免费｜中国1km分辨率逐月平均气温数据集（1976-2025，50年600期）：附Python/Matlab/R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分辨率逐月平均气温数据。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：中国平均气温、1km分辨率、逐月气温、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 气温

一、数据简介

本数据集是彭守璋 副研究员（西北农林科技大学水土保持研究所）团队开发的中国区域高分辨率长时序气候栅格数据集，基于 CRU 全球 0.5° 气候数据与 WorldClim 高分辨率气候数据，通过 Delta 空间降尺度方案生成。

数据发表于国际顶级数据期刊 Earth System Science Data (ESSD)，是开展气候变化研究、农业热量评估、生态区划等领域研究的高质量基础数据。

核心指标一览：

参数	说明
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（12期/年）
总期数	600期（50年×12月）
数据格式	NetCDF（.nc）
数据类型	int16（16位有符号整型）
气温单位	0.1℃（实际值 = 存储值 × 0.1）
空间范围	中国主要陆地（含港澳台）
坐标系	WGS84

二、数据获取

数据免费获取，提供两种渠道，每年数据独立成包：

方式一：公众号关键词（推荐）

关注公众号 YouGIS顽石
发送关键词：逐月平均气温-{年份}

示例：

复制代码

逐月平均气温-2000   → 2000年全年12期数据
逐月平均气温-2020   → 2020年全年12期数据

每年一个压缩包（约160MB），内含 1 个 nc 文件（含该年12个月数据）。获取下载链接。

50年关键词速查表（1976-2025）：


逐月平均气温-1976	逐月平均气温-1977	逐月平均气温-1978	逐月平均气温-1979
逐月平均气温-1980	逐月平均气温-1981	逐月平均气温-1982	逐月平均气温-1983
逐月平均气温-1984	逐月平均气温-1985	逐月平均气温-1986	逐月平均气温-1987
逐月平均气温-1988	逐月平均气温-1989	逐月平均气温-1990	逐月平均气温-1991
逐月平均气温-1992	逐月平均气温-1993	逐月平均气温-1994	逐月平均气温-1995
逐月平均气温-1996	逐月平均气温-1997	逐月平均气温-1998	逐月平均气温-1999
逐月平均气温-2000	逐月平均气温-2001	逐月平均气温-2002	逐月平均气温-2003
逐月平均气温-2004	逐月平均气温-2005	逐月平均气温-2006	逐月平均气温-2007
逐月平均气温-2008	逐月平均气温-2009	逐月平均气温-2010	逐月平均气温-2011
逐月平均气温-2012	逐月平均气温-2013	逐月平均气温-2014	逐月平均气温-2015
逐月平均气温-2016	逐月平均气温-2017	逐月平均气温-2018	逐月平均气温-2019
逐月平均气温-2020	逐月平均气温-2021	逐月平均气温-2022	逐月平均气温-2023
逐月平均气温-2024	逐月平均气温-2025

方式二：YouGIS 数据助手

微信小程序：搜索「YouGIS数据助手」
PC 端 ：yougis.com.cn/res/home

三、数据来源与技术方法

3.1 原始数据源

数据源	说明
CRU TS	英国东英吉利大学 Climatic Research Unit 全球 0.5° 月值气候数据集
WorldClim	全球高分辨率气候数据集，提供 1km 空间分辨率的气候态场

3.2 Delta 空间降尺度方案

CRU 数据空间分辨率较粗（0.5°，约50km），WorldClim 提供高分辨率（~1km）的气候态场但缺乏年际变化。Delta 方案的核心思想：

计算 CRU 某月数据相对于多年气候态的距平（Delta值）
将该距平空间插值到 1km 分辨率
叠加到 WorldClim 的 1km 气候态场上，得到该月 1km 分辨率气温栅格

这种方案既保留了 CRU 的年际变化信息，又继承了 WorldClim 的空间细节。

3.3 验证

使用 496 个独立气象观测站点对降尺度结果进行验证，数据质量可靠。

3.4 数据作者

彭守璋，副研究员，西北农林科技大学水土保持研究所。长期从事气候变化与生态水文研究，开发了一系列中国区域高分辨率气候数据集。

四、数据使用方法

4.1 Python（xarray）

python 复制代码

import xarray as xr

# 读取nc文件
ds = xr.open_dataset('tmp_2000.nc')

# 气温 = 存储值 × 0.1（单位：℃）
temp = ds['tmp'] * 0.1

# 提取某月（如2000年7月）
july = temp.sel(time='2000-07')
july.plot()  # 快速可视化

# 计算年均温
annual_mean = temp.groupby('time.year').mean(dim='time')

# 计算某区域年均温时间序列
regional_ts = temp.sel(
    lon=slice(100, 120),
    lat=slice(40, 20)  # 注意纬度降序
).mean(dim=['lon', 'lat'])

4.2 批量合并多年数据

python 复制代码

import xarray as xr
import glob

# 合并1976-2025全部nc文件
files = sorted(glob.glob('tmp_*.nc'))
ds_all = xr.open_mfdataset(files, combine='by_coords')

# 50年时间序列
temp_all = ds_all['tmp'] * 0.1

# 计算全国年均温的年际变化趋势
national_mean = temp_all.mean(dim=['lat', 'lon'])
annual_series = national_mean.groupby('time.year').mean(dim='time')

print("全国年均气温序列:")
for year, val in zip(annual_series.year.values, annual_series.values):
    print(f"  {year}: {val:.1f} ℃")

ds_all.close()

4.3 按区域裁切

python 复制代码

import xarray as xr

ds = xr.open_dataset('tmp_2000.nc')
temp = ds['tmp'] * 0.1

# 方式一：经纬度矩形裁切（以四川盆地为例）
basin = temp.sel(
    lon=slice(102, 110),
    lat=slice(32, 29)  # 注意纬度可能降序
)

# 方式二：按矢量边界裁切（需 rioxarray + geopandas）
import rioxarray
import geopandas as gpd

temp.rio.write_crs("EPSG:4326", inplace=True)
shp = gpd.read_file('study_area.shp')
clipped = temp.rio.clip(shp.geometry, shp.crs)

ds.close()

4.4 导出为 GeoTIFF

python 复制代码

import xarray as xr
import rioxarray  # 需安装：pip install rioxarray

ds = xr.open_dataset('tmp_2000.nc')
temp = ds['tmp'].sel(time='2000-07') * 0.1

# 写入空间坐标信息
temp.rio.write_crs("EPSG:4326", inplace=True)
temp.rio.to_raster('temp_2000_07.tif')

print("已导出为 GeoTIFF: temp_2000_07.tif")
ds.close()

4.5 ArcMap / ArcGIS Pro

打开 Make NetCDF Raster Layer 工具
输入 nc 文件，变量选 tmp
设置 X/Y 维度为 lon/lat
按 time 维度切换月份
记得在栅格计算器中 × 0.1 转换为实际温度

4.6 MATLAB

matlab 复制代码

% ncread读取nc数据
data = ncread('tmp_2000.nc', 'tmp');
% 实际气温(℃) = data × 0.1
temp = data * 0.1;
% 绘制某月
imagesc(temp(:,:,7));  % 第7层为7月
colorbar;

4.7 R（terra/raster）

r 复制代码

library(terra)
# 读取nc文件
r <- rast("tmp_2000.nc")
# 气温 = 存储值 × 0.1
temp <- r * 0.1
plot(temp[[7]])  # 7月

五、关键注意事项

⚠️ 单位换算

nc 文件存储值为 0.1℃ ，使用时必须 × 0.1 转换为实际摄氏温度。

python 复制代码

# 错误：直接使用存储值
temp_wrong = ds['tmp']

# 正确：乘以0.1转换
temp_correct = ds['tmp'] * 0.1

⚠️ int16 负值处理

气温存在负值（尤其北方冬季），数据采用 int16（有符号整型） 存储，天然支持负数。Python/ MATLAB 读取后无需额外处理负值。

⚠️ 空间范围

数据覆盖中国主要陆地，含港澳台，但不含南海岛礁等远海区域。

⚠️ 文献引用

使用本数据请在论文中引用原文：

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. DOI: 10.5194/essd-11-1931-2019

六、适用场景

领域	典型应用
气候变化	区域增暖趋势分析、极端高温/低温事件识别
农业气象	积温计算、作物热量带划分、物候期推算
生态学	植被分布与气候关系、物种适生区建模（MaxEnt）
水文模拟	蒸散发估算、流域水量平衡
城市热岛	城乡温差分析、热环境评估
公共卫生	传染病传播与气温关系、热浪健康风险评估

七、与同类数据集对比

数据集	分辨率	时间范围	变量	获取难度
本数据集（彭守璋）	1km	1976-2025	气温+降水	免费
CRU TS	0.5°	1901-至今	多要素	免费
WorldClim v2	1km~	1970-2000气候态	多要素	免费
ERA5-Land	0.1°	1950-至今	多要素	免费
国家气象局站点	点位	1951-至今	多要素	需申请

本数据集的优势在于：1km 高空间分辨率 + 50年长时序 + 逐月时间分辨率 + 免费开放获取。

八、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: 原始数据覆盖1901年至今，为什么只分享1976-2025年？

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研究需求。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: int16存储有什么需要注意的？

气温存在负值（冬季低温），数据采用 int16 有符号整型存储，天然支持负数。读取后乘以 0.1 即可得到实际温度（℃）。

Q5: 和ERA5气温数据有什么区别？

ERA5是再分析数据（数据同化），时间分辨率高（小时级）但空间分辨率低（~31km）。本数据是降尺度产品，空间分辨率高（1km）但时间精度为月尺度。做空间精细分析用本数据，做时间过程分析用ERA5。

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。

九、总结

这套数据集是目前中国区域最易获取、分辨率最高、时序最长的逐月平均气温栅格数据之一。50年跨度足以支撑气候趋势分析，1km 分辨率可以刻画地形对气温的影响，逐月时间分辨率满足季节性研究需求。

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
Harris I, Osborn T J, Jones P, Lister D. Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset. Scientific Data, 2020, 7, 109.
Fick S E, Hijmans R J. WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 2017, 37(12), 4302-4315.
CRU TS 数据：https://crudata.uea.ac.uk/cru/data/hrg/
WorldClim 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

数据来源：国家地球系统科学数据中心-黄土高原分中心（loess.geodata.cn）

如果本文对你有帮助，请点赞收藏 ⭐ 支持一下！有问题欢迎评论区交流。