ERA5（在分析数据）在线导出 |
您所在的位置：网站首页 › 气象数据下载免费版 › ERA5（在分析数据）在线导出 |
ERA5（在分析数据）在线导出
|
简介
ERA5是第五代ECMWF再分析，用于分析过去80年的全球气候和天气。数据从 1940 年开始提供。ERA5取代了ERA-Interim再分析。 再分析利用物理定律将模型数据与全球观测数据结合起来，形成一个全球完整一致的数据集。这一原理被称为数据同化，它以数值天气预报中心使用的方法为基础，每隔若干小时（ECMWF 为 12 小时）将先前的预报与新获得的观测数据以最佳方式结合起来，对大气状态做出新的最佳估计，称为分析，并据此发布最新的改进预报。再分析以同样的方式工作，但分辨率降低，以便提供几十年前的数据集。再分析没有及时发布预报的限制，因此有更多的时间来收集观测数据，当时间进一步追溯时，还可以摄取原始观测数据的改进版本，这些都有利于提高再分析产品的质量。 ERA5提供了大量大气、海洋波浪和陆地表面数量的每小时估计值。不确定性估计值是由一个基本的 10 成员集合以每三小时一次的间隔进行采样的。为方便起见，预先计算了集合平均值和扩散值。这种不确定性估计与现有观测系统的信息内容密切相关，而观测系统随着时间的推移已经发生了很大变化。它们还显示了与流量有关的敏感区域。为了方便许多气候应用，还预先计算了月平均值，但没有提供集合平均值和频差的月平均值。 ERA5每天更新，延迟时间约为5天。如果在早期版本（称为 ERA5T）中发现严重缺陷，该数据可能与 2 至 3 个月后的最终版本不同。如果出现这种情况，我们会通知用户。 这里提供的数据集是ERA5完整数据集的一个重新网格化子集，采用原始分辨率。它通过旋转磁盘在线提供，可确保快速、方便地访问。它应能满足大多数常见应用的要求。 ERA5所有数据集的概述可在本文中找到。本指南提供了有关以原始分辨率访问ERA5数据的信息。 再分析数据已重新划分为 0.25 度的常规纬-纬网格，不确定性估计数据为 0.5 度（海浪数据分别为 0.5 度和 1 度）。主要有四个子集：小时和月度产品，包括压力级（高层气场）和单一级别（大气、海洋波浪和陆地表面量）。 目前的条目是 “ERA5 从 1940 年至今的单级每小时数据”。 通过www.DeepL.com/Translator（免费版）翻译 网址：https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-land?tab=form 选择数据
同时根据这个网址https://cds.climate.copernicus.eu/api-how-to，配置一个名为.cdsapirc的文件，不然会报错，里面内容为： url: https://cds.climate.copernicus.eu/api/v2 key: 242098:811f15ef-4ae4-41d9-92fb-a187a0 key是自己的，自行注册可得！ 打开https://cds.climate.copernicus.eu/toolbox-editor在线运行一下代码即可实现在线绘图以及导出csv数据或者栅格。 import cdstoolbox as ct layout = { 'input_ncols': 3, } variables = { 'Total Precipitation': 'total_precipitation', 'Near-Surface Air Temperature': '2m_temperature', 'Eastward Near-Surface Wind': '10m_u_component_of_wind', 'Northward Near-Surface Wind': '10m_v_component_of_wind', 'Sea Level Pressure': 'mean_sea_level_pressure', 'Sea Surface Temperature': 'sea_surface_temperature', } @ct.application(title='Extract a time series and plot graph', layout=layout) @ct.input.dropdown('var', label='Variable', values=variables.keys(), description='Sample variables') @ct.input.text('lon', label='Longitude', type=float, default=115.5, description='Decimal degrees') @ct.input.text('lat', label='Latitude', type=float, default=20.2, description='Decimal degrees') @ct.output.livefigure() def plot_time_series(var, lon, lat): """ Application main steps: - set the application layout with 3 columns for the input and output at the bottom - retrieve a variable over a defined time range - select a location, defined by longitude and latitude coordinates - compute the daily average - show the result as a timeseries on an interactive chart """ # Time range data = ct.catalogue.retrieve( 'reanalysis-era5-single-levels', { 'variable': variables[var], 'grid': ['3', '3'], 'product_type': 'reanalysis', 'year': [ '2021', '2022','2023', ], 'month': [ '01', '02', '03', '04', '05', '06', '07', '08', '09', '10', '11', '12' ], 'day': [ '01', '02', '03', '04', '05', '06', '07', '08', '09', '10', '11', '12', '13', '14', '15', '16', '17', '18', '19', '20', '21', '22', '23', '24', '25', '26', '27', '28', '29', '30', '31' ], 'time': ['00:00', '06:00', '12:00', '18:00'], } ) # Location selection # Extract the closest point to selected lon/lat (no interpolation). # If wrong number is set for latitude, the closest available one is chosen: # e.g. if lat = 4000 -> lat = 90. # If wrong number is set for longitude, first a wrap in [-180, 180] is made, # then the closest one present is chosen: # e.g. if lon = 200 -> lon = -160. data_sel = ct.geo.extract_point(data, lon=lon, lat=lat) # Daily mean on selection data_daily = ct.climate.daily_mean(data_sel) fig = ct.chart.line(data_daily) #导出为CSV格式 csv_data=ct.cdm.to_csv(data_daily) return fig ,csv_data 点击运行run
|
但需要配置
这样还是要下载才能分析，现在是在线分析方案，速度较快。
【本文地址】