从站点到卫星手把手教你选对近地面臭氧数据做研究避坑CAQRA投影转换臭氧研究正成为环境科学领域的热点但对于刚入门的研究者来说面对五花八门的数据源常常无从下手。本文将系统梳理四种主流臭氧数据的特点并通过实际案例演示如何根据研究需求做出最优选择。1. 臭氧数据全景图四大类型深度对比臭氧数据获取方式主要分为站点观测、卫星遥感、再分析数据和模式数据四大类。每种类型在时空分辨率、覆盖范围和适用场景上各有优劣。数据类型时间分辨率空间分辨率覆盖范围数据年限适用研究尺度站点观测逐小时单点局部长期城市级Sentinel-5P每日7km全球2018-2021区域级OMI/MLS逐月11km全球2004-2020大陆级CAQRA再分析逐小时15km中国2013-2019省级站点数据的优势在于时间连续性强适合研究臭氧的日变化规律。但需要注意东部站点密度远高于西部空间代表性不均单点数据难以反映区域整体状况单位通常为μg/m³与其他数据对比时需注意转换2. 卫星数据实战Sentinel-5P与OMI/MLS的抉择2.1 Sentinel-5P TROPOMI数据详解作为欧空局最新的环境监测卫星Sentinel-5P搭载的TROPOMI传感器提供了目前最高空间分辨率的臭氧数据# GEE获取Sentinel-5P臭氧数据示例代码 import ee ee.Initialize() # 定义研究区域和时间范围 roi ee.Geometry.Rectangle([115, 20, 125, 30]) # 中国东部区域 date_range [2018-01-01, 2021-12-31] # 加载臭氧数据集 dataset ee.ImageCollection(COPERNICUS/S5P/OFFL/L3_O3) .filterBounds(roi) .filterDate(date_range[0], date_range[1]) .select(O3_column_number_density)注意Sentinel-5P臭氧数据仅覆盖南北纬20°之间区域对中国大部分地区研究不适用。2.2 OMI/MLS数据全流程处理指南对于中国区域研究OMI/MLS数据是更可靠的选择。其处理流程可分为三步数据下载与格式转换从NASA官网获取原始txt数据使用提供的IDL脚本转换为netCDF格式单位转换与重投影# 使用CDO进行单位转换 cdo expr,O3 O3*2.1415E-5 input.nc output_mg.nc时空分析使用xarray进行时间序列分析结合Cartopy进行空间可视化3. CAQRA再分析数据实战破解投影转换难题CAQRA数据集作为中国区域专属的再分析产品其Lambert投影常让初学者头疼。以下是完整解决方案3.1 投影识别与定义首先需要明确原始数据的投影参数投影类型Lambert等角圆锥投影标准纬线25°N和47°N中央经线105°E使用GDAL定义目标投影from osgeo import osr # 创建源投影 src_srs osr.SpatialReference() src_srs.ImportFromProj4(projlcc lat_125 lat_247 lat_030 lon_0105 x_00 y_00 ellpsWGS84 unitsm no_defs) # 创建目标投影(WGS84) dst_srs osr.SpatialReference() dst_srs.ImportFromEPSG(4326)3.2 实际转换操作使用xarray配合pyproj进行批量转换import xarray as xr import pyproj # 加载原始数据 ds xr.open_dataset(CAQRA_O3.nc) # 定义转换器 transformer pyproj.Transformer.from_crs( projlcc lat_125 lat_247 lat_030 lon_0105 x_00 y_00 ellpsWGS84 unitsm no_defs, EPSG:4326 ) # 转换坐标 lon, lat transformer.transform(ds[x], ds[y]) ds.coords[lon] ((y, x), lon) ds.coords[lat] ((y, x), lat)4. 研究场景与数据匹配策略根据不同的研究目标数据选择应有不同侧重4.1 城市臭氧日变化研究推荐数据站点观测数据关键指标数据时间分辨率 ≥ 每小时覆盖至少一个完整年度站点数量 ≥ 3个保证代表性4.2 区域臭氧时空分布推荐数据OMI/MLS CAQRA组合处理方法使用OMI/MLS获取长期趋势用CAQRA补充时间细节空间上采用克里金插值融合4.3 跨境传输研究必选数据OMI/MLS全球数据辅助数据ERA5气象再分析数据分析输送路径火点数据识别污染源在实际项目中我通常会先获取小样本测试各种数据的可用性。比如最近在研究长三角臭氧问题时发现站点数据在上海市区很密集但周边城市覆盖不足最终采用站点数据与CAQRA融合的方案既保证了城市细节又获得了区域全景。
从站点到卫星：手把手教你选对近地面臭氧数据做研究（避坑CAQRA投影转换）
发布时间：2026/5/17 3:05:32
从站点到卫星手把手教你选对近地面臭氧数据做研究避坑CAQRA投影转换臭氧研究正成为环境科学领域的热点但对于刚入门的研究者来说面对五花八门的数据源常常无从下手。本文将系统梳理四种主流臭氧数据的特点并通过实际案例演示如何根据研究需求做出最优选择。1. 臭氧数据全景图四大类型深度对比臭氧数据获取方式主要分为站点观测、卫星遥感、再分析数据和模式数据四大类。每种类型在时空分辨率、覆盖范围和适用场景上各有优劣。数据类型时间分辨率空间分辨率覆盖范围数据年限适用研究尺度站点观测逐小时单点局部长期城市级Sentinel-5P每日7km全球2018-2021区域级OMI/MLS逐月11km全球2004-2020大陆级CAQRA再分析逐小时15km中国2013-2019省级站点数据的优势在于时间连续性强适合研究臭氧的日变化规律。但需要注意东部站点密度远高于西部空间代表性不均单点数据难以反映区域整体状况单位通常为μg/m³与其他数据对比时需注意转换2. 卫星数据实战Sentinel-5P与OMI/MLS的抉择2.1 Sentinel-5P TROPOMI数据详解作为欧空局最新的环境监测卫星Sentinel-5P搭载的TROPOMI传感器提供了目前最高空间分辨率的臭氧数据# GEE获取Sentinel-5P臭氧数据示例代码 import ee ee.Initialize() # 定义研究区域和时间范围 roi ee.Geometry.Rectangle([115, 20, 125, 30]) # 中国东部区域 date_range [2018-01-01, 2021-12-31] # 加载臭氧数据集 dataset ee.ImageCollection(COPERNICUS/S5P/OFFL/L3_O3) .filterBounds(roi) .filterDate(date_range[0], date_range[1]) .select(O3_column_number_density)注意Sentinel-5P臭氧数据仅覆盖南北纬20°之间区域对中国大部分地区研究不适用。2.2 OMI/MLS数据全流程处理指南对于中国区域研究OMI/MLS数据是更可靠的选择。其处理流程可分为三步数据下载与格式转换从NASA官网获取原始txt数据使用提供的IDL脚本转换为netCDF格式单位转换与重投影# 使用CDO进行单位转换 cdo expr,O3 O3*2.1415E-5 input.nc output_mg.nc时空分析使用xarray进行时间序列分析结合Cartopy进行空间可视化3. CAQRA再分析数据实战破解投影转换难题CAQRA数据集作为中国区域专属的再分析产品其Lambert投影常让初学者头疼。以下是完整解决方案3.1 投影识别与定义首先需要明确原始数据的投影参数投影类型Lambert等角圆锥投影标准纬线25°N和47°N中央经线105°E使用GDAL定义目标投影from osgeo import osr # 创建源投影 src_srs osr.SpatialReference() src_srs.ImportFromProj4(projlcc lat_125 lat_247 lat_030 lon_0105 x_00 y_00 ellpsWGS84 unitsm no_defs) # 创建目标投影(WGS84) dst_srs osr.SpatialReference() dst_srs.ImportFromEPSG(4326)3.2 实际转换操作使用xarray配合pyproj进行批量转换import xarray as xr import pyproj # 加载原始数据 ds xr.open_dataset(CAQRA_O3.nc) # 定义转换器 transformer pyproj.Transformer.from_crs( projlcc lat_125 lat_247 lat_030 lon_0105 x_00 y_00 ellpsWGS84 unitsm no_defs, EPSG:4326 ) # 转换坐标 lon, lat transformer.transform(ds[x], ds[y]) ds.coords[lon] ((y, x), lon) ds.coords[lat] ((y, x), lat)4. 研究场景与数据匹配策略根据不同的研究目标数据选择应有不同侧重4.1 城市臭氧日变化研究推荐数据站点观测数据关键指标数据时间分辨率 ≥ 每小时覆盖至少一个完整年度站点数量 ≥ 3个保证代表性4.2 区域臭氧时空分布推荐数据OMI/MLS CAQRA组合处理方法使用OMI/MLS获取长期趋势用CAQRA补充时间细节空间上采用克里金插值融合4.3 跨境传输研究必选数据OMI/MLS全球数据辅助数据ERA5气象再分析数据分析输送路径火点数据识别污染源在实际项目中我通常会先获取小样本测试各种数据的可用性。比如最近在研究长三角臭氧问题时发现站点数据在上海市区很密集但周边城市覆盖不足最终采用站点数据与CAQRA融合的方案既保证了城市细节又获得了区域全景。
