERA5

• 需要日尺度极端降水 → CN05.1 或 ERA5

• 需要全球对比分析 → CRU TS 或 GPCP

---

6. 使用注意事项

6.1 引用要求

使用数据产生的成果（论文、报告等）必须引用：

Peng Shouzhang, Ding Yongxia, Liu Wenzhao, Li Zhi. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017. Earth System Science Data, 2019, 11, 1931–1946. https://doi.org/10.5194/essd-11-1931-2019

数据来源标注：国家地球系统科学数据中心-黄土高原分中心 (http://loess.geodata.cn)

6.2 非商业用途

数据原始来源声明仅限用于非商业目的的科学研究与学术交流。商业使用建议联系数据提供方确认许可。

6.3 月尺度限制

本数据为月尺度降水数据，无法反映日尺度或次日尺度的极端降水过程。进行洪水模拟、暴雨灾害分析等需要高时间分辨率数据时，不能直接使用本数据集，需选择ERA5、CN05.1等日/小时级产品。

6.4 降尺度方法局限

Delta降尺度假设气候要素的空间格局在时间上稳定。对于地形复杂区域（如横断山区、青藏高原边缘），局地气候效应可能随时间变化，降尺度结果存在一定不确定性。建议结合站点实测数据交叉验证。

6.5 空间范围

数据覆盖中国主要陆地（含港澳台地区），不含南海岛礁。边界外为 NoData。

---

7. 常见问题

Q1: 数据是实测的还是模型生成的？

基于 CRU 和 WorldClim 两个权威数据集通过 Delta 降尺度方法生成，属于降尺度产品。已用496个独立站点验证，结果可信。

Q2: 原始数据覆盖1901年至今，为什么只分享1976-2025年？

1976-2025年覆盖了近50年，满足绝大多数气候变化和水文研究的需求。更早的数据如有需要可从原始数据源（loess.geodata.cn）获取。

Q3: nc文件用什么软件打开？

Python（xarray/netCDF4）、Matlab（ncread）、ArcMap（Make NetCDF Raster Layer）、QGIS、Panoply 等均可打开。

Q4: int16存储有什么需要注意的？

读取后乘以0.1转为mm即可。int16最大32767，乘以0.1为3276.7mm/月，对中国所有区域都足够。

Q5: 和ERA5降水数据有什么区别？

ERA5是再分析数据（数据同化），时间分辨率高（小时级）但空间分辨率低（~31km）。本数据是降尺度产品，空间分辨率高（1km）但时间精度为月尺度。做空间精细分析用本数据，做时间过程分析用ERA5。

---

参考文献

1. Peng S, Ding Y, Liu W, Li Z. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017. Earth System Science Data, 2019, 11, 1931–1946. https://doi.org/10.5194/essd-11-1931-2019

2. Harris I, Osborn T J, Jones P, Lister D. Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset. Scientific Data, 2020, 7, 109.

3. Fick S E, Hijmans R J. WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 2017, 37(12), 4302-4315.

4. CRU TS 数据：https://crudata.uea.ac.uk/cru/data/hrg/

5. WorldClim 数据：http://www.worldclim.org/

6. 国家地球系统科学数据中心-黄土高原分中心：http://loess.geodata.cn

7. YouGIS 数据助手：https://yougis.com.cn/res/home

---

数据来源：国家地球系统科学数据中心-黄土高原分中心 | 整理分享：YouGIS顽石