尧图网页设计 
简介本资源为1981–2021年全球逐月太阳辐射GIS空间分布数据集面向气象、能源、地理信息及可再生能源研究领域的科研人员与GIS应用开发者支撑太阳能资源评估、光伏电站选址、气候模型验证等实际任务。数据以气候平均值形式呈现覆盖41年共12个月份及全年均值空间分辨率为0.5°×0.5°单位为kWh/m²/day采用标准GeoTIFF格式存储并配套TFW地理配准、XML元数据、OVR金字塔、JPG可视化预览等辅助文件确保在ArcGIS、QGIS等平台中开箱即用。压缩包共66个文件总大小10.83MB结构规范、命名统一便于批量读取与自动化处理。目前已有936人学习下载附带清晰的《数据来源.txt》说明原始出处与处理方法用户可直接用于空间分析、时序对比或作为机器学习模型的输入特征显著降低数据获取与预处理门槛。 做太阳辐射数据分析的同行应该都体会过找数据的痛苦。手头要是有个“1981-2021全球逐月太阳辐射GIS空间分布数据”这样的数据集很多项目能少走一半弯路。这套数据覆盖整整41年、逐月记录、全球范围、以GIS标准栅格格式发布不管是做太阳能资源评估、农业光温潜力分析、建筑能耗模拟还是气候变化背景下的辐射长期趋势研究它都是可以直接拿来当底图的硬通货。这篇东西我会从数据本身是什么、生产逻辑大概什么样、怎么在GIS里处理它、能用来做什么分析以及我自己踩过的坑这几个角度展开尽量讲透让大家拿到数据就能上手干活。1. 数据产品的核心认知41年逐月序列到底意味着什么1.1 时间跨度与时间分辨率的价值1981到2021整整41年这个时间窗口不是随便定的。在气候学里世界气象组织推荐的标准气候平均值是30年1981-2010正好是一个完整的标准气候期这套数据顺势向后多延了11年等于把2010年代到2021年这波全球辐射变化也包了进来。你要做“多年平均”“距平分析”“趋势检验”这套序列都接得住。逐月分辨率说高不高说低不低但它有一个很实际的好处一年12个文件41年就是492个时相文件数量是可控的。你要做季节合成Q1/Q2/Q3/Q4各归各类非常方便。要是想要逐日的492个文件翻三四十倍存储和处理压力都上来但要是只有年均值很多季节性分析又做不了。逐月是一个很好的折中。用这套数据做趋势分析时有个细节值得留意1981-2021这41年里面太阳辐射的波动其实挺明显的。特别是1990年代到2000年代初期全球很多地区出现了“全球变暗”现象之后又有部分区域“变亮”的恢复。这些信号在逐月序列里能看得比较清楚但要是手里只有年均数据很多短期波动就被平均掉了。所以如果你做的是辐射变化归因、气溶胶影响这类研究逐月数据基本是底线要求。1.2 空间覆盖与栅格形式的意义“全球空间分布数据”意味着它不是一个站点一个站点的点数据而是一张完整的全球栅格面。这解决了一个很核心的痛点全球地面辐射观测站分布极不均匀欧洲、北美、东亚密集非洲、南美、大洋洲内陆、极地地区站点稀疏得可怜。只靠站点插值撒哈拉、西伯利亚、青藏高原这些地方基本靠猜。网格化数据不一样它通过卫星反演和再分析模型把辐射值推算到全球每一个像元上保证了空间上的连续覆盖。栅格数据的优势在于可以直接做空间运算。你可以用研究区边界把全球数据裁剪出来也可以拿它跟其他栅格图层做叠加分析。最常见的两种格式是GeoTIFF和NetCDF。GeoTIFF的好处是ArcGIS、QGIS直接双击打开每个月的辐射值就是一个单独的TIFF文件处理起来心理负担小批量操作也简单NetCDF适合做长时间序列分析一个文件打包全部信息读取效率高但需要稍微熟悉一下HDF5/NetCDF的工具链。1.3 数据的时间一致性优势做长时间序列分析最怕的就是数据源前后不一致。有些数据集是多个时期拼接的不同时段可能来自不同的卫星传感器或不同的反演算法拼接处容易出现系统性的跳变。这套数据如果标注的是统一生产流程那说明从1981到2021年全程用同一套算法处理时间序列的一致性有保障。这一点在做趋势分析时太重要了。我见过一个做华北地区辐射变化的研究用了一套拼接数据结果1998年前后明显有个台阶式的跳变后来查资料发现是数据源从旧卫星切到了新卫星那个跳变根本不是真实的气候信号差点导致结论反转。所以拿到这类长时间序列数据第一件事不是急着做分析而是先做一个简单的全时相统计看看有没有异常跳变点。2. 数据源与生产流程这类数据是怎么做出来的2.1 主流生产方式的对比全球逐月太阳辐射栅格数据目前主流的三种来源各有各的脾气。第一种是卫星遥感反演。比如基于MODIS、GOES、Meteosat、向日葵8等卫星数据反演地表太阳辐射。卫星最大的优势是空间覆盖连续海洋、荒漠、极地都有数据特别适合做全球产品。但卫星反演也有短板时间序列长度受限于卫星寿命早期卫星数据质量也比较粗糙。1981年这个起点对应的主要是早期的静止轨道卫星和极轨卫星数据精度和现在没法比。第二种是再分析资料。像ERA5、GLDAS、JRA-55这些是把观测数据、卫星数据、模式模拟用数据同化技术融合在一起生成一套时空连续的格点数据。再分析资料的优势是时间序列长ERA5从1940年就有而且变量齐全不仅有地表下行短波辐射还有云量、气溶胶、温湿度这些配套变量。缺点是它的辐射值在部分区域和实测站点对比偏差可能达到10%-20%特别是复杂地形区。第三种是气象站观测插值。这种数据站点密集的地区精度很好但站点稀疏区域误差很大。全球范围内做逐月辐射插值效果不如卫星和再分析数据。基于1981这个起点这套数据大概率是卫星反演和再分析资料融合的产物或者是利用长时间序列的卫星数据如ISCCP、CLARA等加工而成。2.2 空间插值与格网化处理逻辑不管是哪种原始来源最终落到GIS里作为栅格数据都需要经过空间插值或格网化处理。这一步处理方式不同直接影响产品精度。常见的格网化方法有克里金插值、反距离权重插值、样条插值等。克里金插值考虑了空间自相关性能给出预测方差精度相对较高反距离权重简单粗暴适合快速出图样条法做出来的表面平滑度好但容易过度插值出现“牛眼”现象。如果这套数据是全球尺度的通常会用克里金或者基于地形辅助的多元回归插值方法。这里有一个关键参数插值时的搜索半径和像元大小。像元大小决定了数据的空间分辨率常见的有0.05°、0.1°、0.25°、0.5°和1公里等。如果是1km分辨率全球范围的数据量会非常大文件体积可能几十个GB如果是0.25°或0.5°文件就小很多。选择时得根据你研究区的尺度来做全球尺度分析用0.5°够了做省级或市级尺度最好用0.05°或1km的数据。另一个容易被忽略的点是海岸线和岛屿的处理。全球栅格数据的陆地和海洋交界处经常会出现异常值。有些数据产品使用了掩膜处理陆地上的像元和海洋分开处理。如果你拿到的数据海洋区域是NoData做分析时需要注意别把海洋当成零值处理。2.3 文件组织方式与格式规范这套数据的组织方式常见有两种结构。第一种是“一变量多文件”结构。每个月一个GeoTIFF文件命名一般带有年份和月份信息比如“solar_radiation_198101.tif”“solar_radiation_198102.tif”这种。这种结构最大的好处是单文件读取快处理某一个具体月份时不用加载全部数据。第二种是“单文件多时相”结构。所有的月份打包在一个NetCDF文件中有三个维度经度、纬度、时间。这种结构适合做时间序列分析可以用Python的xarray库直接切片提取任意时间段、任意空间范围的数据不需要循环读取几百个文件。两种结构各有利弊。我自己的习惯是如果数据本身是GeoTIFF序列就用ArcGIS的栅格目录或者QGIS的分组图层来管理如果是NetCDF就用xarray读取需要做空间分析时再导出一个或几个特定时间层的TIFF。3. GIS实操从拿到数据到产出可用分析图层的完整流程3.1 环境准备与工具箱选择处理这套数据你需要的软件环境其实很简单。我日常用的一套组合是ArcGIS Pro或者QGIS做常规的显示、裁剪、制图Python主要是rasterio、xarray、numpy做批量数据处理和统计分析。如果你电脑配置一般建议优先用QGIS启动速度快内存占用相对小。处理492个栅格文件时QGIS的栅格计算器、批量裁剪工具比ArcGIS更轻量。如果是做严格的科学分析Python是主力GIS软件更多用来做结果的可视化出图。另外一个好用的工具是GDAL命令行。GDAL是整个栅格数据处理的底层引擎ArcGIS和QGIS底层都依赖它。用它做批量裁剪、重投影、格式转换比GUI操作快一个数量级。比如批量裁剪一条循环命令就能处理几百个文件完全不需要在软件里一个个点。3.2 数据加载与质量检查的完整流程拿到数据后我的习惯是先做一轮数据体检。具体流程如下先用GIS软件打开一个文件查看它的像元类型、分辨率、坐标系统、有效值范围。太阳辐射数据的单位可能是W/m²月平均通量密度、kWh/m²/day每日平均辐射量或MJ/m²/month逐月累积辐射量一定要先确认清楚否则后面的计算全错。检查像元类型如果是浮点型说明数据经过了连续化处理可以做精确的运算如果是整型可能做了缩放或取整需要查看文档确认缩放因子。然后做时间序列的可视化检查。在ArcGIS Pro里可以用“多维数据”工具直接加载NetCDF一键播放时间滑块看41年的栅格序列动画粗查有没有异常时相。如果是GeoTIFF序列可以用QGIS的时间管理器插件快速做同样的事。数值异常检查可以用栅格统计工具查看每年的全球均值、最大值、最小值。正常情况下全球平均地表太阳辐射月均值在150-300 W/m²左右冬夏会有明显波动。如果哪个月的平均值突然低了20%那多半是那个月的数据有问题需要进一步检查。3.3 坐标系、投影与裁剪的关键操作这些全球数据原始坐标系一般是WGS84地理坐标系单位是度。做全球或大区域分析时用地理坐标没问题但做省级、市级或者小流域研究时必须要投影转换。这里有一个经验值在纬度60°以内的区域1°经度约等于111公里乘纬度的余弦值。你在中纬度地区做面积统计如果直接用经纬度坐标计算出来的面积可能偏差10%以上。因此做面积统计前应用适合研究区的等积投影。比如做全国尺度的分析常用Albers等积圆锥投影中央经线105°E标准纬线25°N和47°N做省级用兰伯特等角圆锥投影做极地研究用极球面投影。裁剪操作上有一个细节用矢量边界裁剪栅格时注意选对工具。ArcGIS里“按掩膜提取”和“裁剪栅格”效果类似但处理方式不同按掩膜提取会读取矢量边界的每个像元裁剪栅格直接在栅格范围上切速度更快。如果边界复杂、范围大建议先用矢量边界做范围裁剪再做掩膜提取。另外裁剪后检查一下边界像元。由于栅格化时的误差边界处偶尔会出现一圈无值或者比周边明显偏低的值这叫做“边界效应”。处理办法是在裁剪后做一次3x3邻域统计或者用缓冲区和掩膜重新提取一次。3.4 单位换算、异常值处理与批处理操作拿到数据后第一步操作通常是单位统一。比如数据单位是W/m²月均通量密度但你要做太阳能资源评估需要换算成kWh/m²/month月总辐射量。换算公式如下月总辐射kWh/m²/month 月均通量密度W/m²× 当月天数天× 24小时/ 1000这里有个隐藏的坑月均通量密度是时间平均不是累积量。如果直接拿W/m²的数字相加再乘以24结果会偏大。正确做法是先把日平均通量乘以24得到日总辐射再乘以当月天数得到月总量。我在刚接触太阳辐射数据时就在这个细节上吃过亏算出来的月总辐射比气象站实测高了一倍不止。异常值处理方面全球栅格产品虽然经过质量控制但仍可能存在少数异常像元。常见的异常包括辐射值为负值、辐射值超过物理上限、海洋区域出现非零值、大范围连续NoData。处理原则是负值直接设为NoData超过物理上限的可能是云检测失败建议用邻域中值替代海洋区域按数据文档说明处理。批量操作是这套数据的核心需求。492个文件手动在GIS里操作能累死人。我提供一个Python思路用rasterio实现批量单位换算和裁剪几分钟就能跑完import rasterio import numpy as np import glob from rasterio.transform import from_bounds import fiona # 1. 定义换算系数和输出目录 input_files glob.glob(E:/solar_radiation/raw/*.tif) output_dir E:/solar_radiation/processed/ shp_path E:/study_area.shp # 2. 循环处理每个文件 for fp in input_files: with rasterio.open(fp) as src: data src.read(1).astype(np.float32) # 处理异常值负值设为NoData data[data 0] np.nan profile src.profile.copy() # 3. 单位换算W/m² - kWh/m²/month # 假设数据是月均通量密度月份可以从文件名提取 month int(fp.split(_)[-1][4:6]) days_in_month [31, 28, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31][month-1] data data * 24 * days_in_month / 1000.0 # 4. 用矢量边界裁剪 import geopandas as gpd gdf gpd.read_file(shp_path) # 这里简化处理实际需要用 rasterio.mask.mask 进行裁剪 # 5. 写出TIFF文件 with rasterio.open(output_dir fp.split(/)[-1], w, **profile) as dst: dst.write(data, 1)这段代码只是抛砖引玉实际使用中要加上投影转换、掩膜裁剪等步骤。4. 应用场景与空间分析实操4.1 太阳能资源长期评估与选区太阳能资源评估是这套数据最直接的落点。你要在一个省或者一个国家范围内选光伏电站选址需要回答这么几个问题哪里年总辐射量最高哪里的季节性波动最小哪些区域的辐射趋势在长期下降用逐月数据做这事可以分三步走。第一步用栅格计算器把12个月的数据累加成年均值得到年平均辐射分布图。第二步用逐月数据计算变异系数标准差除以平均值这个指标能直观反应辐射稳定性。第三步把年均辐射高、变异系数低、坡度适宜、土地类型允许的区域叠加起来就是光伏选址的初筛范围。累加的时候有个小技巧不同月份天数不一样2月只有28天7月有31天如果直接累加W/m²月均值2月会系统性偏低。正确做法是先换算成月总量再加总。这也是为什么我前面强调先做单位换算。4.2 逐月趋势分析与气象应用41年的逐月序列用来做趋势分析再好不过。你可以用Mann-Kendall趋势检验非参数方法不需要数据服从正态分布配合Sens斜率估计逐像元计算辐射变化的趋势方向和速率。这个方法在气候诊断中非常常用。实际操作中把492个月的栅格数据按像元提取时间序列计算量非常大。一个0.25°分辨率的全球数据约100万个像元每个像元一个时间序列用纯Python跑会非常慢。建议用xarray直接处理NetCDF利用它的向量化计算能力几分钟就能跑完全球趋势分析import xarray as xr import numpy as np # 1. 读取NetCDF数据 ds xr.open_dataset(solar_radiation_1981_2021.nc) rad ds[solar_radiation] # 维度: (time, lat, lon) # 2. 计算逐像元的线性趋势用numpy的polyfit from scipy import stats # 用apply_ufunc进行逐像元回归 def trend_analysis(x, y): slope, intercept, r_value, p_value, std_err stats.linregress(x, y) return slope # 构造时间序列 time_idx np.arange(492) # 逐像元计算趋势系数 trend xr.apply_ufunc( lambda ts: np.polyfit(time_idx, ts, 1)[0], rad, vectorizeTrue, daskparallelized, output_dtypes[np.float32] )把趋势系数乘上41年就能知道每个像元41年累计变化了多少辐射量。4.3 与其他空间数据的叠加分析这套逐月辐射数据和很多要素都有联动关系。做农业光能资源分析时可以叠加作物种植区分布数据计算每个农业区的光能生产潜力用光合有效辐射PAR一般按太阳总辐射的45%-50%估算。做建筑能耗研究时可以叠加城市建成区范围评估不同城市屋顶光伏的发电潜力。叠加分析时需要注意分辨率的匹配。太阳辐射数据分辨率可能是0.1°约10km但你研究的对象是村级或者用地斑块级别需要把辐射数据重采样到更高分辨率。重采样方法选择有讲究最邻近法速度快但灰度失真双线性插值平滑但可能过度平滑掉真实细节三次卷积最平滑但计算量大。我一般推荐双线性插值兼顾精度和效率。做核密度分析也是个热门方向。比如你想分析一个区域内太阳能资源的空间集聚特征可以把年均辐射栅格转成点数据再做核密度分析。但这个应用场景比较有限因为太阳辐射本身空间连续性很强核密度分析更适合分析离散事件如灾害点、POI点做辐射的空间连续性分析意义不大。用它做建筑屋顶光伏需求的POI热点分析倒是不错。4.4 数据可视化与制图输出数据处理的最后一步往往是出图。41年逐月数据的可视化有几条路可以走。一是月平均气候态图。把41年同一月份的数据平均得到12张月平均辐射分布图拼成一张2x6或3x4的图版一眼就能看出全球辐射分布的季节迁移北半球1月辐射低、南半球1月辐射高夏季高纬地区辐射显著增强等。二是距平图。逐月减多年平均得到距平数据遇到极端事件如大型火山喷发后全球辐射下降距平图会显示大范围的负异常。1991年皮纳图博火山喷发后1992-1993年全球辐射明显下降这是太阳辐射数据序列里的标志性事件如果你手里的数据这段时间没有体现出异常反而要怀疑数据的质量。三是趋势图。41年辐射变化趋势的空间分布图用冷暖色系表示上升和下降。能直观看出哪些区域辐射在增强比如欧洲、东亚部分区域哪些区域在减弱比如南亚部分地区。这类图在气候评估报告中非常常见。5. 常见问题与排查技巧实录5.1 常见问题速查表问题现象可能原因排查与解决办法辐射值普遍偏大/偏小单位理解错误未区分通量密度与累积量确认数据说明按公式换算通量密度×时间累积量某个月份全球出现大面积异常值原数据缺失或反演失败该月数据质量差用相邻年份同月数据插补或在分析中剔除该时相海洋区域出现很大的非零值数据未做海洋掩膜或掩膜精度不足用海洋矢量边界做掩膜提取把海洋设为NoData裁剪后边界出现一圈异常细线栅格化时边界像元混合了多个类别扩大裁剪边界后再用掩膜精确提取趋势分析结果出现明显的条带状伪影数据在纬度方向有插值痕迹或不同纬度带数据源不同检查数据生产文档做纬度带分层统计验证投影转换后面积统计明显偏大使用了地理坐标系直接计算面积统一转换到等积投影如Albers后重新计算时间序列在某个年份出现台阶式突变可能数据源切换或传感器更换对比同期的其他数据集如ERA5、FLUXNET站点确认真实信号还是数据问题5.2 我踩过的坑和避坑建议这里分享几个自己处理这套数据时的教训。第一个坑是单位换算。前面提过的通量密度和累积量的问题我用自己的代码跑完结果比实测值高了一倍多排查了很久才发现是单位理解错了。大家拿到数据后第一件事就是要找到数据说明文档确认单位到底是哪个。如果是NetCDF格式单位信息通常写在变量的units属性里用Python直接打印attributes就能看到。第二个坑是NoData值的处理。有些全球产品用-9999表示NoData有些用0有些用NaN。如果你在ArcGIS里直接做栅格计算NoData值可能会被当成普通值参与运算输出结果里就会出现大面积的负值或异常高值。处理方法是任何操作之前先把NoData值统一ArcGIS里可以在环境设置里勾选“将NoData处理为缺失值”的选项。第三个坑是分辨率不匹配导致的伪变化。我做西南地区的辐射变化趋势分析时发现高海拔山区趋势特别显著一开始以为是真实信号后来发现是数据在那个区域的空间分辨率太粗把山谷和山脊混在了一个像元里产生了很多空间上的假变异。解决的办法很简单把分析尺度提升到数据分辨率以上不要拿10km的数据去做1km尺度的结论。第四个坑是时间匹配问题。太阳辐射的季节性强做距平分析时必须严格用同一月份的平均值做基准。比如1月的距平应该减1月的多年平均而不是减全年平均。逐月序列数据把这个要求变得很自然但如果你半路接手别人的数据一定要先确认基准期是什么不同人处理的偏差可以差出不少。5.3 数据质量验证的私人心得不管是做研究还是做项目我拿到数据后都会抽几个点做独立验证。推荐两个交叉验证的数据源一个是BSRN基准地表辐射观测网全球几十个站点观测精度最高是辐射产品的“金标准”。一个是FLUXNET通量塔网虽然主要是通量观测但也有配套的辐射观测。拿本站点的实测数据与栅格数据做逐月的散点对比可以算出相关系数和均方根误差。这些站点多分布在欧洲和北美能覆盖到的区域有限但至少能帮你了解数据的精度范围。另外如果你的时间序列够长还可以做一个“年际一致性检查”把所有12个月的多年平均值加起来和那个位置实测站的多年年均辐射值对比。一个站点一个站点地看能发现系统性的空间偏移。6. 这套数据的长期价值与后续扩展这类长时间序列的GIS空间数据单次使用只是发挥了一小部分价值。如果把它存好、建好索引、做好文档它可以成为团队里的一个常青数据资产。我自己的做法是把492个GeoTIFF文件整理到一个标准的目录结构里用Python脚本建一个索引表记录每个文件对应的时间、变量、单位、分辨率、坐标系等信息再配合一个简单的读取函数后续的项目拿过来就能用。这个习惯帮我省了很多重复劳动。后续还可以考虑把数据发布成一个简单的Web服务用GeoServer或者MapServer把栅格数据切成地图切片做一个公开的太阳辐射历史查询页面。用户点选任意位置自动拉出该位置1981-2021年逐月辐射的曲线和统计值这样的工具对很多非专业的决策者非常友好。这个方向做起来并不复杂核心数据质量过关剩下就是技术实现了。这套数据如果配合未来几年的更新2022、2023、2024...时间序列会越来越长气候变化背景下太阳辐射的变化趋势也会越来越清晰。对做气候适应、可再生能源规划、农业结构调整的同行来说它是一个需要持续关注和更新的数据宝藏。我现在手头有好几个项目都在跑这套数据后面有新发现再给大家分享。本文还有配套的精品资源点击获取 1981-2021全球逐月太阳辐射GIS栅格数据：生产逻辑、处理实操与趋势分析
简介本资源为1981–2021年全球逐月太阳辐射GIS空间分布数据集面向气象、能源、地理信息及可再生能源研究领域的科研人员与GIS应用开发者支撑太阳能资源评估、光伏电站选址、气候模型验证等实际任务。数据以气候平均值形式呈现覆盖41年共12个月份及全年均值空间分辨率为0.5°×0.5°单位为kWh/m²/day采用标准GeoTIFF格式存储并配套TFW地理配准、XML元数据、OVR金字塔、JPG可视化预览等辅助文件确保在ArcGIS、QGIS等平台中开箱即用。压缩包共66个文件总大小10.83MB结构规范、命名统一便于批量读取与自动化处理。目前已有936人学习下载附带清晰的《数据来源.txt》说明原始出处与处理方法用户可直接用于空间分析、时序对比或作为机器学习模型的输入特征显著降低数据获取与预处理门槛。 做太阳辐射数据分析的同行应该都体会过找数据的痛苦。手头要是有个“1981-2021全球逐月太阳辐射GIS空间分布数据”这样的数据集很多项目能少走一半弯路。这套数据覆盖整整41年、逐月记录、全球范围、以GIS标准栅格格式发布不管是做太阳能资源评估、农业光温潜力分析、建筑能耗模拟还是气候变化背景下的辐射长期趋势研究它都是可以直接拿来当底图的硬通货。这篇东西我会从数据本身是什么、生产逻辑大概什么样、怎么在GIS里处理它、能用来做什么分析以及我自己踩过的坑这几个角度展开尽量讲透让大家拿到数据就能上手干活。1. 数据产品的核心认知41年逐月序列到底意味着什么1.1 时间跨度与时间分辨率的价值1981到2021整整41年这个时间窗口不是随便定的。在气候学里世界气象组织推荐的标准气候平均值是30年1981-2010正好是一个完整的标准气候期这套数据顺势向后多延了11年等于把2010年代到2021年这波全球辐射变化也包了进来。你要做“多年平均”“距平分析”“趋势检验”这套序列都接得住。逐月分辨率说高不高说低不低但它有一个很实际的好处一年12个文件41年就是492个时相文件数量是可控的。你要做季节合成Q1/Q2/Q3/Q4各归各类非常方便。要是想要逐日的492个文件翻三四十倍存储和处理压力都上来但要是只有年均值很多季节性分析又做不了。逐月是一个很好的折中。用这套数据做趋势分析时有个细节值得留意1981-2021这41年里面太阳辐射的波动其实挺明显的。特别是1990年代到2000年代初期全球很多地区出现了“全球变暗”现象之后又有部分区域“变亮”的恢复。这些信号在逐月序列里能看得比较清楚但要是手里只有年均数据很多短期波动就被平均掉了。所以如果你做的是辐射变化归因、气溶胶影响这类研究逐月数据基本是底线要求。1.2 空间覆盖与栅格形式的意义“全球空间分布数据”意味着它不是一个站点一个站点的点数据而是一张完整的全球栅格面。这解决了一个很核心的痛点全球地面辐射观测站分布极不均匀欧洲、北美、东亚密集非洲、南美、大洋洲内陆、极地地区站点稀疏得可怜。只靠站点插值撒哈拉、西伯利亚、青藏高原这些地方基本靠猜。网格化数据不一样它通过卫星反演和再分析模型把辐射值推算到全球每一个像元上保证了空间上的连续覆盖。栅格数据的优势在于可以直接做空间运算。你可以用研究区边界把全球数据裁剪出来也可以拿它跟其他栅格图层做叠加分析。最常见的两种格式是GeoTIFF和NetCDF。GeoTIFF的好处是ArcGIS、QGIS直接双击打开每个月的辐射值就是一个单独的TIFF文件处理起来心理负担小批量操作也简单NetCDF适合做长时间序列分析一个文件打包全部信息读取效率高但需要稍微熟悉一下HDF5/NetCDF的工具链。1.3 数据的时间一致性优势做长时间序列分析最怕的就是数据源前后不一致。有些数据集是多个时期拼接的不同时段可能来自不同的卫星传感器或不同的反演算法拼接处容易出现系统性的跳变。这套数据如果标注的是统一生产流程那说明从1981到2021年全程用同一套算法处理时间序列的一致性有保障。这一点在做趋势分析时太重要了。我见过一个做华北地区辐射变化的研究用了一套拼接数据结果1998年前后明显有个台阶式的跳变后来查资料发现是数据源从旧卫星切到了新卫星那个跳变根本不是真实的气候信号差点导致结论反转。所以拿到这类长时间序列数据第一件事不是急着做分析而是先做一个简单的全时相统计看看有没有异常跳变点。2. 数据源与生产流程这类数据是怎么做出来的2.1 主流生产方式的对比全球逐月太阳辐射栅格数据目前主流的三种来源各有各的脾气。第一种是卫星遥感反演。比如基于MODIS、GOES、Meteosat、向日葵8等卫星数据反演地表太阳辐射。卫星最大的优势是空间覆盖连续海洋、荒漠、极地都有数据特别适合做全球产品。但卫星反演也有短板时间序列长度受限于卫星寿命早期卫星数据质量也比较粗糙。1981年这个起点对应的主要是早期的静止轨道卫星和极轨卫星数据精度和现在没法比。第二种是再分析资料。像ERA5、GLDAS、JRA-55这些是把观测数据、卫星数据、模式模拟用数据同化技术融合在一起生成一套时空连续的格点数据。再分析资料的优势是时间序列长ERA5从1940年就有而且变量齐全不仅有地表下行短波辐射还有云量、气溶胶、温湿度这些配套变量。缺点是它的辐射值在部分区域和实测站点对比偏差可能达到10%-20%特别是复杂地形区。第三种是气象站观测插值。这种数据站点密集的地区精度很好但站点稀疏区域误差很大。全球范围内做逐月辐射插值效果不如卫星和再分析数据。基于1981这个起点这套数据大概率是卫星反演和再分析资料融合的产物或者是利用长时间序列的卫星数据如ISCCP、CLARA等加工而成。2.2 空间插值与格网化处理逻辑不管是哪种原始来源最终落到GIS里作为栅格数据都需要经过空间插值或格网化处理。这一步处理方式不同直接影响产品精度。常见的格网化方法有克里金插值、反距离权重插值、样条插值等。克里金插值考虑了空间自相关性能给出预测方差精度相对较高反距离权重简单粗暴适合快速出图样条法做出来的表面平滑度好但容易过度插值出现“牛眼”现象。如果这套数据是全球尺度的通常会用克里金或者基于地形辅助的多元回归插值方法。这里有一个关键参数插值时的搜索半径和像元大小。像元大小决定了数据的空间分辨率常见的有0.05°、0.1°、0.25°、0.5°和1公里等。如果是1km分辨率全球范围的数据量会非常大文件体积可能几十个GB如果是0.25°或0.5°文件就小很多。选择时得根据你研究区的尺度来做全球尺度分析用0.5°够了做省级或市级尺度最好用0.05°或1km的数据。另一个容易被忽略的点是海岸线和岛屿的处理。全球栅格数据的陆地和海洋交界处经常会出现异常值。有些数据产品使用了掩膜处理陆地上的像元和海洋分开处理。如果你拿到的数据海洋区域是NoData做分析时需要注意别把海洋当成零值处理。2.3 文件组织方式与格式规范这套数据的组织方式常见有两种结构。第一种是“一变量多文件”结构。每个月一个GeoTIFF文件命名一般带有年份和月份信息比如“solar_radiation_198101.tif”“solar_radiation_198102.tif”这种。这种结构最大的好处是单文件读取快处理某一个具体月份时不用加载全部数据。第二种是“单文件多时相”结构。所有的月份打包在一个NetCDF文件中有三个维度经度、纬度、时间。这种结构适合做时间序列分析可以用Python的xarray库直接切片提取任意时间段、任意空间范围的数据不需要循环读取几百个文件。两种结构各有利弊。我自己的习惯是如果数据本身是GeoTIFF序列就用ArcGIS的栅格目录或者QGIS的分组图层来管理如果是NetCDF就用xarray读取需要做空间分析时再导出一个或几个特定时间层的TIFF。3. GIS实操从拿到数据到产出可用分析图层的完整流程3.1 环境准备与工具箱选择处理这套数据你需要的软件环境其实很简单。我日常用的一套组合是ArcGIS Pro或者QGIS做常规的显示、裁剪、制图Python主要是rasterio、xarray、numpy做批量数据处理和统计分析。如果你电脑配置一般建议优先用QGIS启动速度快内存占用相对小。处理492个栅格文件时QGIS的栅格计算器、批量裁剪工具比ArcGIS更轻量。如果是做严格的科学分析Python是主力GIS软件更多用来做结果的可视化出图。另外一个好用的工具是GDAL命令行。GDAL是整个栅格数据处理的底层引擎ArcGIS和QGIS底层都依赖它。用它做批量裁剪、重投影、格式转换比GUI操作快一个数量级。比如批量裁剪一条循环命令就能处理几百个文件完全不需要在软件里一个个点。3.2 数据加载与质量检查的完整流程拿到数据后我的习惯是先做一轮数据体检。具体流程如下先用GIS软件打开一个文件查看它的像元类型、分辨率、坐标系统、有效值范围。太阳辐射数据的单位可能是W/m²月平均通量密度、kWh/m²/day每日平均辐射量或MJ/m²/month逐月累积辐射量一定要先确认清楚否则后面的计算全错。检查像元类型如果是浮点型说明数据经过了连续化处理可以做精确的运算如果是整型可能做了缩放或取整需要查看文档确认缩放因子。然后做时间序列的可视化检查。在ArcGIS Pro里可以用“多维数据”工具直接加载NetCDF一键播放时间滑块看41年的栅格序列动画粗查有没有异常时相。如果是GeoTIFF序列可以用QGIS的时间管理器插件快速做同样的事。数值异常检查可以用栅格统计工具查看每年的全球均值、最大值、最小值。正常情况下全球平均地表太阳辐射月均值在150-300 W/m²左右冬夏会有明显波动。如果哪个月的平均值突然低了20%那多半是那个月的数据有问题需要进一步检查。3.3 坐标系、投影与裁剪的关键操作这些全球数据原始坐标系一般是WGS84地理坐标系单位是度。做全球或大区域分析时用地理坐标没问题但做省级、市级或者小流域研究时必须要投影转换。这里有一个经验值在纬度60°以内的区域1°经度约等于111公里乘纬度的余弦值。你在中纬度地区做面积统计如果直接用经纬度坐标计算出来的面积可能偏差10%以上。因此做面积统计前应用适合研究区的等积投影。比如做全国尺度的分析常用Albers等积圆锥投影中央经线105°E标准纬线25°N和47°N做省级用兰伯特等角圆锥投影做极地研究用极球面投影。裁剪操作上有一个细节用矢量边界裁剪栅格时注意选对工具。ArcGIS里“按掩膜提取”和“裁剪栅格”效果类似但处理方式不同按掩膜提取会读取矢量边界的每个像元裁剪栅格直接在栅格范围上切速度更快。如果边界复杂、范围大建议先用矢量边界做范围裁剪再做掩膜提取。另外裁剪后检查一下边界像元。由于栅格化时的误差边界处偶尔会出现一圈无值或者比周边明显偏低的值这叫做“边界效应”。处理办法是在裁剪后做一次3x3邻域统计或者用缓冲区和掩膜重新提取一次。3.4 单位换算、异常值处理与批处理操作拿到数据后第一步操作通常是单位统一。比如数据单位是W/m²月均通量密度但你要做太阳能资源评估需要换算成kWh/m²/month月总辐射量。换算公式如下月总辐射kWh/m²/month 月均通量密度W/m²× 当月天数天× 24小时/ 1000这里有个隐藏的坑月均通量密度是时间平均不是累积量。如果直接拿W/m²的数字相加再乘以24结果会偏大。正确做法是先把日平均通量乘以24得到日总辐射再乘以当月天数得到月总量。我在刚接触太阳辐射数据时就在这个细节上吃过亏算出来的月总辐射比气象站实测高了一倍不止。异常值处理方面全球栅格产品虽然经过质量控制但仍可能存在少数异常像元。常见的异常包括辐射值为负值、辐射值超过物理上限、海洋区域出现非零值、大范围连续NoData。处理原则是负值直接设为NoData超过物理上限的可能是云检测失败建议用邻域中值替代海洋区域按数据文档说明处理。批量操作是这套数据的核心需求。492个文件手动在GIS里操作能累死人。我提供一个Python思路用rasterio实现批量单位换算和裁剪几分钟就能跑完import rasterio import numpy as np import glob from rasterio.transform import from_bounds import fiona # 1. 定义换算系数和输出目录 input_files glob.glob(E:/solar_radiation/raw/*.tif) output_dir E:/solar_radiation/processed/ shp_path E:/study_area.shp # 2. 循环处理每个文件 for fp in input_files: with rasterio.open(fp) as src: data src.read(1).astype(np.float32) # 处理异常值负值设为NoData data[data 0] np.nan profile src.profile.copy() # 3. 单位换算W/m² - kWh/m²/month # 假设数据是月均通量密度月份可以从文件名提取 month int(fp.split(_)[-1][4:6]) days_in_month [31, 28, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31][month-1] data data * 24 * days_in_month / 1000.0 # 4. 用矢量边界裁剪 import geopandas as gpd gdf gpd.read_file(shp_path) # 这里简化处理实际需要用 rasterio.mask.mask 进行裁剪 # 5. 写出TIFF文件 with rasterio.open(output_dir fp.split(/)[-1], w, **profile) as dst: dst.write(data, 1)这段代码只是抛砖引玉实际使用中要加上投影转换、掩膜裁剪等步骤。4. 应用场景与空间分析实操4.1 太阳能资源长期评估与选区太阳能资源评估是这套数据最直接的落点。你要在一个省或者一个国家范围内选光伏电站选址需要回答这么几个问题哪里年总辐射量最高哪里的季节性波动最小哪些区域的辐射趋势在长期下降用逐月数据做这事可以分三步走。第一步用栅格计算器把12个月的数据累加成年均值得到年平均辐射分布图。第二步用逐月数据计算变异系数标准差除以平均值这个指标能直观反应辐射稳定性。第三步把年均辐射高、变异系数低、坡度适宜、土地类型允许的区域叠加起来就是光伏选址的初筛范围。累加的时候有个小技巧不同月份天数不一样2月只有28天7月有31天如果直接累加W/m²月均值2月会系统性偏低。正确做法是先换算成月总量再加总。这也是为什么我前面强调先做单位换算。4.2 逐月趋势分析与气象应用41年的逐月序列用来做趋势分析再好不过。你可以用Mann-Kendall趋势检验非参数方法不需要数据服从正态分布配合Sens斜率估计逐像元计算辐射变化的趋势方向和速率。这个方法在气候诊断中非常常用。实际操作中把492个月的栅格数据按像元提取时间序列计算量非常大。一个0.25°分辨率的全球数据约100万个像元每个像元一个时间序列用纯Python跑会非常慢。建议用xarray直接处理NetCDF利用它的向量化计算能力几分钟就能跑完全球趋势分析import xarray as xr import numpy as np # 1. 读取NetCDF数据 ds xr.open_dataset(solar_radiation_1981_2021.nc) rad ds[solar_radiation] # 维度: (time, lat, lon) # 2. 计算逐像元的线性趋势用numpy的polyfit from scipy import stats # 用apply_ufunc进行逐像元回归 def trend_analysis(x, y): slope, intercept, r_value, p_value, std_err stats.linregress(x, y) return slope # 构造时间序列 time_idx np.arange(492) # 逐像元计算趋势系数 trend xr.apply_ufunc( lambda ts: np.polyfit(time_idx, ts, 1)[0], rad, vectorizeTrue, daskparallelized, output_dtypes[np.float32] )把趋势系数乘上41年就能知道每个像元41年累计变化了多少辐射量。4.3 与其他空间数据的叠加分析这套逐月辐射数据和很多要素都有联动关系。做农业光能资源分析时可以叠加作物种植区分布数据计算每个农业区的光能生产潜力用光合有效辐射PAR一般按太阳总辐射的45%-50%估算。做建筑能耗研究时可以叠加城市建成区范围评估不同城市屋顶光伏的发电潜力。叠加分析时需要注意分辨率的匹配。太阳辐射数据分辨率可能是0.1°约10km但你研究的对象是村级或者用地斑块级别需要把辐射数据重采样到更高分辨率。重采样方法选择有讲究最邻近法速度快但灰度失真双线性插值平滑但可能过度平滑掉真实细节三次卷积最平滑但计算量大。我一般推荐双线性插值兼顾精度和效率。做核密度分析也是个热门方向。比如你想分析一个区域内太阳能资源的空间集聚特征可以把年均辐射栅格转成点数据再做核密度分析。但这个应用场景比较有限因为太阳辐射本身空间连续性很强核密度分析更适合分析离散事件如灾害点、POI点做辐射的空间连续性分析意义不大。用它做建筑屋顶光伏需求的POI热点分析倒是不错。4.4 数据可视化与制图输出数据处理的最后一步往往是出图。41年逐月数据的可视化有几条路可以走。一是月平均气候态图。把41年同一月份的数据平均得到12张月平均辐射分布图拼成一张2x6或3x4的图版一眼就能看出全球辐射分布的季节迁移北半球1月辐射低、南半球1月辐射高夏季高纬地区辐射显著增强等。二是距平图。逐月减多年平均得到距平数据遇到极端事件如大型火山喷发后全球辐射下降距平图会显示大范围的负异常。1991年皮纳图博火山喷发后1992-1993年全球辐射明显下降这是太阳辐射数据序列里的标志性事件如果你手里的数据这段时间没有体现出异常反而要怀疑数据的质量。三是趋势图。41年辐射变化趋势的空间分布图用冷暖色系表示上升和下降。能直观看出哪些区域辐射在增强比如欧洲、东亚部分区域哪些区域在减弱比如南亚部分地区。这类图在气候评估报告中非常常见。5. 常见问题与排查技巧实录5.1 常见问题速查表问题现象可能原因排查与解决办法辐射值普遍偏大/偏小单位理解错误未区分通量密度与累积量确认数据说明按公式换算通量密度×时间累积量某个月份全球出现大面积异常值原数据缺失或反演失败该月数据质量差用相邻年份同月数据插补或在分析中剔除该时相海洋区域出现很大的非零值数据未做海洋掩膜或掩膜精度不足用海洋矢量边界做掩膜提取把海洋设为NoData裁剪后边界出现一圈异常细线栅格化时边界像元混合了多个类别扩大裁剪边界后再用掩膜精确提取趋势分析结果出现明显的条带状伪影数据在纬度方向有插值痕迹或不同纬度带数据源不同检查数据生产文档做纬度带分层统计验证投影转换后面积统计明显偏大使用了地理坐标系直接计算面积统一转换到等积投影如Albers后重新计算时间序列在某个年份出现台阶式突变可能数据源切换或传感器更换对比同期的其他数据集如ERA5、FLUXNET站点确认真实信号还是数据问题5.2 我踩过的坑和避坑建议这里分享几个自己处理这套数据时的教训。第一个坑是单位换算。前面提过的通量密度和累积量的问题我用自己的代码跑完结果比实测值高了一倍多排查了很久才发现是单位理解错了。大家拿到数据后第一件事就是要找到数据说明文档确认单位到底是哪个。如果是NetCDF格式单位信息通常写在变量的units属性里用Python直接打印attributes就能看到。第二个坑是NoData值的处理。有些全球产品用-9999表示NoData有些用0有些用NaN。如果你在ArcGIS里直接做栅格计算NoData值可能会被当成普通值参与运算输出结果里就会出现大面积的负值或异常高值。处理方法是任何操作之前先把NoData值统一ArcGIS里可以在环境设置里勾选“将NoData处理为缺失值”的选项。第三个坑是分辨率不匹配导致的伪变化。我做西南地区的辐射变化趋势分析时发现高海拔山区趋势特别显著一开始以为是真实信号后来发现是数据在那个区域的空间分辨率太粗把山谷和山脊混在了一个像元里产生了很多空间上的假变异。解决的办法很简单把分析尺度提升到数据分辨率以上不要拿10km的数据去做1km尺度的结论。第四个坑是时间匹配问题。太阳辐射的季节性强做距平分析时必须严格用同一月份的平均值做基准。比如1月的距平应该减1月的多年平均而不是减全年平均。逐月序列数据把这个要求变得很自然但如果你半路接手别人的数据一定要先确认基准期是什么不同人处理的偏差可以差出不少。5.3 数据质量验证的私人心得不管是做研究还是做项目我拿到数据后都会抽几个点做独立验证。推荐两个交叉验证的数据源一个是BSRN基准地表辐射观测网全球几十个站点观测精度最高是辐射产品的“金标准”。一个是FLUXNET通量塔网虽然主要是通量观测但也有配套的辐射观测。拿本站点的实测数据与栅格数据做逐月的散点对比可以算出相关系数和均方根误差。这些站点多分布在欧洲和北美能覆盖到的区域有限但至少能帮你了解数据的精度范围。另外如果你的时间序列够长还可以做一个“年际一致性检查”把所有12个月的多年平均值加起来和那个位置实测站的多年年均辐射值对比。一个站点一个站点地看能发现系统性的空间偏移。6. 这套数据的长期价值与后续扩展这类长时间序列的GIS空间数据单次使用只是发挥了一小部分价值。如果把它存好、建好索引、做好文档它可以成为团队里的一个常青数据资产。我自己的做法是把492个GeoTIFF文件整理到一个标准的目录结构里用Python脚本建一个索引表记录每个文件对应的时间、变量、单位、分辨率、坐标系等信息再配合一个简单的读取函数后续的项目拿过来就能用。这个习惯帮我省了很多重复劳动。后续还可以考虑把数据发布成一个简单的Web服务用GeoServer或者MapServer把栅格数据切成地图切片做一个公开的太阳辐射历史查询页面。用户点选任意位置自动拉出该位置1981-2021年逐月辐射的曲线和统计值这样的工具对很多非专业的决策者非常友好。这个方向做起来并不复杂核心数据质量过关剩下就是技术实现了。这套数据如果配合未来几年的更新2022、2023、2024...时间序列会越来越长气候变化背景下太阳辐射的变化趋势也会越来越清晰。对做气候适应、可再生能源规划、农业结构调整的同行来说它是一个需要持续关注和更新的数据宝藏。我现在手头有好几个项目都在跑这套数据后面有新发现再给大家分享。本文还有配套的精品资源点击获取