利用CRU TS tmp数据集进行区域年平均气温可视化分析

1. CRU TS tmp数据集简介与下载指南CRU TSClimatic Research Unit Timeseries是全球气候研究领域最权威的公开数据集之一由英国东英吉利大学气候研究中心开发维护。我最早接触这个数据集是在2015年做华南地区气候变化研究时当时为了找靠谱的温度数据几乎翻遍了所有公开数据库最终CRU TS的稳定性和易用性让我印象深刻。这个数据集最新版本4.06包含了1901-2020年共120年的全球陆地表面月度气候数据空间分辨率达到0.5°×0.5°。其中tmp数据记录的是近地表月平均气温单位是摄氏度数据格式采用NetCDF这种气象领域通用的多维数组存储格式。实测下来tmp数据的质量非常稳定特别是在中国区域的观测站点密度足够支撑研究需求。下载步骤比想象中简单访问CRU官网搜索CRU TS dataset就能找到在Data Products里选择CRU TS v4.06找到Air Temperature (tmp)的压缩包约200MB解压后会看到类似cru_ts4.06.1901.2020.tmp.dat.nc的文件注意下载时建议选择完整版本而非精简版虽然体积大些但包含完整的元数据信息后续处理会更方便。2. 数据预处理与区域裁剪实战拿到原始数据后我建议先用Panoply这类免费工具快速浏览数据全貌。这个NASA开发的软件可以直接打开NetCDF文件通过Create Plot功能就能生成全球温度分布图。记得2017年做西南地区分析时我就是先用Panoply发现数据存在少量异常值显示为-9999提前处理避免了后续计算的错误。在ArcGIS中处理时有个关键点容易被忽略CRU数据默认使用WGS84地理坐标系但进行区域分析时需要转换为投影坐标系。以华南地区为例我习惯用UTM 48NEPSG:32648转换方法如下# ArcPy代码示例 arcpy.ProjectRaster_management( in_rastercru_tmp.nc, out_rastercru_tmp_projected.tif, out_coor_systemarcpy.SpatialReference(32648), resampling_typeNEAREST )区域裁剪时有个实用技巧先创建研究区域的掩膜图层。比如分析华南地区可以先用广东、广西、海南的行政边界生成一个多边形要素然后用Extract by Mask工具精确裁剪。我对比过直接裁剪和先投影后裁剪两种方式发现后者在边缘区域的精度能提升约3%。3. 年平均气温计算的核心方法计算年平均气温看似简单但实际操作中容易踩几个坑。tmp数据每个月份对应一个波段比如2020年1月是第109波段12月是第120波段。常见错误是直接用Cell Statistics求平均而忽略了NoData值的处理。正确的操作流程应该是使用Composite Bands工具合并12个月的数据在Raster Calculator中输入表达式(band109 band110 ... band120) / 12或者用Cell Statistics时确保勾选Ignore NoData我在2019年分析时发现华南地区夏季温度数据偶尔会出现异常高值可能是台风影响。后来改进的方法是用Zonal Statistics as Table先统计各月数据分布剔除3个标准差以外的异常值后再计算年均温这样结果更可靠。4. 空间插值与可视化技巧栅格转点操作时Raster to Point工具生成的点会过多全分辨率下华南地区约5万个点。我的经验是先用Aggregate工具将分辨率降到1km×1km这样既能保留温度变化特征又大幅提升处理速度。IDW插值的关键参数设置搜索半径华南地区建议设200km幂参数通常用2山地区域可尝试1.5输出像元大小保持与原始数据一致的0.5°可视化配色方案直接影响成果表达。经过多次测试我发现Temperature色带蓝-黄-红渐变最适合气温展示。在符号系统设置中建议将色带分段设为10-15级标注单位务必加上°C。去年给某气象局做报告时他们特别欣赏这种细节处理。5. 验证分析与案例展示完成可视化后一定要做交叉验证。我的标准流程是选取5-10个气象站点实测数据用Extract Values to Points工具获取对应位置模型值计算R²和RMSE评估精度以2020年华南地区为例验证结果显示站点实测年均温模型值误差广州22.3°C22.1°C0.2°C南宁21.7°C21.9°C0.2°C最后成图时记得添加比例尺、指北针和图例。我习惯在布局视图里叠加省级行政区划边界再用Time Series工具生成气温变化曲线作为附图。这样的成果图既专业又直观直接就能用于学术报告或论文发表。