之前我们分享过1951-2024年我国逐日\逐月\逐年降水率栅格数据。该数据源于国家青藏高原科学数据中心分享的1951-2024年中国逐3小时\逐日\逐月\逐年多指标气象数据。另外太原炒股配资，我们基于此栅格数据按照行政区划取平均值，得到了Shp和Excel格式的1951-2024年我国省市县三级逐日、逐月和逐年降水率数据（均可查看之前的文章获悉详情）。很多小伙伴拿到数据后反馈是否可以处理出乡镇级的逐日、逐月和逐年降水率数据！
我们特地对上述1951-2024年的逐日、逐月、逐年降水率栅格进行了处理，依据乡镇（街道）边界，进行了边界内求平均数处理得到了本次分享的数据——Shp和Excel格式的我国乡镇的1951-2024年逐日、逐月、逐年降水率数据！数据单位为kg m-2 s-1。
该数据只对立方数据学社会员开放，在本公众号后台回复关键词 会员 可得到会员规则和办理方式。对于已经是会员的同学，请向会员客服发放关键词 372A 获取该数据。以下为数据的详细介绍：
01 数据预览
我国乡镇的1951-2024年降水率数据提供Excel和Shp两种格式的数据。逐日、逐月和逐年数据分开储存，分别保存为对应的Excel和Shp文件。
展开剩余87%我们以乡镇级的逐日降水率数据为例进行预览，首先是Excel格式的数据，1951-2024年的逐日降水率数据按照年份进行汇总，每个Excel文件中的数据字段包括省份名称、城市名称、区县名称、乡镇名称、完整名称和各乡镇逐日降水率数据。
2024年各乡镇逐日降水率数据（Excel格式）
接下来是Shp格式的数据，1951-2024年的乡镇层级的逐日降水率数据同样按照年份进行汇总，属性表的字段和Excel相同。我们具体以2024年7月1日各乡镇的降水率数据为例进行预览：
2024年7月1日的全国各乡镇逐日降水率数据（Excel格式）
02 数据详情
数据来源：
原始数据集由来自清华大学地球系统科学系阳坤教授课题组研究完成，并于2020年1月21日发表在《Scientific Data》期刊上，论文题目为《The first high-resolution meteorological forcing dataset for land process studies over China》。该篇论文发布了过去十年间阳坤团队开发的一套服务于陆面、水文、生态等地表过程模型的中国高时空分辨率气象数据集。该套数据是通过将地面原位站点观测数据与遥感产品和再分析数据集的几个融合而成，因其2.0版本（CMFD 2.0）融合了欧洲中期天气预报中心ERA5再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的ISCCP-ITP-CNN和TPHiPr数据产品，其数据精度较CMFD的上一代产品有显著提升。目前该数据集已在National Tibetan Plateau / Third Pole Environment Data Center平台更新至2024年。
行政区划数据来源：
该数据的处理使用到了乡镇行政区划数据，该数据较难获取，我们综合对比后，采用的“学研录”公众号分享的乡镇边界数据！需要说明的是：乡镇行政边界数据没有官方来源，因此本数据的精度有待考量，可能会存在错误，大家在使用的时候自行判断和调整！
数据处理说明：
基于1951年-2024年逐日、逐月和逐年降水率栅格数据，依据上述乡镇行政边界数据，分别对每个乡镇（街道）的逐日、逐月和逐年降水率栅格进行了求平均值处理，最终得到了全国乡镇（街道）的逐日、逐月和逐年降水率数据。
数据单位：
kg m-2 s-1
数据格式：
Shp和Excel格式
时间范围：
1951年-2024年（逐日、逐月和逐年）
空间范围：
全国乡镇
数据引用：
He, J., Yang, K., Li, X., Tang, W., Shao, C., Jiang, Y., Ding, B. (2024). China meteorological forcing dataset v2.0 (1951-2024). National Tibetan Plateau / Third Pole Environment Data Center. https://doi.org/10.11888/Atmos.tpdc.302088. https://cstr.cn/18406.11.Atmos.tpdc.302088.
论文引用：
1、He, J., Yang, K., Tang, W., Lu, H., Qin, J., Chen, Y. Y., & Li, X. (2020). The first high-resolution meteorological forcing dataset for land process studies over China. Scientific Data, 7(1), 25. https://doi.org/10.1038/s41597-020-0369-y
2、Tang, W., Yang, K., Qin, J., Li, X., & Niu, X. (2019). A 16-year dataset (2000–2015) of high-resolution (3h, 10km) global surface solar radiation. Earth Syst. Sci. Data, 11, 1905–1915, https://doi.org/10.5194/essd-11-1905-2019.
3、Jiang, Y., Yang, K., Qi, Y., Zhou, X., He, J., Lu, H., Li, X., Chen, Y., Li, X.D., Zhou, B., Mamtimin, A., Shao, C., Ma, X., Tian, J., & Zhou, J. (2023). TPHiPr: a long-term (1979–2020) high-accuracy precipitation dataset (1/30◦, daily) for the Third Pole region based on high-resolution atmospheric modeling and dense observations. Earth Syst. Sci. Data 15, 621–638. https://doi.org/10.5194/essd-15-621-2023
4、Shao, C., Yang, K., Tang, W., He, Y., Jiang, Y., Lu, H., Fu, H., & Zheng, J. (2022). Convolutional neural network-based homogenization for constructing a long-term global surface solar radiation dataset. Renewable and Sustainable Energy Reviews, 169(September), 112952. DOI: 10.1016/j.rser.2022.112952
如有数据使用需求请按照官方平台的要求进行引用，更多数据详情可以查看官网获悉！
03 数据获取
发布于：比利时热丰网配资提示：文章来自网络，不代表本站观点。
