基于 GEE 批量下载 NASA GDDP-CMIP6 气候数据：历史 + 未来情景（SSP245、SSP585）年度产品自动化生成与导出

本代码基于 Google Earth Engine（GEE）平台，目标是从 NASA/GDDP-CMIP6 气候数据集（全球降尺度数据产品，包含 CMIP6 模式的气候模拟数据）中，筛选特定模式、情景和年份的气候数据，对不同类型的气候变量执行求和或求平均的时间聚合处理，最终将处理后的单波段数据裁剪到目标区域并导出至 Google Drive。

一、关键变量定义与说明

（一）核心数据相关变量

javascript 复制代码

var roi = table; // 感兴趣区域（Region of Interest），由外部导入的矢量数据（table）定义，用于后续数据裁剪
var dataset = ee.ImageCollection('NASA/GDDP-CMIP6'); // GEE数据集ID，指向NASA发布的GDDP-CMIP6气候数据集合

roi：必须提前在 GEE 中导入矢量图层（如行政边界、研究区域边界）并命名为table，否则会导致裁剪失败。
dataset：包含多个气候模式（model）、不同排放情景（scenario）、长时序的气候数据，变量涵盖降水、温度、辐射等多种气象要素。

（二）波段分类变量

javascript 复制代码

var sumBands = ['pr', 'rlds', 'rsds']; // 需要进行"时间求和"的波段集合
var meanBands = ['tas', 'tasmin', 'tasmax', 'hurs', 'huss', 'sfcWind']; // 需要进行"时间求平均"的波段集合
var allBands = sumBands.concat(meanBands); // 合并所有波段，用于后续循环导出

各波段含义（GDDP-CMIP6 数据集标准定义）：

波段名称	变量含义	单位	聚合方式
pr	降水量	kg/m²/s（原始）	求和
rlds	向下长波辐射通量	W/m²	求和
rsds	向下短波辐射通量	W/m²	求和
tas	近地面气温（平均）	K	求平均
tasmin	近地面最低气温	K	求平均
tasmax	近地面最高气温	K	求平均
hurs	近地面相对湿度	%	求平均
huss	近地面比湿	kg/kg	求平均
sfcWind	近地面风速	m/s	求平均

（三）筛选条件变量

javascript 复制代码

var models = ['ACCESS-CM2']; // 要筛选的气候模式名称（CMIP6中的一个全球气候模式）
var scenarios = ['ssp245', 'ssp585']; // 要筛选的排放情景

气候模式：ACCESS-CM2是澳大利亚联邦科学与工业研究组织（CSIRO）开发的 CMIP6 模式，适用于全球气候模拟。
排放情景（SSP 情景，共享社会经济路径）：
- ssp245：中等排放情景（"中间道路" 情景，全球温升控制在 2-3℃）；
- ssp585：高排放情景（化石燃料密集型发展，全球温升可能超过 4℃）；
- 额外包含historical（历史情景，通常为 1850-2014 年观测驱动的模拟数据）。

二、核心函数：exportYearlyData

该函数是数据处理与导出的核心，接收 4 个参数（气候模式、情景、年份、数据集合），完成单年份数据的处理与导出。

（一）函数整体逻辑

筛选单年份数据 → 预处理特定波段（降水量单位转换） → 按波段类型聚合（求和 / 求平均） → 合并聚合结果 → 循环导出单波段数据至 Drive。

（二）关键步骤解析

1. 筛选单年份数据

javascript 复制代码

var yearCol = collection.filter(ee.Filter.calendarRange(year, year, 'year'));

使用ee.Filter.calendarRange筛选输入数据集合（collection）中指定年份（year）的所有影像，得到该年份的时序影像集合（yearCol）。
注：GDDP-CMIP6 数据通常为日尺度数据，因此yearCol包含该年份 365/366 天的日尺度影像。

2. 降水量单位转换

javascript 复制代码

var processedCol = yearCol.map(function(img) {
  var pr = img.select('pr').multiply(86400).rename('pr');
  return img.addBands(pr, null, true);
});

核心目的：GDDP-CMIP6 中pr（降水量）的原始单位是kg/m²/s（即 mm/s），乘以 86400（一天的秒数）后，转换为mm/天，符合日常降水量统计习惯。
逻辑：遍历年份影像集合中的每幅影像（img），单独处理pr波段，转换后覆盖原pr波段（addBands的true参数表示替换同名波段）。

3. 时间聚合（求和 / 求平均）

javascript 复制代码

var sumImg = processedCol.select(sumBands).sum(); // 对sumBands波段集合执行"年度求和"
var meanImg = processedCol.select(meanBands).mean(); // 对meanBands波段集合执行"年度求平均"

求和逻辑：适用于通量类、累积类变量（如降水量pr、辐射通量rlds），得到年度总量（如年降水量、年总辐射量）。
求平均逻辑：适用于状态类变量（如气温、湿度、风速），得到年度平均值（如年平均气温、年平均相对湿度）。

4. 合并影像与导出

javascript 复制代码

var combinedImg = sumImg.addBands(meanImg); // 合并求和、求平均后的所有波段，得到单幅年度综合影像
allBands.forEach(function(band) {
  var imageToExport = combinedImg.select(band).clip(roi); // 筛选单个波段，并裁剪到目标区域（roi）
  var fileName = model + '_' + scenario + '_' + year + '_' + band; // 定义导出文件名（包含模式、情景、年份、波段信息）
  Export.image.toDrive({ // 导出影像至Google Drive
    image: imageToExport,
    description: fileName, // GEE任务描述
    folder: 'NEX_GDDP_CMIP6_oya', // 导出到Drive中的目标文件夹（需提前创建或允许GEE自动创建）
    fileNamePrefix: fileName, // 导出文件前缀（与fileName一致，确保文件标识唯一）
    region: roi, // 导出区域（与裁剪区域一致）
    scale: 27830, // 空间分辨率（单位：米），GDDP-CMIP6数据的标准分辨率（约25km，因投影不同略有差异）
    crs: 'EPSG:4326', // 坐标系（WGS84经纬度坐标系）
    maxPixels: 1e13 // 最大像素数限制（避免因区域过大导致导出失败，1e13足够覆盖全球尺度）
  });
});

导出特点：按波段单独导出（而非多波段影像），每个波段对应一个独立的 Drive 文件，文件名包含完整的元数据信息（模式 - 情景 - 年份 - 波段），便于后续数据管理。
依赖条件：运行前需确保 GEE 已授权访问 Google Drive，且目标文件夹（NEX_GDDP_CMIP6_oya）可写入。

三、数据筛选与函数调用逻辑

（一）整体执行流程

遍历指定气候模式（models）→ 分别处理历史情景（historical）和未来情景（scenarios）→ 筛选对应情景的数据集 → 调用exportYearlyData函数导出指定年份数据。

（二）历史情景数据处理

javascript 复制代码

models.forEach(function(model) {
  var historicalCol = dataset.filter(ee.Filter.eq('model', model))
                             .filter(ee.Filter.eq('scenario', 'historical')); // 筛选历史情景数据集
  for (var year = 2010; year <= 2010; year++) {
    exportYearlyData(model, 'historical', year, historicalCol); // 导出2010年历史情景数据
  }
});

筛选逻辑：通过ee.Filter.eq（等于筛选），从总数据集（dataset）中筛选出指定模式（model）和historical情景的影像集合（historicalCol）。
年份限制：仅导出 2010 年数据（循环条件year=2010至2010），如需导出多个历史年份，可修改循环范围（如2000至2010）。

（三）未来情景数据处理

javascript 复制代码

scenarios.forEach(function(scenario) {
  var futureCol = dataset.filter(ee.Filter.eq('model', model))
                         .filter(ee.Filter.eq('scenario', scenario)); // 筛选未来情景数据集
  for (var year = 2050; year <= 2050; year++) {
    exportYearlyData(model, scenario, year, futureCol); // 导出2050年未来情景数据
  }
});

逻辑与历史情景一致：遍历ssp245和ssp585两个未来情景，分别筛选数据集后，导出 2050 年数据。
扩展说明：如需导出多个未来年份（如 2030、2050、2100），可修改for循环的年份范围。

四、关键注意事项与约束

数据权限与依赖：
- 需在 GEE 中导入矢量数据（table）作为roi，否则裁剪步骤会报错；
- 需确保 Google 账号已授权 GEE 访问 Google Drive，且目标文件夹（NEX_GDDP_CMIP6_oya）存在或允许创建。
分辨率与数据量：
- 导出分辨率为27830米（约 25km），若需更高分辨率（如 10km），需修改scale参数，但会增加数据量和导出时间；
- maxPixels: 1e13是 GEE 允许的最大像素数限制，不可随意减小，否则大面积区域导出会失败。
波段与变量兼容性：
- 若需添加或删除波段，需确保修改sumBands、meanBands和allBands三个变量，且新增波段在 GDDP-CMIP6 数据集中存在；
- 不同气候模式（models）可能存在波段缺失，更换模式时需确认目标模式支持所有指定波段。
年份有效性 ：历史情景（historical）的年份范围通常为 1850-2014（具体取决于模式），未来情景（ssp245/ssp585）通常为 2015-2100，需确保导出年份在对应情景的有效范围内，否则会导出空数据。

五、输出结果说明

输出位置：Google Drive 的NEX_GDDP_CMIP6_oya文件夹；
输出文件格式：GeoTIFF（GEE 默认影像导出格式，支持大部分 GIS 软件打开）；
文件命名示例：ACCESS-CM2_historical_2010_pr.tif（ACCESS-CM2 模式、历史情景、2010 年、降水量波段）；
数据内容：每个文件为单波段、单年份、裁剪后的栅格数据，数值为年度总量（sumBands）或年度平均值（meanBands）。

六、运行结果

点击RUN即可下载数据
下载的数据可视化结果

若觉得代码对您的研究 / 项目有帮助，欢迎点击打赏支持！需要完整代码的朋友，打赏后可在后台私信（复制文章标题发给我），我会尽快发您完整可运行代码，感谢支持！