新闻详情

新闻详情

首页 / 资讯中心 / 详情

2022—2026年全国省市县三级逐小时气温数据集(Excel/Shp双格式)

发布时间:2026/11/3 22:15:45来源:尧图网络
2022—2026年全国省市县三级逐小时气温数据集(Excel/Shp双格式)
气温数据 · 省市县三级行政区划 · 逐小时尺度气温是气候分析与环境研究中最基础也最常用的指标之一。对于需要以行政区划为分析单元开展研究的用户而言直接使用栅格形态的气温数据往往存在一定门槛将其统计汇总到行政区层面可以显著降低后续处理的复杂度。本文介绍一套基于 ERA5-Land 再分析数据集加工而来的气温数据资源覆盖 2022 年 1 月 1 日 0 时至 2026 年 5 月 12 日 23 时的逐小时序列并按照我国省级、地级市、区县级三级行政边界完成了空间统计汇总同时提供 Excel 与 Shp 两种格式计量单位为摄氏度℃。一、数据详情与处理方法1. 数据出处原始栅格数据取自 Climate Data StoreCDS平台的 ERA5-Land 再分析数据集2. 关键参数一览项目说明时间范围2022年1月1日 至 2026年5月12日逐小时该数据集仍在持续更新中数据格式Excel 与 Shp 两种格式计量单位摄氏度℃空间层级省、地级市、区县三个行政等级地理坐标系GCS_WGS_1984气温含义距地表 2 米高度处的大气温度取每个整点时刻的即时数值3. 加工流程这套数据的处理思路是以 2022—2026 年逐小时气温栅格为底层数据采用国家地理信息公共服务平台天地图发布的、审图号为 GS20240650 号的 2025 年省市县三级行政区划 Shp 数据作为统计单元对每个省、每个地级市以及每个区县范围内的栅格像元值分别求取算术平均最终得到三级行政单元各自的逐小时气温序列。4. 规范引用格式Muñoz Sabater, J. (2019): ERA5-Land hourly data from 1950 to present. Copernicus Climate Change Service (C3S) Climate Data Store (CDS). DOI: 10.24381/cds.e2161bac (Accessed on DD-MMM-YYYY)若在实际研究中使用该数据请遵循官方平台的引用要求更多技术细节可查阅 CDS 官网获取。二、数据组织方式整套资源按月份进行打包组织每个 Excel 或 Shp 文件均以年月命名内部包含该月每一天的逐时气温记录。同时文件还按行政级别分开存放——省级、市级、区县级分别对应各自的 Excel 与 Shp 文件用户可以按需取用。按年月命名的数据文件三、数据预览1. Excel 格式以区县级数据为例Excel 表格的字段构成为省份名称、省份代码、城市名称、城市代码、区县名称、区县代码以及逐时气温数值列。2026年1月1日—5月17日全国各区县逐时气温数据Excel格式2. Shp 格式Shp 矢量数据的属性表字段与 Excel 完全一致。这里以 2026 年 5 月 12 日 23 时的气温为例展示其可视化效果2026年5月12日全国各区县23时气温Shp格式【下载→方式一顶部专栏https://blog.csdn.net/m0_73019973/category_13165169.html方式二数据下载方式汇总-CSDN博客
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/3 7:07:39

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/3 12:09:35

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/3 12:09:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/3 12:09:41

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/2 5:53:27

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/2 5:53:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉