中国1km分辨率月最低温和最高温度数据集(1901-2020)

简介: 中国1km分辨率月最低温和最高温度数据集(1901-2020)

简介:

中国1km分辨率月最低温度数据集(1901-2020)是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集,通过Delta空间降尺度方案在中国地区降尺度生成的。使用了496个独立气象观测点数据进行验证,验证结果可信。数据集的空间分辨率为0.0083333°(约1km),时间为1901.1-2020.12,数据单位为0.1℃。包含全国主要陆地(包含港澳台地区),不含南海岛礁等区域。

前言 – 人工智能教程

最低温度和最高温度是气象监测中非常重要的参数,因为它们提供了关于天气的重要信息,有助于我们了解天气状况,制定适当的防范措施。

最低温度可以帮助我们判断当地的冷空气活动和天气稳定性。非常低的最低温度可能会导致霜冻,对植物产生负面影响,对道路和机场的交通也会产生影响。同时,最低温度也是天气预报员预测明天的温度的依据。

最高温度可以帮助我们判断当地的热浪活动和天气稳定性。非常高的最高温度可能会对健康产生负面影响,如中暑、脱水等。此外,最高温度也是天气预报员预测明天的温度的重要依据。

因此,最低温度和最高温度的监测对于我们了解天气状况,制定适当的防范措施以应对突发天气情况具有重要的作用。

数据集ID:

TPDC/CHINA_1KM_MIN_TEM_MONTH

时间范围: 1901年-2020年

范围: 全国

来源: 国家青藏高原科学数据中心

复制代码段:

var images = pie.ImageCollection("TPDC/CHINA_1KM_MIN_TEM_MONTH")

var images = pie.ImageCollection("TPDC/CHINA_1KM_MAX_TEM_MONTH")

名称 单位(℃) 类型 分辨率(km) 无效值 描述信息
B1 0.1 int16 1 -32768 月最低温度

date

string

影像日期

代码:

var img = pie.ImageCollection("TPDC/CHINA_1KM_MIN_TEM_MONTH")
.filterDate("2000-01-01", "2006-01-01")
            .select("B1").first()
            //.mean();
print(img);
//设定颜色预览组合
visParams = {
            palette: ['#0D0887','#5B02A3','#9A179B','#CB4678','#EB7852','#FBB32F','#F0F921']};
//定位地图中心
Map.centerObject(img, 3);
//加载影像
Map.addLayer(img, visParams, "img");
var img = pie.ImageCollection("TPDC/CHINA_1KM_MAX_TEM_MONTH")
            .filterDate("2000-01-01", "2006-01-01")
            .select("B1").first()
            //.mean();
print(img);
//设定颜色预览组合
visParams = {
            palette: ['#0D0887','#5B02A3','#9A179B','#CB4678','#EB7852','#FBB32F','#F0F921']};
//定位地图中心
Map.centerObject(img, 3);
//加载影像
Map.addLayer(img, visParams, "img");

引用:

数据引用:

彭守璋. 中国1km分辨率月最低温度数据集(1901-2017). 国家青藏高原科学数据中心, 2020. DOI: 10.5281/zenodo.3114194.

文章引用:

1. Peng, S.Z., Ding, Y.X., Wen, Z.M., Chen, Y.M., Cao, Y., & Ren, J.Y. (2017). Spatiotemporal change and trend analysis of potential evapotranspiration over the Loess Plateau of China during 2011–2100. Agricultural and Forest Meteorology, 233, 183–194.

2. Peng, S.Z., Gang, C.C., Cao, Y., & Chen, Y.M. (2018). Assessment of climate change trends over the Loess Plateau in China from 1901 to 2100. International Journal of Climatology, 38(5), 2250–2264.

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

4. Ding, Y.X., & Peng, S.Z. (2020). Spatiotemporal trends and attribution of drought across China from 1901–2100. Sustainability, 12(2), 477.

 

相关文章
|
6月前
|
编解码 数据中心
中国1km分辨率逐月降水数据集(1901-2020)
中国1km分辨率逐月降水数据集(1901-2020)
155 1
中国1km分辨率逐月降水数据集(1901-2020)
|
6月前
|
编解码 人工智能
1980 年至今全球高分辨率降水分析(0.5度) 空间分辨率
1980 年至今全球高分辨率降水分析(0.5度) 空间分辨率
84 0
1980 年至今全球高分辨率降水分析(0.5度) 空间分辨率
|
编解码 定位技术
Google Earth Engine——全球土壤含数量数据:6个标准深度(0、10、30、60、100和200厘米)以250米的分辨率预测的33kPa和1500kPa吸力的土壤含水量(体积百分比)。
Google Earth Engine——全球土壤含数量数据:6个标准深度(0、10、30、60、100和200厘米)以250米的分辨率预测的33kPa和1500kPa吸力的土壤含水量(体积百分比)。
1002 0
Google Earth Engine——全球土壤含数量数据:6个标准深度(0、10、30、60、100和200厘米)以250米的分辨率预测的33kPa和1500kPa吸力的土壤含水量(体积百分比)。
|
BI 定位技术
土壤重金属含量分布、Cd镉含量、Cr、Pb、Cu、Zn、As和Hg、土壤采样点、土壤类型分布
土壤重金属含量分布、Cd镉含量、Cr、Pb、Cu、Zn、As和Hg、土壤采样点、土壤类型分布
土壤重金属含量分布、Cd镉含量、Cr、Pb、Cu、Zn、As和Hg、土壤采样点、土壤类型分布
|
编解码 算法
Google Earth Engine——TRMM/34B2产品包含一个网格化的、经TRMM调整的、合并的红外降水(毫米/小时)和降水误差的有效值估计,时间分辨率为3小时,空间分辨率为0.25度。
Google Earth Engine——TRMM/34B2产品包含一个网格化的、经TRMM调整的、合并的红外降水(毫米/小时)和降水误差的有效值估计,时间分辨率为3小时,空间分辨率为0.25度。
286 0
Google Earth Engine——TRMM/34B2产品包含一个网格化的、经TRMM调整的、合并的红外降水(毫米/小时)和降水误差的有效值估计,时间分辨率为3小时,空间分辨率为0.25度。
|
编解码 数据可视化 定位技术
Google Earth Engine——全球土壤体积密度数据集在6个标准深度(0、10、30、60、100和200厘米)的土壤体积密度(细土)10 x kg / m3,分辨率250米。
Google Earth Engine——全球土壤体积密度数据集在6个标准深度(0、10、30、60、100和200厘米)的土壤体积密度(细土)10 x kg / m3,分辨率250米。
159 0
Google Earth Engine——全球土壤体积密度数据集在6个标准深度(0、10、30、60、100和200厘米)的土壤体积密度(细土)10 x kg / m3,分辨率250米。
|
机器学习/深度学习 C语言
Google Earth Engine ——2001-2017年非洲土壤深度为 0-20 厘米和 20-50 厘米时的体积密度 <2 毫米分数,预测平均值和标准偏差数据集
Google Earth Engine ——2001-2017年非洲土壤深度为 0-20 厘米和 20-50 厘米时的体积密度 <2 毫米分数,预测平均值和标准偏差数据集
97 0
Google Earth Engine ——2001-2017年非洲土壤深度为 0-20 厘米和 20-50 厘米时的体积密度 <2 毫米分数,预测平均值和标准偏差数据集
|
编解码
Google Earth Engine——多光谱/潘氏图像集包含了从原始12位数据上移的五个16位波段的图像。B、G、R和近红外波段的分辨率约为每像素2米,而Pan波段的分辨率约为0.8米
Google Earth Engine——多光谱/潘氏图像集包含了从原始12位数据上移的五个16位波段的图像。B、G、R和近红外波段的分辨率约为每像素2米,而Pan波段的分辨率约为0.8米
176 0
Google Earth Engine——多光谱/潘氏图像集包含了从原始12位数据上移的五个16位波段的图像。B、G、R和近红外波段的分辨率约为每像素2米,而Pan波段的分辨率约为0.8米
|
机器学习/深度学习 知识图谱
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取阳离子交换容量,预测平均值和标准偏差数据集
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取阳离子交换容量,预测平均值和标准偏差数据集
116 0
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取阳离子交换容量,预测平均值和标准偏差数据集
|
编解码 数据可视化 5G
Google Earth Engine——全球土壤6个标准深度(0、10、30、60、100和200厘米)的土壤有机碳含量,单位为x 5 g/kg,分辨率为250米
Google Earth Engine——全球土壤6个标准深度(0、10、30、60、100和200厘米)的土壤有机碳含量,单位为x 5 g/kg,分辨率为250米
288 0
Google Earth Engine——全球土壤6个标准深度(0、10、30、60、100和200厘米)的土壤有机碳含量,单位为x 5 g/kg,分辨率为250米