数据类型：栅格数据 · 气象 · 近地面气温
在陆地过程、水文模拟以及生态系统建模等研究领域，网格化的近地表气象数据集是不可或缺的基础输入。研究者对这类数据普遍存在两方面的期待：一是精度与分辨率足够高，二是时间序列足够长。覆盖1951年至2024年、空间分辨率达0.1°的中国近地面气温（temp）栅格数据，正是这样一份兼顾时间跨度与空间细节的产品。
该数据的时间维度提供三种精度：日平均、月平均与年平均；数据以栅格（tif）格式存储。值得注意的是，其原始nc数据以开尔文为单位记录温度，本数据集已统一换算为更符合国内使用习惯的摄氏度（℃）。
一、数据结构一览
按时间精度划分，日、月、年三类数据分别存放在独立的文件夹中：
在每个时间精度的文件夹内部，栅格文件再按年份归类整理。由于时间范围横跨1951---2024年，因此每个精度下均有74个年份文件夹。以逐日数据为例，其内部组织方式如下：
以2024年12月31日这一天的近地面气温栅格为例，其可视化效果如下：
二、技术参数
本数据集的各项关键指标汇总如下：
| 项目 | 说明 |
|---|---|
| 数据格式 | 栅格（tif） |
| 时间范围 | 1951年---2024年 |
| 时间分辨率 | 日平均、月平均、年平均 |
| 空间分辨率 | 0.1° |
| 数据单位 | 摄氏度（℃） |
| 地理坐标系 | GCS_WGS_1984 |
| 空间范围 | 70°E---140°E，15°N---55°N 范围内的陆地区域（涵盖中国大陆） |
三、数据来源与学术背景
这套数据的原始版本出自清华大学地球系统科学系阳坤教授课题组。2020年1月21日，团队在《Scientific Data》上发表了论文《The first high-resolution meteorological forcing dataset for land process studies over China》，系统介绍了这套历时十年打磨、面向陆面/水文/生态等地表过程模型的中国高时空分辨率气象数据集。
在数据研制方法上，该产品通过融合地面原位站点观测、遥感产品与再分析数据而生成。其2.0版本（CMFD 2.0）整合了欧洲中期天气预报中心的ERA5再分析数据与气象台站观测资料，同时在辐射与降水产品中分别引入了基于人工智能技术构建的ISCCP-ITP-CNN与TPHiPr数据产品，相较上一代CMFD，精度实现了明显提升。
目前，该数据集已在国家青藏高原科学数据中心（National Tibetan Plateau / Third Pole Environment Data Center）平台上更新至2024年
四、引用文献
使用该数据时，请遵照官方平台的引用要求，详细信息亦可前往官网查阅。相关文献如下：
-
He, J., Yang, K., Li, X., Tang, W., Shao, C., Jiang, Y., Ding, B. (2024). China meteorological forcing dataset v2.0 (1951-2024). National Tibetan Plateau / Third Pole Environment Data Center. https://doi.org/10.11888/Atmos.tpdc.302088.
-
He, J., Yang, K., Tang, W., Lu, H., Qin, J., Chen, Y. Y., & Li, X. (2020). The first high-resolution meteorological forcing dataset for land process studies over China. Scientific Data, 7(1), 25.
-
Tang, W., Yang, K., Qin, J., Li, X., & Niu, X. (2019). A 16-year dataset (2000--2015) of high-resolution (3 h, 10 km) global surface solar radiation. Earth Syst. Sci. Data, 11, 1905--1915.
-
Jiang, Y., Yang, K., Qi, Y., Zhou, X., He, J., Lu, H., Li, X., Chen, Y., Li, X.D., Zhou, B., Mamtimin, A., Shao, C., Ma, X., Tian, J., & Zhou, J. (2023). TPHiPr: a long-term (1979--2020) high-accuracy precipitation dataset (1/30°, daily) for the Third Pole region based on high-resolution atmospheric modeling and dense observations. Earth Syst. Sci. Data 15, 621--638.
-
Shao, C., Yang, K., Tang, W., He, Y., Jiang, Y., Lu, H., Fu, H., & Zheng, J. (2022). Convolutional neural network-based homogenization for constructing a long-term global surface solar radiation dataset. Renewable and Sustainable Energy Reviews, 169(September), 112952.
【下载→
方式一：顶部专栏
https://blog.csdn.net/m0_73019973/category_13165169.html
方式二：数据下载方式汇总-CSDN博客