GEE实战：用CHIRPS降雨数据监测2023年华北旱情（附完整代码）
基于GEE与CHIRPS数据的华北旱情动态监测技术解析
去年夏季，华北平原部分区域经历了异常高温少雨天气，给农业生产和生态平衡带来严峻挑战。传统的地面监测站点分布稀疏且数据获取滞后，难以满足大范围旱情实时监测需求。本文将演示如何利用Google Earth Engine（GEE）平台调用CHIRPS卫星降雨数据集，构建一套自动化旱情监测工作流，为农业管理者和环境研究者提供决策支持工具。
1. 技术框架与数据基础
1.1 GEE平台的核心优势
GEE作为全球领先的地理空间分析云平台，集成了超过900个公共数据集和PB级存储资源。其独特价值体现在：
- 免本地计算：所有处理在谷歌服务器完成，用户端只需浏览器即可运行复杂分析
- 并行计算架构：可在数分钟内完成传统GIS软件需要数周处理的大规模运算
- 时间序列支持：原生支持多时相数据堆栈处理，特别适合气象监测场景
- 协作生态：支持脚本共享和模块化开发，研究者可快速复用成熟算法
// GEE基础环境检测代码 print(ee.String('GEE平台版本:').cat(ee.__version__)); print('可用内存:', ee.data.getAssetRoots());1.2 CHIRPS数据集特性解析
CHIRPS（Climate Hazards Group InfraRed Precipitation with Station data）由加州大学圣巴巴拉分校开发，是目前全球干旱监测的基准数据集之一。其技术特点包括：
| 参数 | 规格 | 应用优势 |
|---|---|---|
| 时空分辨率 | 0.05°（约5km）/日更新 | 可识别县域级降水差异 |
| 时间跨度 | 1981年至今 | 支持长期气候趋势分析 |
| 数据融合 | 卫星红外+地面站点校正 | 精度优于纯遥感产品 |
| 覆盖范围 | 全球50°S-50°N | 包含主要农业产区 |
专业提示：CHIRPS的"Final"版本比"Preliminary"版本延迟约3周发布，但经过更严格的质量控制，研究建议优先采用Final数据
2. 华北旱情监测实战流程
2.1 目标区域定义与数据预处理
华北平原典型农业区边界定义应采用县级行政单元聚合，避免使用简单矩形范围导致数据偏差：
// 山东省德州市辖区定义示例 var studyArea = ee.FeatureCollection('users/regional_boundary/dezhou_counties'); // 时间范围设置（2023年生长季） var startDate = '2023-05-01'; var endDate = '2023-09-30'; // 数据加载与质量控制 var chirps = ee.ImageCollection('UCSB-CHG/CHIRPS/DAILY') .filterDate(startDate, endDate) .filterBounds(studyArea) .map(function(image){ // 去除异常负值 return image.updateMask(image.gte(0)); });2.2 降水亏缺指数（PDI）计算
PDI是识别气象干旱的核心指标，反映当前降水与历史同期的偏离程度：
// 计算历史同期均值（2000-2022） var historical = ee.ImageCollection('UCSB-CHG/CHIRPS/DAILY') .filter(ee.Filter.calendarRange(5,9,'month')) .filter(ee.Filter.calendarRange(2000,2022,'year')) .filterBounds(studyArea); var histMean = historical.mean(); // 2023年累计降水 var currentSum = chirps.sum(); // PDI计算与分级 var pdi = currentSum.subtract(histMean).divide(histMean).multiply(100); var droughtLevel = pdi.lt(-30).add(pdi.lt(-50)).add(pdi.lt(-70));2.3 动态可视化技术
GEE提供多种可视化输出方式，建议组合使用：
- 时序图表：展示降水变化趋势
- 空间分布：识别干旱热点区域
- 统计报表：输出各等级干旱面积占比
// 创建交互式地图 var palette = ['#ffffcc','#ffeda0','#fed976','#feb24c','#fd8d3c','#fc4e2a','#e31a1c']; Map.addLayer(droughtLevel, {min:0, max:3, palette: palette}, 'Drought Level'); // 生成时间序列图 var chart = ui.Chart.image.seriesByRegion({ imageCollection: chirps, regions: studyArea, reducer: ee.Reducer.mean(), band: 'precipitation', scale: 5500, xProperty: 'system:time_start' }).setOptions({ title: '2023年生长季日降水变化', vAxis: {title: '降水量 (mm)'}, hAxis: {title: '日期'}, lineWidth: 1, pointSize: 3 }); print(chart);3. 进阶分析方法
3.1 作物需水满足度评估
结合MOD16蒸散发数据，可计算作物水分亏缺指数（CWDI）：
var mod16 = ee.ImageCollection('MODIS/006/MOD16A2') .filterDate(startDate, endDate) .select('ET'); var totalET = mod16.sum().multiply(0.1); // 转换为mm var cwdi = currentSum.divide(totalET).rename('CWDI'); // 水分胁迫分级 var stressLevel = cwdi.lt(0.6).add(cwdi.lt(0.4)).add(cwdi.lt(0.2));3.2 干旱影响范围统计
自动化输出各行政单元干旱等级面积报表：
// 县域统计函数 var countyStats = droughtLevel.reduceRegions({ collection: studyArea, reducer: ee.Reducer.frequencyHistogram(), scale: 5000 }); // 结果格式化输出 var statsExport = countyStats.map(function(feature){ var hist = ee.Dictionary(feature.get('histogram')); return feature.set({ '轻度干旱面积(km2)': hist.get('1').multiply(25), '中度干旱面积(km2)': hist.get('2').multiply(25), '严重干旱面积(km2)': hist.get('3').multiply(25) }); }); // 导出为CSV Export.table.toDrive({ collection: statsExport, description: 'DroughtAreaStats', fileFormat: 'CSV' });4. 业务化应用方案
4.1 自动化监测系统搭建
建议采用GEE的定时任务功能实现周报自动生成：
- 创建定时触发器：每周一获取上周数据
- 配置报告模板：包含关键指标和图表
- 设置自动推送：通过Email或API接口分发
// 自动化脚本示例（需部署为GEE定时任务） function generateWeeklyReport() { var lastWeek = ee.Date(ee.Date.now()).advance(-7, 'day'); var weeklyData = chirps.filterDate(lastWeek, ee.Date.now()); // 分析计算流程... // 报告生成逻辑... // 发送邮件通知 ee.data.sendEmail({ to: 'user@domain.com', subject: '旱情周报-' + ee.Date.now().format('YYYY-MM-dd'), body: '本周监测报告已生成，请登录GEE查看。' }); }4.2 移动端监测方案
利用GEE App功能开发轻量化移动应用：
- 响应式界面：适配手机屏幕尺寸
- 关键指标看板：展示最新干旱指数
- 预警推送：设置阈值触发提醒
实践建议：对于基层农业用户，可简化技术参数显示，重点突出"受影响面积比例"和"变化趋势"等直观指标
在实际项目中，我们发现将干旱等级与作物生育期叠加显示最能帮助农技人员理解风险。例如，在冬小麦抽穗期即使轻度干旱也可能导致显著减产，需要设置更严格的预警阈值。