当前位置：首页 > news >正文

告别数据焦虑！用GEE和CHIRPS数据，5分钟搞定全球降雨时空分析（附完整代码）

news 2026/5/12 22:38:27

全球降雨时空分析实战：用GEE和CHIRPS数据5分钟产出科研级图表

去年夏天，生态学博士生小林在云南野外考察时发现：当地植被分布与历史降雨规律高度相关。但当她试图下载1981年以来的全球降雨数据时，50GB的原始栅格文件直接让实验室电脑卡死——这可能是每个地学研究者都经历过的噩梦。今天要介绍的这套方法，将彻底改变这种低效工作模式。

1. 为什么CHIRPS+GEE是降雨分析的黄金组合

CHIRPS（Climate Hazards Group InfraRed Precipitation with Station data）作为目前最权威的全球降雨数据集之一，其价值在于：

多源数据融合：0.05°分辨率卫星数据与地面站点观测的有机结合
超长时序：覆盖1981年至今的日尺度数据
学术公信力：已被Nature、Science等顶级期刊引用超2000次

而Google Earth Engine的三大杀手锏恰好解决传统分析痛点：

传统方式痛点	GEE解决方案
本地下载海量数据	云端直接计算
硬件性能瓶颈	谷歌服务器并行处理
重复造轮子	内置Reducers等分析函数

// 验证GEE环境 print(ee.String('Hello from the Earth Engine servers!'))

提示：首次使用需在code.earthengine.google.com注册研究者账号，审批通常需要1-2个工作日

2. 五分钟极速分析工作流

2.1 数据加载与区域定位

以分析2020年长江流域降雨为例：

var basin = ee.FeatureCollection('WWF/HydroSHEDS/v1/Basins/hybas_4') .filter(ee.Filter.eq('HYBAS_ID', 4121154390)); Map.centerObject(basin, 5); var chirps = ee.ImageCollection('UCSB-CHG/CHIRPS/DAILY') .filterDate('2020-01-01', '2020-12-31') .select('precipitation');

2.2 时序统计一键生成

制作日降雨量波动曲线：

var dailyChart = ui.Chart.image.series({ imageCollection: chirps, region: basin, reducer: ee.Reducer.mean(), scale: 5500 }).setOptions({ title: '2020年长江流域日降雨量', vAxis: {title: '降雨量(mm)'}, lineWidth: 1, pointSize: 3 }); print(dailyChart);

月累积降雨量热力图只需添加：

var monthlySum = chirps.sum().clip(basin); var palette = ['white', 'blue', 'darkblue', 'green', 'yellow', 'red']; Map.addLayer(monthlySum, {min:0, max:2000, palette: palette}, '月累积降雨');

3. 进阶分析技巧

3.1 多年趋势分析

计算2000-2020年降雨趋势线：

var trend = ee.ImageCollection.fromImages( ee.List.sequence(2000, 2020).map(function(year) { return chirps.filter(ee.Filter.calendarRange(year, year, 'year')) .sum() .set('year', year); }) ); var slope = trend.select(['precipitation', 'year']) .reduce(ee.Reducer.linearFit());

3.2 异常年份检测

找出降雨量偏离均值1.5个标准差的异常年份：

var stats = trend.reduceColumns({ reducer: ee.Reducer.mean().combine({ reducer2: ee.Reducer.stdDev(), sharedInputs: true }), selectors: ['precipitation'] }); var mean = stats.get('mean'); var std = stats.get('stdDev'); var anomalies = trend.map(function(image) { var zscore = image.subtract(mean).divide(std); return image.set('anomaly', zscore); }).filter(ee.Filter.gt('anomaly', 1.5));

4. 成果输出与学术应用

4.1 一键导出科研图表

导出GeoTIFF到Google Drive：

Export.image.toDrive({ image: monthlySum, description: 'Yangtze_Rainfall_2020', fileNamePrefix: 'rainfall_mm', region: basin, scale: 5000, fileFormat: 'GeoTIFF' });

4.2 典型应用场景

生态研究：植被NDVI与降雨量相关性分析
农业规划：作物生长季水分供需评估
灾害预警：极端降雨事件频率统计

# 配合Python进行后续分析示例 import ee import geemap Map = geemap.Map() rainfall = ee.ImageCollection('UCSB-CHG/CHIRPS/DAILY') Map.addLayer(rainfall.mean(), {'min':0, 'max':10}, 'Global Rainfall')