本文介绍在ERA5气象数据的官方网站中，手动下载、Python代码自动批量下载逐小时、逐日与逐月的ERA5气象数据各类产品的快捷方法。
ERA5（fifth generation ECMWF atmospheric reanalysis of the global climate）是由欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）开发和维护的一种全球范围内的高分辨率大气再分析数据集，提供了多种气象和气候变量的连续、一致和高质量的数据。ERA5基于全球观测数据、数值模型和物理参数化方案，通过数据同化和数值模拟的技术，对过去数十年（1940年至今）的天气状况进行再构建和模拟，从而生成了高时空分辨率的大气和地表变量数据。ERA5提供了广泛的气象和气候变量，包括温度、湿度、风速、降水、云量、地表辐射、地表温度等。这些数据以固定的时间间隔（逐小时或逐月）和空间分辨率（从数公里到数十公里）提供，可以用于气候研究、天气分析、气候模型验证、环境监测等众多应用领域。
我们可以通过ERA5的官方网站，或者在谷歌地球引擎等平台中，下载这一气象数据。由于在谷歌地球引擎中下载这一数据相对而言比较麻烦，而且速度也并不算友好，我们这里就主要介绍一下基于其官方网站，通过手动下载、Python代码下载等2种方式，下载不同ERA5数据产品的方法。
首先，需要明确，我们一般常用的ERA5数据产品包括ERA5（https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-single-levels?tab=overview）和ERA5-Land（https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-land?tab=overview）等2种；其中，前者ERA5包含全球全部区域，而后者ERA5-Land仅包含全球的陆地区域，但是后者的空间分辨率（最高是0.1 °）要高于前者（最高位0.25 °）。其次，在ERA5的官方网站，无论是上述的ERA5数据，还是ERA5-Land数据，我们通过手动下载或者代码下载的方式，都只能直接下载到逐小时或逐月的气象数据；如果需要逐日的数据，大家可以在其官方网站提供的逐日统计数据计算工具（https://cds.climate.copernicus.eu/cdsapp#!/software/app-c3s-daily-era5-statistics?tab=app）中加以自动计算后手动下载，或者是在GEE中下载，再或者就是先下载逐小时的数据，然后自行撰写代码批量计算逐日或者其他时间分辨率的数据。当然，也还有一种用Python代码批量下载逐日数据的方法，但是那个方法的速度受到网络情况影响，我发现还不如我手动下载来得快，所以这里就没有介绍；之后如果用到这个代码了，就再和大家介绍一下。
0 准备工作
需要注意，只要不是选择用上述逐日统计数据计算工具来下载数据，那么无论我们选择手动下载数据，还是用Python代码批量下载数据，都需要进行本部分的操作。
首先，我们找到需要下载的数据首页，如下图所示。
其次，如果我们没有登陆的话，需要在上图右上角所示的位置登录或者注册一下账号。如下图所示，我这里就新注册一个账号。
完成注册后，需要在我们注册时填写的邮箱中激活一下账号，如下图所示。
随后，登录账号即可；如下图所示。
接下来，我们回到刚刚的数据首页中，选择“Download data”选项；如下图所示。随后，选择当前数据产品对应的产品类型，一般情况下，我们选择第一个，也就是“Reanalysis”选项就可以。
随后，选择我们需要的气象数据指标；可以在“Popular”这一栏选择用户常用的热门指标，也可以自己依据需要在下面的类别中搜索。如下图所示。
接下来，选择我们需要的年份和日期、时刻。这里需要注意，对于不同的ERA5产品，其能一次性下载的数量也是不同的；如下图所示，我这张图下载的是ERA5数据，它就可以一次性选择多年、多月的数据；但是后面我下载ERA5-Land数据，发现就不能多选年份和月份了，也就是说一次性只能下载一年中一个月的数据。这个可能是由于，ERA5-Land数据的空间分辨率比较高，数据量更大，导致官方限制了ERA5-Land数据的一次性下载的限额。
随后，选择我们要下载的数据的空间覆盖范围，并选择下载的数据格式（建议选择NetCDF格式）如下图所示。
随后，选择下图中左上方的“Accept terms”选项。
至此，我们就完成了数据下载的准备部分工作。
1 手动下载
首先，我们介绍一下手动下载的方法。手动下载其实就很简单了，在完成上一个“Accept terms”选项步骤之后，上图右下角就会变成下图右下角所示的“Submit Form”选项；选择这一项即可。这个的意思是，将我们前面配置好的下载信息作为一个请求，发给服务器，服务器只要处理好这个请求，我们就可以开始下载了。
随后，可以在新的界面中，看到我们刚刚发起的这个请求；如下图所示。需要注意的是，此时我们只是将请求发送给了官方网站的服务器，服务器还需要一段时间来处理我们的请求。
如下图所示，在提交了一个请求之后，我们可以用前文的方法再提交其他的请求；这些请求都在“Your requests”界面中有所显示。
当服务器处理完毕我们的请求后，可以看到请求列表右侧出现了“Download”选项，点击它就可以下载数据了。
一般情况下，服务器处理我们请求的时间是不一定的，受到所要下载数据的大小、服务器繁忙情况等影响；如下图所示，我这两个请求，一个是不到200 MB的数据，一个是不到20 MB的数据，分别经过了将近1个小时、20分钟才请求完毕、可以下载，这个速度不算很快。
2 基于Python下载
接下来，我们介绍一下基于Python代码批量下载数据的方法。
首先，我们进入这个网页（https://cds.climate.copernicus.eu/#!/home）；这里需要注意，进入这个网页后，首先需要通过如下的超链接，重新注册一下；我感觉这个步骤的意义就是将我们注册好的ERA5官方网站账号再赋一个API权限。
其中，如下图所示，这里的“Current password”也要输入。
随后，我们进入这个网站（https://cds.climate.copernicus.eu/api-how-to），并找到如下图所示的网页位置，将右侧黑色区域内的全部信息复制一下。
接下来，我们还需要配置一下Python代码中，用以下载ERA5数据的一个第三方库cdsapi，也就是ERA5官方开发的、专门用来供Python代码下载ERA5数据的库。如果大家此时还没有Python环境，则可以基于文章Win10中Anaconda及Python的下载与安装方法（https://blog.csdn.net/zhebushibiaoshifu/article/details/122642187）中提到的方法来配置代码环境。
接下来，我们配置cdsapi库；如果需要在虚拟环境中下载这个库，大家可以参考文章Anaconda中Python虚拟环境的创建、使用与删除（https://blog.csdn.net/zhebushibiaoshifu/article/details/128334614）中提到的方法，创建新的虚拟环境后再用如下的方法来配置这个库。
配置cdsapi库也是很简单的。我们直接在Python环境的命令行中分别输入如下代码即可（如果大家没有conda环境的话，可以用pip来安装，具体方法参考ERA5的官方网站即可）。其中，第一句代码用于在conda的配置文件中添加一个新的软件源channel，即conda-forge；conda-forge是一个社区驱动的软件源，提供了广泛的开源软件包，包括这个cdsapi库。第二句代码就是下载cdsapi库。
conda config --add channels conda-forge conda install cdsapi
运行上述代码，如下图所示。
)
我在第一次配置cdsapi库的时候，出现了如下图所示的报错；这种问题一般就是没有管理员权限导致的。
)
因此，选择用管理员权限打开命令行，如下图所示。
)
随后，就配置好了cdsapi库；如下图所示。
)
接下来，我们需要找到.cdsapirc文件，并将前面我们复制的url和key复制到其中。这里需要注意，这个.cdsapirc文件，原理上在配置完毕cdsapi库后，会自动出现在我们电脑中的C:\Users\用户名文件夹内；如下图所示。
但是实际上，有的时候我们在上述文件夹内是看不到这个文件的；这样的话，我们可以在这个文件夹内新建一个.txt格式的文本文件，并将我们复制的url和key复制到其中，如下图所示。
随后，将这个.txt格式的文本文件重命名为.cdsapirc，如下图所示。
)
随后，我们回到前面ERA5官方网站中，设置下载数据属性的那个网站，并选择最左侧的“Show API request”选项；如下图所示。
随后，会出现一个Python代码；如下图所示。我们将这个代码复制到自己的Python语言的IDE中，执行代码即可。
复制后如下图所示。
随后，执行上述复制后的代码，如下图所示。可以看到，已经开始代码的下载了。
)
这里需要注意，下载的气象数据默认保存在Python代码所在的文件夹中；如下图所示。
)
此外，我们通过上述方式获取的数据，其实也是一个向服务器发送的请求，也是需要首先处理请求、随后在Python中开始下载的；我们同样可以在“Your requests”页面中看到我们通过Python下载数据的请求。下图中，Python下载数据的请求处理数据为0，这个是因为对于同一个数据，我先用手动下载的方式提交过一次请求了，服务器处理之后我又用Python提交了一次请求，所以Python下载数据时就不用了再重新处理请求了。
同时，当时还简单对比了一下手动下载和Python下载的速度差异，但是感觉两者速度差异不大，都不算很快；但是如果用手动下载的方法，提交并处理完毕请求后，用IDM等下载软件来下载，速度就会很快——至少比用浏览器自带的下载功能，或者Python下载，要明显快很多。
至此，大功告成。
欢迎关注：疯狂学习GIS
