目录
简介
数据
代码解释
代码
结果
简介
GEE训练教程——ECMWF/ERA5_LAND/DAILY_AGGR数据的地表温度的时序分析
数据
ECMWF/ERA5_LAND/DAILY_AGGR数据集是由欧洲中期天气预报中心（ECMWF）提供的地表分辨率为9 km的ERA5_LAND数据集的一部分。
该数据集包含了多个地球观测变量，包括但不限于温度、降水、风速、相对湿度、植被指数等。这些变量在每天的分辨率下提供了全球范围的数据。
数据集中的每个像元代表了特定时间段（通常是一天）内该地区的平均观测值。它们是基于多个数据源的模型分析和观测数据进行插值计算得出的。
对于每个地球观测变量，数据集提供了相应的时间序列，允许用户进行时间序列分析和研究。
ECMWF/ERA5_LAND/DAILY_AGGR数据集是公开可用的，并在Google Earth Engine平台上提供了方便的访问和使用。可以通过使用EE的API来访问和处理这些数据，并进行各种地理分析和可视化。
代码解释
这段代码使用Google Earth Engine平台进行地理数据处理和可视化。下面是代码的解释：
1. 创建了一个几何点对象geometry，该点的经纬度为[-3.5742187499999867, 39.90973623453719]。
2. 使用FAO/GAUL_SIMPLIFIED_500m/2015/level0数据集，过滤出包含上述几何点的区域roi，并将该区域添加到地图中。
3. 使用ECMWF/ERA5_LAND/DAILY_AGGR数据集，选择了温度变量temperature_2m，并进行了一系列筛选条件：选择2015年到2018年的数据，以及3月到6月的数据。然后对每个图像进行了处理，将温度转换为摄氏度，并添加了一些属性。最后打印出符合特定条件的图像。
4. 使用ui.Chart.image.doySeriesByYear函数，根据每年的天数（doy）对温度数据进行了时间序列可视化，并计算了每天的平均温度和每年的平均温度，并在指定的区域roi上绘制了图表。
5. 类似地，对降雪融化数据进行了类似的处理和可视化，使用的变量是snowmelt_sum。
6. 最后打印出了降雪融化数据集的信息。
这段代码的目的是分析特定区域的温度和降雪融化情况，并在地图上进行可视化。
代码
var geometry = /* color: #d63000 */ee.Geometry.Point([-3.5742187499999867, 39.90973623453719]);var roi = ee.FeatureCollection("FAO/GAUL_SIMPLIFIED_500m/2015/level0")
.filterBounds(geometry)Map.centerObject(roi)
Map.addLayer(roi)var temp = ee.ImageCollection("ECMWF/ERA5_LAND/DAILY_AGGR")
.select('temperature_2m')
.filterDate('2015', '2018')
.filter(ee.Filter.calendarRange(3,6,'month'))
.map(function(img){var date = img.date()var acqu = date.format('YYYY-MM-dd')var doy = date.getRelative('day', 'year').add(1)return img.subtract(273.15).copyProperties(img, img.propertyNames()).set('date', acqu).set('doy', doy)})print(temp.filter(ee.Filter.calendarRange(2016, 2016, 'year'))
.filter(ee.Filter.eq('doy',118))) print(ui.Chart.image.doySeriesByYear(temp, 'temperature_2m', roi,ee.Reducer.mean(), 10000, ee.Reducer.mean(), 1, 365))var snowmelt = ee.ImageCollection("ECMWF/ERA5_LAND/DAILY_AGGR")
.select('snowmelt_sum')
.filterDate('2015','2018')
.filter(ee.Filter.calendarRange(3, 6, 'month'))
.map(function(img){var date = img.date()var acqu = date.format('YYYY-MM-dd')var doy = date.getRelative('day', 'year').add(1)return img.copyProperties(img, img.propertyNames()).set('date', acqu).set('doy', doy)})print(ui.Chart.image.doySeriesByYear(snowmelt, 'snowmelt_sum', roi, ee.Reducer.mean(),10000, ee.Reducer.mean(), 1, 365))print(snowmelt)结果
