免费｜中国1km分辨率逐月降水量数据集（1976-2025，50年600期）：附Python/Matlab读取代码
摘要：基于CRU全球0.5°气候数据集与WorldClim高分辨率气候数据集，通过Delta空间降尺度方案生成的中国区域1km分辨率逐月降水量数据。时间跨度1976-2025年共50年600期，NetCDF格式，已用496个独立气象站点验证。本文介绍数据背景、技术规格、使用方法与完整获取方式（50年逐年关键词）。
关键词：中国降水量、1km分辨率、逐月降水、Delta降尺度、NetCDF、彭守璋、CRU、WorldClim、气候数据
标签 ：
GIS遥感气候数据NetCDF空间数据库降水
一、数据获取
两种方式任选其一：
方式一：公众号关键词（推荐）
关注 YouGIS顽石 ，发送关键词：
逐月降雨量-年份 → 该年全年12期降水量nc数据示例：
逐月降雨量-2000 → pre_2000.rar（2000年1-12月，1个nc文件）
逐月降雨量-1998 → pre_1998.rar（1998年1-12月，1个nc文件）
逐月降雨量-2025 → pre_2025.rar（2025年1-12月，1个nc文件）获取下载链接。
方式二：YouGIS 数据助手
| 平台 | 入口 |
|---|---|
| 微信小程序 | 搜索「YouGIS数据助手」 |
| PC 端 | https://yougis.com.cn/res/home |
支持在线查看数据元信息（分辨率、坐标系、覆盖范围），适合批量检索多个数据集。
50年关键词完整清单（1976-2025）
| 年份 | 关键词 | 年份 | 关键词 | 年份 | 关键词 |
|---|---|---|---|---|---|
| 1976 | 逐月降雨量-1976 | 1993 | 逐月降雨量-1993 | 2010 | 逐月降雨量-2010 |
| 1977 | 逐月降雨量-1977 | 1994 | 逐月降雨量-1994 | 2011 | 逐月降雨量-2011 |
| 1978 | 逐月降雨量-1978 | 1995 | 逐月降雨量-1995 | 2012 | 逐月降雨量-2012 |
| 1979 | 逐月降雨量-1979 | 1996 | 逐月降雨量-1996 | 2013 | 逐月降雨量-2013 |
| 1980 | 逐月降雨量-1980 | 1997 | 逐月降雨量-1997 | 2014 | 逐月降雨量-2014 |
| 1981 | 逐月降雨量-1981 | 1998 | 逐月降雨量-1998 | 2015 | 逐月降雨量-2015 |
| 1982 | 逐月降雨量-1982 | 1999 | 逐月降雨量-1999 | 2016 | 逐月降雨量-2016 |
| 1983 | 逐月降雨量-1983 | 2000 | 逐月降雨量-2000 | 2017 | 逐月降雨量-2017 |
| 1984 | 逐月降雨量-1984 | 2001 | 逐月降雨量-2001 | 2018 | 逐月降雨量-2018 |
| 1985 | 逐月降雨量-1985 | 2002 | 逐月降雨量-2002 | 2019 | 逐月降雨量-2019 |
| 1986 | 逐月降雨量-1986 | 2003 | 逐月降雨量-2003 | 2020 | 逐月降雨量-2020 |
| 1987 | 逐月降雨量-1987 | 2004 | 逐月降雨量-2004 | 2021 | 逐月降雨量-2021 |
| 1988 | 逐月降雨量-1988 | 2005 | 逐月降雨量-2005 | 2022 | 逐月降雨量-2022 |
| 1989 | 逐月降雨量-1989 | 2006 | 逐月降雨量-2006 | 2023 | 逐月降雨量-2023 |
| 1990 | 逐月降雨量-1990 | 2007 | 逐月降雨量-2007 | 2024 | 逐月降雨量-2024 |
| 1991 | 逐月降雨量-1991 | 2008 | 逐月降雨量-2008 | 2025 | 逐月降雨量-2025 |
| 1992 | 逐月降雨量-1992 | 2009 | 逐月降雨量-2009 |
每个关键词对应一个压缩包（约160MB），内含1个nc文件（该年12个月数据）。
二、数据背景
| 参数 | 说明 |
|---|---|
| 数据源 | CRU 全球0.5°气候数据集 + WorldClim 高分辨率气候数据集 |
| 降尺度方法 | Delta 空间降尺度方案 |
| 数据作者 | 彭守璋 研究员（西北农林科技大学水土保持研究所） |
| 验证方法 | 496个独立气象观测站点验证 |
| 发表期刊 | Earth System Science Data（ESSD），2019 |
| 数据来源 | 国家地球系统科学数据中心-黄土高原分中心 |
| 整理分享 | 微信公众号 YouGIS顽石 |
2.1 数据怎么来的
该数据集并非直接观测数据，而是通过以下流程生成：
CRU全球0.5°逐月气候数据（1901-至今）
+
WorldClim全球高分辨率气候数据（~1km）
↓
Delta 空间降尺度方案
↓
中国区域 1km 逐月降水/气温栅格数据Delta降尺度的核心思路：利用WorldClim提供的空间高分辨率气候常态（climatology）作为空间细节"模板"，将CRU的低分辨率逐月时间变化（距平）降尺度到1km网格上。这种方法保留了CRU的时序变化特征和WorldClim的空间细节，生成既有时间连续性又有空间精度的数据产品。
2.2 数据质量
使用 496个独立气象观测站点 的实测数据对降尺度结果进行了验证，验证结果表明数据可信。该数据集发表于国际顶级数据期刊 Earth System Science Data（影响因子>11），是目前中国区域最权威的高分辨率长时序气候栅格数据之一。
2.3 原始数据出处
- CRU TS：https://crudata.uea.ac.uk/cru/data/hrg/
- WorldClim：http://www.worldclim.org/
三、数据技术规格
| 参数 | 说明 |
|---|---|
| 数据格式 | NetCDF（.nc） |
| 空间分辨率 | 0.0083333°（约1km） |
| 时间范围 | 1976年1月 ~ 2025年12月 |
| 时间分辨率 | 逐月（每月一期） |
| 总期数 | 600期（50年 × 12个月） |
| 数据类型 | int16（16位有符号整型） |
| 降水量单位 | 0.1mm（实际降水量 = 存储值 × 0.1） |
| 空间范围 | 中国主要陆地（含港澳台），不含南海岛礁 |
| 坐标系 | WGS84 |
| 每年数据量 | 约160MB（1个nc文件，含12个月） |
四、数据使用方法
4.1 ArcMap 制图
ArcMap 可直接打开 NetCDF 文件制图：
- 菜单 → 多维工具 → 创建 NetCDF 栅格图层（Make NetCDF Raster Layer）
- 选择 .nc 文件，变量选
pre - 加载后可通过时间维度切换不同月份
4.2 Python 读取与处理
python
import xarray as xr
import numpy as np
import matplotlib.pyplot as plt
# 读取nc文件
ds = xr.open_dataset('pre_2000.nc')
# 查看数据结构
print(ds) # 打印变量、维度、属性
# 降水量 = 存储值 × 0.1（单位mm）
precip = ds['pre'] * 0.1
# 查看时间维度
print(f"时间范围: {ds.time.values[0]} ~ {ds.time.values[-1]}")
# 提取某月数据（如2000年7月）
july = precip.sel(time='2000-07')
print(f"7月降水量范围: {float(july.min()):.1f} ~ {float(july.max()):.1f} mm")
# 计算年降水总量
annual_total = precip.sum(dim='time')
print(f"年降水总量: {float(annual_total.min()):.0f} ~ {float(annual_total.max()):.0f} mm")
# 快速可视化
fig, axes = plt.subplots(1, 2, figsize=(16, 6))
# 7月降水量
july.plot(ax=axes[0], cmap='YlGnBu', cbar_kwargs={'label': 'mm'})
axes[0].set_title('2000年7月降水量')
# 年降水总量
annual_total.plot(ax=axes[1], cmap='YlGnBu', cbar_kwargs={'label': 'mm'})
axes[1].set_title('2000年降水总量')
plt.tight_layout()
plt.savefig('precipitation_2000.png', dpi=200, bbox_inches='tight')
plt.show()
ds.close()4.3 批量读取多年数据
python
import xarray as xr
import glob
# 合并多年nc文件
files = sorted(glob.glob('pre_*.nc'))
ds_all = xr.open_mfdataset(files, combine='by_coords')
# 计算某区域（经纬度范围）的年均降水量时间序列
# 以北京周边为例（115.5-117.5°E, 39.5-41.5°N）
bj_precip = ds_all['pre'].sel(
lon=slice(115.5, 117.5),
lat=slice(41.5, 39.5) # 注意纬度可能降序
) * 0.1
# 年降水总量时间序列
annual = bj_precip.resample(time='YS').sum().mean(dim=['lon', 'lat'])
print(f"北京周边年均降水量趋势：")
for t, v in zip(annual.time.values, annual.values):
print(f" {str(t)[:4]}年: {v:.0f} mm")
ds_all.close()4.4 Matlab 读取
Matlab 提供了 ncread 函数读取 nc 文件：
matlab
% 读取nc数据（变量名：pre）
data = ncread('pre_2000.nc', 'pre');
% 实际降水量(mm) = 存储值 × 0.1
precip = double(data) * 0.1;
% 提取特定月份（nc中第三个维度为时间）
january = precip(:, :, 1); % 第1期（1月）
% 绘制空间分布
imagesc(january);
colorbar;
title('2000年1月降水量 (mm)');4.5 导出为 GeoTIFF（供QGIS/其他软件使用）
python
import xarray as xr
import rioxarray # 需安装：pip install rioxarray
# 读取并导出为GeoTIFF
ds = xr.open_dataset('pre_2000.nc')
precip = ds['pre'].sel(time='2000-07') * 0.1
# 写入空间坐标信息
precip.rio.write_crs("EPSG:4326", inplace=True)
precip.rio.to_raster('precip_2000_07.tif')
print("已导出为 GeoTIFF: precip_2000_07.tif")
ds.close()五、使用注意事项
1. 单位换算（重要）
NetCDF 文件中降水量的存储单位为 0.1mm，实际降水量需要乘以 0.1：
python
# 错误：直接使用存储值
precip_raw = ds['pre'] # 单位 0.1mm
# 正确：乘以 0.1 转换为 mm
precip_mm = ds['pre'] * 0.1 # 单位 mm2. 数据类型
数据以 int16（16位有符号整型）存储，范围 -32768~32767。乘以 0.1 后最大可表示约 3276.7mm/月，足以覆盖中国所有区域的月降水极值。
3. 空间范围
数据覆盖中国主要陆地部分（含港澳台地区），不含南海岛礁等区域。边界外为 NoData。
4. 引用要求
使用数据产生的成果需引用以下文献：
Peng Shouzhang, Ding Yongxia, Liu Wenzhao, Li Zhi. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017. Earth System Science Data, 2019, 11, 1931--1946. https://doi.org/10.5194/essd-11-1931-2019
数据来源标注：国家地球系统科学数据中心-黄土高原分中心 (http://loess.geodata.cn)
5. 适用尺度
1km 分辨率适合省/流域/全国尺度的气候分析、水文模拟、生态评估。对于站点尺度的极端降水事件，建议结合站点实测数据使用。
六、常见问题
Q1: 数据是实测的还是模拟的？
数据基于 CRU 和 WorldClim 两个权威数据集通过 Delta 降尺度方法生成，属于再分析/降尺度产品，非直接观测数据。但已用496个独立气象站点验证，结果可信。
Q2: 为什么是1976-2025年？原始数据覆盖1901年至今。
完整数据集时间范围为1901年至今。本文分享的1976-2025年段覆盖了近50年，满足绝大多数气候变化和水文研究的需求。如需更早数据可从原始数据源获取。
Q3: nc文件怎么打开？
ArcMap（Make NetCDF Raster Layer）、QGIS、Python（xarray/netCDF4）、Matlab（ncread）、Panoply 等均可打开。
Q4: 能用Python按区域裁切吗？
可以。用 xarray 的 .sel(lon=slice(...), lat=slice(...)) 即可按经纬度裁切，也可用 rioxarray 的 .rio.clip() 按矢量边界裁切。
Q5: 降尺度方法和ERA5有什么区别？
ERA5是再分析数据（数据同化），本数据是降尺度产品（统计降尺度）。本数据的空间分辨率更高（1km vs ERA5的~31km），但时间精度为月尺度（ERA5为小时尺度）。两者各有适用场景。
Q6: 商业使用是否合规？
数据原始来源标注仅限非商业目的的科学研究与学术交流。商用建议联系原始数据提供方确认许可。
参考文献
- Peng S, Ding Y, Liu W, Li Z. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017. Earth System Science Data, 2019, 11, 1931--1946. https://doi.org/10.5194/essd-11-1931-2019
- CRU TS 高分辨率网格气候数据集：https://crudata.uea.ac.uk/cru/data/hrg/
- WorldClim 全球气候数据：http://www.worldclim.org/
- 国家地球系统科学数据中心-黄土高原分中心：http://loess.geodata.cn
- YouGIS 数据助手：https://yougis.com.cn/res/home
觉得有用就点赞收藏。有问题评论区交流，看到都会回 👊