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。您可以在此处和气候引擎组织数据集页面中找到更多信息
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。前言 – 人工智能教程
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：https://code.earthengine.google.com/? scriptPath=users/sat-io/awesome-gee-catalog-examples:/weather-climate/AGERA5-DATASETS
执照¶
数据受使用哥白尼产品许可的约束：https://cds.climate.copernicus.eu/api/v2/terms/static/licence-to-use-copernicus-products.pdf
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
