cn05.1数据集入门指南：从数据加载到实战应用

1次阅读

共计 2205 个字符，预计需要花费 6 分钟才能阅读完成。

cn05.1 是中国气象局发布的高分辨率格点观测数据集，覆盖中国区域（含港澳台）的日值气象要素。它整合了 2400 多个地面观测站数据，经过严格的质量控制和空间插值处理，具有以下核心特点：

时间跨度：1961 年至今（持续更新）
空间分辨率：0.5°×0.5°经纬度网格
包含要素：气温、降水、风速等 10 余种常用气象变量
典型应用：气候趋势分析、极端天气研究、农业气象模型输入等

通过中国气象数据网（http://data.cma.cn）申请下载后，解压得到如下目录结构：

cn05.1/
├── README.pdf             # 官方说明文档
├── TEMP/                  # 温度数据
│   ├── TEMP_1961-1990.nc  
│   └── TEMP_1991-2020.nc
├── PRE/                   # 降水数据
│   ├── PRE_1961-1990.nc
│   └── PRE_1991-2020.nc
└── META/                  # 元数据
    ├── stations.csv
    └── grid_info.json

安装必要库（建议使用 conda 环境）：

conda install -c conda-forge xarray pandas matplotlib

import xarray as xr
import pandas as pd
import numpy as np

def load_cn05_data(file_path, var_name='temp'):
    """
    加载 cn05.1 的 NetCDF 格式数据
    :param file_path: 数据文件路径
    :param var_name: 目标变量名（默认为温度）:return: xarray.Dataset 对象
    """
    try:
        ds = xr.open_dataset(file_path)
        # 统一变量名大小写处理
        var_key = [v for v in ds.data_vars if v.lower() == var_name.lower()]
        if not var_key:
            raise ValueError(f"变量 {var_name} 不存在于数据集中")

        print(f"成功加载: {file_path}")
        print(f"时间范围: {ds.time.min().item()} 至 {ds.time.max().item()}")
        return ds[var_key[0]]

    except FileNotFoundError:
        print(f"错误：文件 {file_path} 不存在")
    except Exception as e:
        print(f"数据加载异常: {str(e)}")

# 示例调用
temp_data = load_cn05_data('cn05.1/TEMP/TEMP_1991-2020.nc')

import matplotlib.pyplot as plt

def process_temp_data(da):
    """温度数据处理范例"""
    # 1. 缺失值处理（填充为前后 5 天均值）da = da.interpolate_na(dim='time', method='linear', fill_value='extrapolate')

    # 2. 异常值过滤（<-40℃或 >50℃视为异常）da = da.where((da > -40) & (da < 50))

    # 3. 计算年平均温度
    yearly_mean = da.groupby('time.year').mean()

    # 可视化
    plt.figure(figsize=(12, 5))
    yearly_mean.plot.line(x='year')
    plt.title('中国区域年平均温度变化趋势')
    plt.ylabel('温度(℃)')
    plt.grid(True)
    plt.show()

    return yearly_mean

# 执行处理
processed_data = process_temp_data(temp_data)

当处理多年份数据时，建议：