中国逐日格点降水数据集V2(1960–2024,0.1°)

  • 时间分辨率:日
  • 空间分辨率:0.1° - 0.25°
  • 共享方式:开放获取
  • 数据大小:42.94 GB
  • 数据时间范围:1960-01-01 --- 2024-12-31
  • 元数据更新时间:2025-07-25

图片来源于网络,仅供学习参考

数据集摘要

CHM_PRE V2数据集是一套高精度的中国大陆逐日格点降水数据集。该数据集基于1960年至今共3476个观测站的长期日降水观测数据,并纳入11个降水相关变量,用于表征降水的相关性。数据集采用改进的反距离加权方法,并结合基于机器学习的LGBM算法构建。CHM_PRE V2与现有的格点降水数据集(包括CHM_PRE V1、GSMaP、IMERG、PERSIANN-CDR和GLDAS)表现出良好的时空一致性。数据集基于63,397个高密度自动雨量站2015--2019年的观测数据进行验证,发现该数据集显著提高了降水测量精度,降低了降水事件的高估,为水文建模和气候评估提供了可靠的基础。CHM_PRE V2 数据集提供分辨率为0.1°的逐日降水数据,覆盖整个中国大陆(18°N--54°N,72°E--136°E)。该数据集涵盖1960--2024年,并将每年持续更新。日值数据以NetCDF格式提供,为了方便用户,我们还提供NetCDF和GeoTIFF格式的年度和月度总降水数据。

数据文件命名方式和使用方法

数据集主要以NetCDF(nc)文件格式存储。主要包括3类文件: (1)日值格点降水文件,文件名如"CHM_PRE_V2_daily_{YEAR}.nc",其中YAER为年份,每年一个nc文件,单位为 mm/天; (2)月值格点降水文件,为了方便使用,提供了NetCDF("CHM_PRE_V2_monthly.nc")和GeoTIFF("CHM_PRE_V2_monthly.tif")2种格式的文件,单位为 mm/月; (3)年值格点降水文件,为了方便使用,提供了NetCDF("CHM_PRE_V2_annual.nc")和GeoTIFF("CHM_PRE_V2_annual.tif")2种格式的文件,单位为 mm/年。

本数据要求的引用方式

数据的引用

胡金龙, 缪驰远. (2023). 中国逐日格点降水数据集V2(1960--2024,0.1°). 国家青藏高原科学数据中心. https://doi.org/10.11888/Atmos.tpdc.300523. https://cstr.cn/18406.11.Atmos.tpdc.300523.

Hu, J., Miao, C. (2023). CHM_PRE V2: An upgraded high-precision gridded precipitation dataset for the Chinese mainland considering spatial autocorrelation and covariates. National Tibetan Plateau / Third Pole Environment Data Center. https://doi.org/10.11888/Atmos.tpdc.300523. https://cstr.cn/18406.11.Atmos.tpdc.300523.

(下载引用: RIS格式 RIS英文格式 Bibtex格式 Bibtex英文格式 )

文章的引用

1、Hu, J., Miao, C., Su, J., Zhang, Q., Gou, J., and Sun, Q. (2025). An upgraded high-precision gridded precipitation dataset for the Chinese mainland considering spatial autocorrelation and covariates. Earth System Science Data, 17, 3987--4004, https://doi.org/10.5194/essd-17-3987-2025. ( 查看 Bibtex格式 )

2、Zhang, Q., Miao, C.Y., Su, J.J., Gou, J.J., Hu, J.L., Zhao, X., & Xu, Y. (2025). A new high-resolution multi-drought-index dataset for mainland China. Earth System Science Data, 17(3), 837--853. https://doi.org/10.5194/essd-17-837-2025 ( 查看 Bibtex格式 )

3、Han, J.Y., Miao, C.Y., Gou, J.J., Zheng, H.Y., Zhang, Q., & Guo, X.Y. (2023). A new daily gridded precipitation dataset for the Chinese mainland based on gauge observations. Earth System Science Data, 15(7), 3147--3161. https://doi.org/10.5194/essd-15-3147-2023 ( 查看 Bibtex格式 )

使用本数据时必须引用"文章的引用"中列出的文献,并进行数据的引用

数据使用声明

为尊重知识产权、保障数据作者的权益、扩展数据中心的服务、评估数据的应用潜力,请数据使用者在使用数据所产生的研究成果中(包括公开发表的论文、论著、数据产品和未公开发表的研究报告、数据产品等成果),明确注明数据来源和数据作者。对于转载(二次或多次发布)的数据,作者还须注明原始数据来源。

中文发表的成果致谢中参考以下规范注明:数据来源于"国家青藏高原科学数据中心"(http://data.tpdc.ac.cn)

英文发表的成果致谢中依据以下规范注明: The datasets is provided by National Tibetan Plateau / Third Pole Environment Data Center (http://data.tpdc.ac.cn).

许可协议

署名 4.0 国际 (CC BY 4.0)

相关推荐
m0_6145235539 分钟前
普通视频怎么做多场景一镜到底:路线设计、逐段衔接与整体验收
人工智能·音视频
海宇服务1 小时前
零信任架构实战:基于海宇对外投资历史查询服务构建自动化供应商准入网关
运维·人工智能·架构·自动化
东风破_1 小时前
别急着上 Agentic RAG:先用 LangGraph 把最小 RAG 跑明白
人工智能
LaughingZhu1 小时前
Product Hunt 每日热榜 | 2026-09-12
人工智能·深度学习·神经网络·搜索引擎·百度
潜心一志2 小时前
HALCON软件——基本架构,算子参数
学习·计算机视觉
天真小巫2 小时前
2026.9.13总结(工作量日益繁重的当下,AI如何提效)
人工智能
Zguigo2 小时前
【CUDA1】GPUvsCPU,CUDA Kernel
人工智能·pytorch·深度学习
thesky1234562 小时前
用 ONNX Runtime 把 PyTorch 模型变成跨平台极速推理引擎:导出、优化、量化完整实
人工智能·深度学习·模型部署
米小虾2 小时前
把 KV Cache 从 3514 字节压到 890 字节:DeepSeek V4.1-Flash 动了什么,又没动什么
人工智能
锋行天下2 小时前
LangGraph 进阶:Command + Send 动态控制流、并行 Map-Reduce 实战与踩坑
人工智能