1. ERA5-Land数据与GEE平台简介ERA5-Land是欧洲中期天气预报中心ECMWF推出的高分辨率陆地再分析数据集。这个数据集通过重新运行ERA5气候再分析系统的陆地分量将空间分辨率提升到约9公里比ERA5的31公里分辨率精细得多。这种高分辨率特性使其特别适合区域尺度的气候研究、农业监测和环境建模等应用。在GEE平台上处理ERA5-Land数据有几个显著优势。首先GEE提供了强大的云计算能力用户无需下载庞大的原始数据到本地可以直接在云端处理。其次GEE内置了丰富的地理空间分析函数能够高效地进行时间序列分析、空间聚合等操作。最重要的是GEE对学术研究免费开放大大降低了气候数据分析的门槛。ERA5-Land数据集包含50多个气候变量时间跨度从1950年至今时间分辨率为逐小时。对于温度与降水研究最常用的两个变量是temperature_2m2米高度处的空气温度单位开尔文total_precipitation累计降水量单位米2. 准备工作与数据筛选2.1 设置研究区域和时间范围在开始处理前首先需要明确研究区域和时间范围。GEE支持多种几何图形定义方式最常用的是通过坐标点绘制多边形。例如我们可以这样定义中国华北地区的研究区域var ROI ee.Geometry.Polygon( [[[104.26, 37.54], [104.26, 31.50], [115.69, 31.50], [115.69, 37.54]]]);对于时间范围如果需要处理多年数据建议使用循环结构。比如要分析1950-2023年的数据可以这样设置var yearList ee.List.sequence(1950, 2023);2.2 数据筛选与质量控制ERA5-Land数据在GEE中的ID是ECMWF/ERA5_LAND/HOURLY。筛选数据时需要注意几个关键点时间筛选要精确到毫秒级避免数据遗漏变量选择要明确指定减少不必要的数据加载对于大区域研究可以考虑先进行空间裁剪以提高效率示例代码var filteredData ee.ImageCollection(ECMWF/ERA5_LAND/HOURLY) .filter(ee.Filter.date(2020-01-01, 2021-01-01)) .filterBounds(ROI) .select([temperature_2m, total_precipitation]);3. 时间序列聚合与单位转换3.1 温度数据处理ERA5-Land中的温度数据默认以开尔文为单位而大多数气候研究需要使用摄氏度。转换公式很简单var tempCelsius temperatureImage.subtract(273.15);对于年度平均温度的计算GEE提供了mean()函数可以轻松实现var annualMeanTemp filteredData.select(temperature_2m) .mean() .subtract(273.15);3.2 降水数据处理降水数据需要进行两个重要处理单位转换原始数据单位为米通常需要转换为毫米累计计算小时数据需要聚合为年总量处理代码示例var annualPrecip filteredData.select(total_precipitation) .sum() .multiply(1000); // 转换为毫米4. 批量导出与可视化4.1 自动化批量导出对于多年数据处理我们可以编写循环自动完成所有年份的计算和导出yearList.getInfo().forEach(function(year) { var startDate ee.Date.fromYMD(year, 1, 1); var endDate ee.Date.fromYMD(ee.Number(year).add(1), 1, 1); var yearlyData ee.ImageCollection(ECMWF/ERA5_LAND/HOURLY) .filter(ee.Filter.date(startDate, endDate)) .select([temperature_2m, total_precipitation]); // 计算年平均温度 var meanTemp yearlyData.select(temperature_2m) .mean() .subtract(273.15) .rename(temp_mean); // 计算年总降水 var totalPrecip yearlyData.select(total_precipitation) .sum() .multiply(1000) .rename(precip_total); // 合并为单幅图像 var result meanTemp.addBands(totalPrecip); // 导出设置 Export.image.toDrive({ image: result, description: climate_ year, folder: ERA5_Annual, region: ROI, scale: 10000, maxPixels: 1e12, fileFormat: GeoTIFF }); });4.2 数据可视化技巧GEE提供了灵活的可视化功能可以帮助我们快速检查数据质量。例如设置温度的颜色梯度var tempVis { min: -20, max: 30, palette: [blue, cyan, green, yellow, red] }; Map.addLayer(annualMeanTemp, tempVis, 年平均温度);对于降水数据由于分布通常不均匀建议使用对数色阶var precipVis { min: 0, max: 2000, palette: [white, blue, darkblue] };5. 实际应用与注意事项5.1 区域气候分析案例以华北平原为例我们可以计算1950-2020年的温度变化趋势。具体步骤包括计算每年的平均温度将结果转换为时间序列使用线性回归分析趋势// 创建温度时间序列 var tempSeries ee.ImageCollection.fromImages( yearList.map(function(year) { var start ee.Date.fromYMD(year, 1, 1); var end start.advance(1, year); return ee.ImageCollection(ECMWF/ERA5_LAND/HOURLY) .filterDate(start, end) .select(temperature_2m) .mean() .subtract(273.15) .set(year, year); }) ); // 计算线性趋势 var trend tempSeries.reduce(ee.Reducer.linearFit());5.2 常见问题与解决方案在实际使用中可能会遇到几个典型问题内存不足错误处理大区域多年数据时可以尝试分小块区域处理分批处理年份降低输出分辨率数据缺失问题ERA5-Land基本没有数据缺失但如果遇到可以检查时间筛选是否正确确认区域是否在陆地范围内单位混淆特别注意温度单位是开尔文原始数据降水单位是米原始数据建议在变量名中明确单位如temp_C、precip_mm6. 高级技巧与性能优化6.1 并行处理加速GEE允许通过将任务添加到任务队列实现伪并行处理。我们可以修改批量导出代码让所有年份的任务同时提交var exportTasks yearList.map(function(year) { // ...处理逻辑同上... return Export.image.toDrive({ image: result, description: climate_ year, folder: ERA5_Annual, region: ROI, scale: 10000, maxPixels: 1e12 }); }); // 手动在控制台执行exportTasks.getInfo()查看任务列表 // 然后可以逐个启动任务6.2 内存使用优化处理长时间序列数据时可以采用分块-聚合策略先按月处理数据将中间结果保存到GEE资产最后聚合年度结果// 示例分月处理温度数据 var monthlyMeans ee.ImageCollection.fromImages( ee.List.sequence(0, 11).map(function(month) { var start ee.Date.fromYMD(year, month, 1); var end start.advance(1, month); return ee.ImageCollection(ECMWF/ERA5_LAND/HOURLY) .filterDate(start, end) .select(temperature_2m) .mean() .set(month, month); }) ); // 计算年度平均 var annualMean monthlyMeans.mean();7. 结果验证与精度评估7.1 交叉验证方法为确保结果可靠性可以采用以下验证方法空间一致性检查比较相邻像元的值是否合理时间一致性检查检查年际变化是否连续站点数据对比与气象站观测数据进行比对7.2 不确定性分析ERA5-Land数据本身带有不确定性信息我们可以利用这些数据进行误差评估// 获取温度不确定性数据 var tempUncertainty ee.ImageCollection(ECMWF/ERA5_LAND/HOURLY) .filterDate(2020-01-01, 2021-01-01) .select(temperature_2m_uncertainty) .mean();在实际项目中我通常会先处理少量测试年份确认结果合理后再进行全量处理。对于华北平原的气候分析这套方法已经成功应用于多个农业气候研究项目处理效率比传统方法提高了数十倍。特别是在处理1950年以来的长时间序列数据时GEE的批量处理能力展现出了巨大优势传统方法需要数周完成的工作在GEE上通常只需几小时就能完成。