别再手动爬数据了！用GEE+ERA5-Land批量下载70年气象数据（含温度、降水）保姆级教程
用GEE+ERA5-Land自动化获取70年气象数据的完整指南
每次手动下载气象数据时，你是否也经历过这样的痛苦？在十几个网站间反复跳转，等待缓慢的FTP传输，处理五花八门的文件格式，最后还要写脚本合并这些数据。作为曾经每天花3小时处理数据的过来人，我发现Google Earth Engine(GEE)配合ERA5-Land数据集能彻底改变这种低效工作模式。下面这套方法，帮我节省了毕业论文90%的数据处理时间。
1. 为什么选择GEE+ERA5-Land组合
记得第一次接触气象数据时，我花了整整两周时间从不同平台下载1950-2020年的中国区域温度数据。直到导师推荐了GEE平台，同样的工作现在只需15分钟脚本运行时间。ERA5-Land作为ECMWF推出的高分辨率再分析数据，有三大不可替代的优势：
- 时空连续性：1950年至今的全球覆盖，时间分辨率达小时级
- 物理一致性：通过数据同化技术融合观测与模型，避免传统数据"拼贴感"
- 预处理省心：已校正单位偏差和缺失值，开箱即用
对比常见数据源的痛点：
| 数据源 | 分辨率 | 时间跨度 | 获取难度 | 预处理工作量 |
|---|---|---|---|---|
| 气象站点 | 点状 | 不连续 | 申请复杂 | 极大 |
| TRMM | 0.25° | 1998-2019 | 多平台 | 中等 |
| ERA5 | 0.25° | 1940-现在 | 需CDS账号 | 较大 |
| ERA5-Land | 0.1° | 1950-现在 | GEE直连 | 极小 |
提示：9km分辨率意味着每个像元覆盖约81km²，对省级尺度研究足够精确，而国家级研究也不会产生过大计算负荷
2. 零基础搭建自动化工作流
2.1 准备工作三步走
首先打开GEE代码编辑器(https://code.earthengine.google.com/)，新建空白脚本。核心工具链只需要：
地理范围定义：推荐使用GeoJSON格式边界文件
var roi = ee.FeatureCollection("users/yourname/boundary") .geometry() .bounds()时间参数设置：批量处理需要年份列表生成器
var years = ee.List.sequence(1950, 2023)数据筛选逻辑：ERA5-Land在GEE中的完整路径是
ECMWF/ERA5_LAND/HOURLY
2.2 核心代码模块解析
这个循环结构实现了逐年自动处理，注意温度单位的转换：
years.getInfo().forEach(function(year) { var start = ee.Date.fromYMD(year, 1, 1) var end = start.advance(1, 'year') var collection = ee.ImageCollection('ECMWF/ERA5_LAND/HOURLY') .filterDate(start, end) .select(['temperature_2m','total_precipitation']) var annualMean = collection.mean() .subtract(273.15) // 开尔文转摄氏度 .set('year', year) Export.image.toDrive({ image: annualMean, description: 'climate_' + year, region: roi, scale: 10000, // 约9km分辨率 fileFormat: 'GeoTIFF' }) })注意：GEE对免费用户有导出配额限制，建议首次运行时先测试单年份数据
3. 高阶技巧与性能优化
3.1 并行加速秘籍
默认循环是顺序执行，通过map()实现并行可提速5倍：
var batchProcess = function(year) { // 同上处理逻辑 return annualMean } var batchResults = years.map(batchProcess) Export.image.toDrive({ image: ee.ImageCollection(batchResults).toBands(), description: 'full_dataset', region: roi, scale: 10000 })3.2 数据质量控制
ERA5-Land虽经质量控制，但仍需注意：
- 降水负值：极小负值是数值误差，可用
.updateMask(gte(0))过滤 - 温度异常：检查
.reduceRegion()统计值是否在合理范围 - 缺失数据处理：GEE自动填充，但建议用
.focal_mean()平滑边缘
4. 从数据到洞察的完整链路
获取数据只是第一步，在GEE中可直接进行时空分析：
年际变化趋势计算
var trend = ee.ImageCollection.fromImages(years.map(function(year) { // 获取各年份数据 })).reduce(ee.Reducer.linearFit())极端事件检测（以热浪为例）：
var heatwave = annualMean.select('temperature_2m') .gt(30) // 阈值设为30℃ .sum() // 统计超阈值天数实际项目中，我曾用这套方法发现华北平原夏季高温日数每十年增加2.3天。整个过程无需下载原始数据，全部在云端完成。