简介全球陆面数据同化系统GLDAS是NASA推出的陆地水循环再分析数据集融合卫星遥感、地面观测与陆面过程模型为土壤湿度、雪水当量、冠层蓄水等关键变量提供连续时空覆盖。该数据免费公开支持多分辨率与多模型输出已成为区域水文研究、干旱监测及地下水替代分析的重要基础设施。在实际工程中处理GLDAS往往涉及NetCDF格式解析、坐标方向检查、单位换算与区域裁剪等环节尤其是土壤水分单位kg/m²与等效水深mm之间的关系直接影响水储量计算结果。通过Python批量读取与栅格重采样可高效提取流域尺度水储量变化序列并进一步与GRACE重力卫星的陆地水储量异常进行交叉验证为理解水文过程提供数据支撑。本文围绕GLDAS数据获取、预处理及水储量计算展开完整梳理从原始数据到可分析时间序列的技术路线。 GLDAS这套数据说白了就是NASA搞的一套全球陆地数据同化产品把卫星遥感、地面观测和陆面过程模型揉在一起输出一套连续、时空一致的陆地水循环变量。做水储量研究的人尤其是搞区域尺度水文、干旱监测和地下水替代研究的基本都绕不开它。几个月前我帮同事处理一批GLDAS.zip数据踩了不少坑也把从下载、解压、单位换算到计算水储量的整套流程重新捋了一遍今天干脆把这些经验完整写下来。这套数据好在哪一是免费公开分辨率覆盖1°和0.25°时间能回溯到1948年二是有多个陆面模型输出NOAH、CLM、VIC、MOSAIC你想对比模型不确定性也有素材。最关键的是变量里有土壤湿度、雪水当量、冠层水储量这些直接是水储量变化的组成部分能用来和GRACE重力卫星的陆地水储量异常做交叉验证。如果你是刚接触GLDAS的研究生或者是从GRACE数据处理转过来想补充陆地变量的人这篇文章应该能帮你少走很多弯路。1. GLDAS数据整体认知为什么它成了水储量研究的标配1.1 GLDAS到底是什么能用来做什么GLDAS的全称是Global Land Data Assimilation System全球陆面数据同化系统。它做的事情可以用一句话概括把所有能获取的陆地水循环观测信息都塞进陆面过程模型让模型输出的状态变量尽可能接近真实。你可以把GLDAS理解成一个重新分析的数据集类似气象里的ERA5只不过它重点模拟的是土壤、积雪、蒸散发这些陆地过程而不是大气环流。它输出的变量很多常见的包括地表和土壤各层体积含水量Soil Moisture、雪水当量Snow Water Equivalent、冠层蓄水量Canopy Water Storage、蒸散发Evapotranspiration、径流Runoff、地表和土壤温度Temperature等。这些变量说起来复杂实际落地就是一个个NetCDF文件里面带单位的多维数组。对做水储量的人来说GLDAS最大的价值在于它能给出陆地水储量中除了地下水以外的几个关键分量。GRACE卫星测得的是陆地总水储量异常包含土壤水、雪水、地表水和地下水变化。GLDAS虽然不含地下水但它能提供土壤水和雪水的部分所以在GRACE数据处理里大家常用模型输出做尺度校正或者扣除某些分量。反过来如果没有GRACE数据但只有GLDAS你也能用GLDAS单独看某个区域土壤水和雪水储量的相对变化这在干旱监测里非常实用。1.2 版本与产品怎么选GLDAS-2.1与GLDAS-2.2的取舍GLDAS现在主流的分两代。第一代GLDAS-1有1°分辨率时间范围从1979年到当前近实时产品包括NOAH、CLM、VIC和MOSAIC四个模型。第二代GLDAS-2又分了两套GLDAS-2.0是纯水文模拟从1948年到2014年没有同化气象观测GLDAS-2.1从2000年到现在同化了大量观测数据表现更接近真实也是目前用得最多的。我个人的经验是做现代水文分析和水储量变化研究首选GLDAS-2.1的NOAH模型0.25°产品。原因很简单2.1版本同化信息更丰富0.25°空间细节比1°强很多尤其在流域尺度上能看出空间差异。如果研究历史长序列、要看几十年的变化趋势那GLDAS-2.0的1948年起点就很有价值但由于它没同化观测单年数值精度不如2.1。在看数据的时候需要注意GLDAS-2.1里面0.25°和1°两个分辨率的产品都存在。经常有人下载的时候没注意混用了两个分辨率还浑然不觉。0.25°文件在变量名和维度上通常更细存储量也大不少。我的建议是如果电脑配置允许而且研究的不是全球尺度就直接用0.25°后面做流域平均时空间代表性更好。1.3 空间分辨率与时间尺度的选择思路GLDAS数据的时间分辨率有3小时、6小时、日、月等几种。做水储量变化研究月尺度是最常用的因为水储量本身季节性强月均值可以滤掉不少日内高频噪声。3小时产品一般用来驱动模型或分析极端降水事件日常水储量分析用不上。空间上做全球尺度的分析选高分辨率没太大必要1°全球范围能省不少内存和处理时间。但如果做某个流域比如长江上游、华北平原、美国中部大平原0.25°和1°的差别就很明显——0.25°能看到更细致的土壤水空间分布1°则会把河谷和山坡平均成一个值细节丢失严重。我自己的经验是先用0.25°数据做分析如果后续要跟粗分辨率GRACE做对比再把GLDAS重采样到GRACE的1°或0.5°网格。重采样的过程其实也是一种空间滤波能减少尺度不匹配带来的误差。这个思路在下面实操部分还会细讲。2. GLDAS数据格式与单位深度解析别让单位坑了你2.1 NetCDF文件结构与变量命名规则GLDAS数据在21世纪以后基本都是NetCDF格式少数旧版本是二进制或GRIB。NetCDF格式的好处是自描述性强你打开文件就能看到每个变量的名字、单位、维度、坐标轴信息不需要额外查说明书。每个GLDAS的NetCDF文件通常包含lat、lon、time或是time向量、然后就是一堆2D或3D变量。维度顺序一般是time在最前然后是lat和lon。注意这里有个非常容易踩的坑GLDAS的纬度方向是从北到南还是从南到北不同时期产品并不完全一致有的lon从-180到180有的从0到360。你第一次画图如果发现图像上下颠倒或者左右错位别急着改图先去查一下文件的坐标范围。变量命名看着复杂其实比较规律。土壤湿度通常叫SoilMoi0_10cm_inst、SoilMoi10_40cm_inst、SoilMoi40_100cm_inst、SoilMoi100_200cm_inst。如果你用的是NOAH模型这些名字基本就是固定写法。雪水当量叫SWE_inst冠层水叫CanopInt_inst。后面带不带_inst取决于数据是瞬时值还是平均通量inst是instantaneous表示该时刻的瞬时状态。2.2 核心变量单位与物理含义GLDAS变量的单位在NetCDF文件里通常有标准属性但中文资料里经常把它搞混这里一定要搞清楚。土壤湿度SoilMoi的各层单位是kg/m²这个单位在数值上等于等效水深毫米mm。为什么因为水的密度是1000 kg/m³如果1平方米面积上、某一层土壤含水相当于水柱高度 h 毫米那么水分质量为 0.001 h m × 1 m² × 1000 kg/m³ h kg正好1 kg/m²对应1 mm。所以GLDAS输出的土壤湿度从单位看是kg/m²你完全可以当成等效水深mm来读数。雪水当量SWE_inst单位也是kg/m²同样等效于mm水深。冠层水CanopInt_inst单位是kg/m²也按同样方式理解。这个单位统一性对后面计算水储量太重要了——你想叠加土壤水、雪水和冠层水直接做加法就行不需要额外换算。温度变量比如土壤温度SoilTemp_inst单位是K蒸散发变量单位则是W/m²或kg/(m²·s)这都是通量类的算累计量时需要乘以时间步长。我们做水储量变化只用状态变量不涉及蒸散发单位转换但如果你之后想算水平衡闭合度就要仔细处理这些通量单位。2.3 单位换算实操从kg/m²到mm水深的秘密前面说了kg/m²和mm水深数值相同但很多同学看到NetCDF里soil moisture的单位写着kg/m²还是忍不住怀疑担心是不是要除以土壤密度或者乘以某层厚度。这里我直接从定义再推一遍保证你踏实层内含水量对应等效水深 hmm。某层土壤含水量体积分数为 θ无量纲层厚度为 Dmm那等效水深就是 θ × D。GLDAS输出的SoilMoi就是 θ × D 的积分结果单位按kg/m²标。因为水的密度是1000 kg/m³把等效水深mm换算到质量除以面积时1 mm水深 1 kg/m²。所以两者刚好数值相等。实际操作里我从来不做任何单位除法直接读出来的SoilMoi值就按mm算用累加来做土壤剖面总含水量。比如NOAH模型常见的四层土壤深度范围是0-10、10-40、40-100、100-200 cm四层含水量相加就得到0-200 cm土壤剖面总含水量单位是mm。这个数据再和SWE相加就是考虑了土壤和积雪的地表水储量。有一个小提醒有些旧版数据或转换工具可能输出的是体积含水量m³/m³这种就没法和雪水当量直接相加了。判断方法很简单看值的范围如果是体积含水量数值一般0到0.6之间如果是kg/m²或mm常见数值在10到500之间。看到数值范围不对要先追查Data变量单位别硬算。2.4 数据缺失值与有效范围的识别GLDAS的NetCDF里一般没有NaN但个别区域、个别时间可能出现填充值。填充值通常是一个特别大的负数比如-9999或者明显超出物理范围的数值。你不处理它后面求区域平均或画图时会得到一片诡异的黑色或极大值。我的习惯是打开文件后先看一眼变量的min和max。如果min是-9999或者比-100还小的数值说明有填充值需要先用掩膜处理。netCDF4库里读取时可以用variable[:].data把填充值替换成numpy.nan然后再算统计量。判断完填充值后还要看有效范围比如土壤水分不可能为负如果出现负值大概率是数据噪声区域统计时建议把它mask掉。3. GLDAS数据获取与预处理实操从下载到能用数据3.1 下载前的准备账号、数据订购与批量下载GLDAS数据在NASA的Earthdata平台下载地址是earthdata.nasa.gov。首次使用必须注册账号整个过程跟着邮箱确认走就行不需要审批。注册登录后会跳到GES DISC这是戈达德地球科学数据与信息服务中心GLDAS数据主要在这托管。下载路径上有两种选择网页手动点选或者用脚本批量下载。手动下载适合临时拿几个时间片试试做研究要一整段时间序列建议直接用脚本。GES DISC支持HTTPS链接获得下载链接列表后用wget或curl加认证信息就行。我用的是GES DISC提供的批量下载txt文件里面每一行是一个文件的完整URL。然后写一个for循环逐行用wget下载记住加--user和--password参数。一个重要的经验加个限速或断点续传参数。NASA服务器在高峰期经常断流wget的-c参数能断点续传--tries5能自动重试。我下载两年逐月数据大概40多个文件高峰期遇到过3次中断有了-c参数一次跑完没再回头补数据。3.2 解压GLDAS.zip后文件命名与时间序列的匹配下载下来的文件通常长这个样子GLDAS_NOAH025_M.A200001.021.CSL07.20220301.tar.gz GLDAS_NOAH025_M.A200002.021.CSL07.20220301.tar.gz其中A200001代表2000年1月021代表GLDAS-2.1版本后面是模型和发布时间戳。这些是月度文件每个文件内部解压出来一般是一个NetCDF。如果你下载的是3小时产品文件名里会出现A2000010100之类的字样也就是2000年1月1日00时。解压命令很简单tar -xzf GLDAS_NOAH025_M.A200001.021.CSL07.20220301.tar.gz解压完记得检查文件大小有些NetCDF压缩后只有几MB但解压出来有几十MB。把这个过程重复40次以后你会意识到批量脚本的必要性——手动解压40个文件虽然不累但浪费时间还容易漏。我建议把解压和重命名写成一个bash循环逐个解压后按照年份月份规律放到一个统一目录。这样后面Python读取时会非常方便只需要用glob.glob挨个处理。文件名里其实自带时间信息尽量不要自己重命名成a、b、c这类无意义名称否则处理几十个文件的时候对应关系会乱成一团。3.3 区域裁剪与时间聚合一整套Python处理逻辑处理GLDAS最频繁的需求是提取某个经纬度范围、某段时间序列的区域平均值。以下是我常用的一个示例脚本完整展示了打开文件、裁剪、取区域平均、叠加变量、输出CSV的流程import netCDF4 as nc import numpy as np import pandas as pd # 设定研究区域比如中国华北平原附近 lon_min, lon_max 110, 120 lat_min, lat_max 32, 42 file_path GLDAS_NOAH025_M.A200001.021.CSL07.20220301.nc4 ds nc.Dataset(file_path) lons ds.variables[lon][:] lats ds.variables[lat][:] # 找最近格点索引 lon_idx np.where((lons lon_min) (lons lon_max))[0] lat_idx np.where((lats lat_min) (lats lat_max))[0] # 读取各层土壤水和雪水当量 soil_10 ds.variables[SoilMoi0_10cm_inst][:, lat_idx, lon_idx] soil_40 ds.variables[SoilMoi10_40cm_inst][:, lat_idx, lon_idx] soil_100 ds.variables[SoilMoi40_100cm_inst][:, lat_idx, lon_idx] soil_200 ds.variables[SoilMoi100_200cm_inst][:, lat_idx, lon_idx] swe ds.variables[SWE_inst][:, lat_idx, lon_idx] canop ds.variables[CanopInt_inst][:, lat_idx, lon_idx] # 区域平均注意先求时间轴上的平均值再求空间平均 soil_total (soil_10 soil_40 soil_100 soil_200 swe canop).mean(axis(1, 2)) print(f{ds.variables[time].units} - 时间长度 {len(soil_total)}) ds.close()这个脚本读出来的是该文件内所有时间步的剖面水储量。如果是月数据每个文件通常只有一个时间点区域平均后就得到一个数值。把所有月份文件输出拼起来就是时间序列。如果文件是3小时的你可以按日、按月再聚合用pandas的resample就行。3.4 重采样与插值的取舍建议GLDAS自带的空间分辨率是0.25°或1°但有时候做区域分析需要统一到5km、10km网格或者要和GRACE的1°网格对齐。这时就要做重采样方式有两种栅格数据重投影插值或者网格面积权重平均。我自己更推荐对气象水文数据用面积权重平均而不是双线性插值。原因是双线性插值在数值场里会制造人为的平滑和振荡而面积权重平均能保留原始网格的物理量守恒性质。比如把0.25°的GLDAS处理成0.5°用xESMF库是最省事的import xarray as xr import xesmf as xe ds xr.open_dataset(GLDAS_xxx.nc4) ds_out xr.Dataset({ lat: ([lat], np.arange(32, 42, 0.5)), lon: ([lon], np.arange(110, 120, 0.5)), }) regridder xe.Regridder(ds, ds_out, bilinear) ds_regrid regridder(ds)xESMF底层调用ESMF支持很多插值方案其中conservative方案能严格守恒适合通量变量。但对土壤湿度这类状态变量bilinear和conservative差别不大用bilinear就够快够稳。需要注意插值后会生成一些非物理的边界噪声建议在重采样后对覆盖范围再检查一遍max和min防止出现离谱的极值。4. 利用GLDAS计算区域水储量变化一条完整的技术路线4.1 水储量变化的基本公式与变量叠加从GLDAS提取水储量本质就是把陆地水储量中模型能描述的部分都加起来。GLDAS语境下可写的总水储量Terrestrial Water Storage, TWS通常定义为TWS 冠层水 雪水当量 各层土壤水注意这个公式不含地下水也不含河流湖泊的地表水。GLDAS模型有的版本包含简单的河道汇流蓄水量但标准输出里没有单独给出你算的时候也用不到。单位上全部是等效水深mm因此直接加和即可。如果要看水储量变化而不是绝对储量就做去均值化处理即从每个格点的月值减去多年月平均或全序列平均。这样得到的就是Water Storage Anomaly可以和GRACE的结果直接对比。做华北平原这种地下水超采区时会发现GLDAS得到的TWS趋势和GRACE相比明显偏弱因为地下水变化在GLDAS里体现不出来。这个不是数据问题而是物理过程缺失写文章的时候一定要注明。4.2 从GLDAS提取逐月水储量变化序列完整示例把前面裁剪逻辑放到循环里逐月读取所有文件输出一个区域平均水储量时间序列用pandas组织成DataFrameimport glob import pandas as pd import numpy as np file_list sorted(glob.glob(GLDAS_NOAH025_M.A*.nc4)) ts [] for fp in file_list: with nc.Dataset(fp) as ds: # 提取年月 date_str fp.split(.)[1] # A200001 - 200001 date pd.to_datetime(date_str[1:], format%Y%m) # 读取所有分量 soil_10 ds.variables[SoilMoi0_10cm_inst][0, lat_idx, lon_idx] soil_40 ds.variables[SoilMoi10_40cm_inst][0, lat_idx, lon_idx] soil_100 ds.variables[SoilMoi40_100cm_inst][0, lat_idx, lon_idx] soil_200 ds.variables[SoilMoi100_200cm_inst][0, lat_idx, lon_idx] swe ds.variables[SWE_inst][0, lat_idx, lon_idx] canop ds.variables[CanopInt_inst][0, lat_idx, lon_idx] tws (soil_10 soil_40 soil_100 soil_200 swe canop).mean() ts.append({time: date, tws_mm: tws}) df pd.DataFrame(ts).set_index(time) df[tws_anom] df[tws_mm] - df[tws_mm].mean() df.to_csv(tws_anom.csv)整个流程下来数据结构非常干净后面画图、做趋势分析都很顺手。需要注意文件读取时用with自动关闭避免打开过多句柄导致内存泄漏。如果你处理的是几十年的月数据一次读全部文件也没问题NetCDF文件本身还在磁盘Python只是读取需要的切片。4.3 与GRACE/GRACE-FO数据的对比验证得到GLDAS的TWS anomaly后最典型的操作就是和GRACE/GRACE-FO的数据对比。GRACE的分辨率很粗而且输出的是全球0.5°或1°网格的陆地水储量异常。对比前至少要做两步第一步统一空间范围和时间分辨率。GRACE月度数据最好和GLDAS在同一个月平均并且都重采样到1°网格。第二步去掉长期趋势和季节性周期的影响。GRACE数据里已经做了球谐系数解算自带低阶信号GLDAS的异常值在对比时也会去均值化两边都统一口径。实际操作中很多论文直接用相关系数和RMSD来衡量两个数据之间的一致性。在华北、亚马逊、撒哈拉这些地下水变化显著的地区两者差距会比较大。这时候可以看一下GLDAS缺了哪个分量——比如地下水变化如果是主项GRACE会明显大于GLDAS如果是土壤湿度主导比如半干旱草原两个数据的一致性就会很高。这种对比本身就是很好的科学分析。4.4 结果可视化与信号去噪画GLDAS水储量时间序列时建议直接画月值加一个12个月的滑动平均既能看季节循环也能看出年际变化。用matplotlib画两条线就行原始月值用浅色细线滑动平均用深色粗线。这样写论文很直观审稿人一眼能看到趋势。空间图上要选好colormap水储量变化类的变量建议使用BlueWhiteRed类的发散色标中间值设为0。要注意GLDAS数据在极地和高寒区域可能出现较大的雪水当量极端值如果不将色标范围设置合理很多区域会变成一片红色或蓝色信息全丢。我一般用np.percentile把色标上下限设为数据的5%和95%分位数能自动适应大多数区域。5. 常见问题与排查技巧实录5.1 GLDAS读取常见报错与修复方法用netCDF4读GLDAS最常见的报错是File format not recognized或Variable not found。前者大多数是因为文件没解压完或者下载过程中出错了只剩个不完整镜像。我建议先看文件大小如果明显小于正常值直接重下不要尝试修复。Variable not found则多半是读错了变量名。不同GLDAS版本变量名有差异GLDAS-2.0和2.1的土壤分层命名几乎一致但如果你下载的是VIC模型输出变量名会变成SoilMoist_tavg之类并不完全相同。读取前先print一下ds.variables.keys()看到实际名称再写代码这能省下很多排查时间。5.2 单位换算中的经典陷阱kg/m²与mm到底有没有区别这个陷阱我在2.3节已经详细讲过了但实际操作中还会遇到一个衍生版本有人把kg/m²直接乘以1000当成mm结果数值大了1000倍画出的图极不自然。这里再强调一次GLDAS里的kg/m²就是等效水深mm的数值不要做额外变换。如果真要换算唯一的场景是当你需要把土壤水体积分数m³/m³转成mm时才需要用体积分数乘以该层厚度mm。GLDAS输出已经帮你做了这个积分你直接拿去叠加就行。这个已经帮你做了是关键很多人总想自己再算一遍反而算错。5.3 坐标系与网格方向怎么检查GLDAS数据的经纬度坐标并非所有版本都一致有的版本lat从-59.875到89.875递增有的则是从90到-60递减。如果你读文件时不检查坐标方向直接按索引取区域会选到完全相反的区域。我的检查方法是在读取后立刻输出lons[0], lons[-1], lats[0], lats[-1]。如果是lats从大到小脚本里要么用np.flip翻转lat轴要么用切片的时候调整索引位置。还有一点lon范围有的是-180到180有的是0到360如果你研究区域跨越180°经线比如太平洋就需要做换经度范围的处理。用xarray时直接ds.assign_coords(lon(ds.lon % 360))可以快速把-180~180转成0~360但要注意转完之后可能需要按lon排序。5.4 数据缺失与时间戳错位处理GLDAS月度产品偶尔会有两三个月数据缺失的情况尤其在一些新版本发布前的数据空洞。处理方式看你的分析目的做趋势分析建议直接忽略缺失月份不要插值填充因为插值会人为拉平趋势做季节分析则可以按多年平均填充把缺失值替换成气候态值。时间戳错位是一个更隐蔽的问题。有些GLDAS文件的时间变量是自1850年1月1日以来的天数有些则是模拟开始时间起的小时数。读取时我习惯打印ds.variables[time].units然后根据units做转换。用netCDF4自带的num2date很方便能生成标准的datetime对象。如果你用pandas解析直接pd.to_datetime(file_str里的时间信息)反而更麻烦不如用读出来的真实时间。5.5 下载速度慢与断流问题NASA服务器在国内访问速度时好时坏这个局面短期没啥好办法。我的经验是把下载拆成小批次一次不要超过20个文件同时在命令行里加上--wait和--random-wait来降低服务器压力。如果中途断掉用wget的-c续传即可。批量下载的脚本建议保存为bash脚本设好用户名密码变量别把密码写死在博客或仓库里避免漏出。下载完成后立刻检查文件个数是否和预期一致缺哪个补哪个别等处理数据时才发现前一年数据少了一个月。6. 进一步扩展从GLDAS延伸到更完整的水储量分析6.1 GLDAS与SMAP、SMOS的融合思路GLDAS虽然好但土壤水文模拟仍有不确定性。如果你想提高浅层土壤湿度的精度可以把SMAP或SMOS的卫星土壤湿度产品同化进来或者做简单的数据融合。最粗糙但有效的办法是用SMAP观测的0-5cm土壤湿度来校正GLDAS的0-10cm土壤湿度按比例调整深层。这有点tricky但对干旱监测来说效果立竿见影。我个人在区域干旱监测项目里试过GLDASSMAP融合后表层土壤湿度的空间分布和站点观测的一致性明显提升。如果要做近实时监测这套方案比单纯用GLDAS更可靠因为GLDAS模型的近实时输出有一定滞后和误差积累。6.2 结合GRACE做地下水储量变化的估算思路既然GLDAS缺少地下水而GRACE能看到总水储量那自然可以做个减法地下水储量变化约等于GRACE总水储量异常减去GLDAS模型中陆地水储量异常。这个思路被很多论文称作GRACE minus GLDAS方法。实际做的时候有几个坑GRACE的分辨率很粗直接减去0.25°的GLDAS会引入尺度和泄漏误差建议先把GLDAS重采样到GRACE网格再减。减去后结果中还存在大量噪声需要用高斯滤波或者去相关滤波处理。至少我在华北平原做出来的地下水枯竭信号数值上和官方公报中的埋深变化趋势能对上说明方法在区域尺度上是可用的。6.3 未来GLDAS数据更新与替代方案GLDAS不会一直是唯一选择。现在欧洲的ERA5-Land、国内的CLDAS都提供类似的陆地水循环变量分辨率和质量各不相同。如果你做全球尺度ERA5-Land的0.1°分辨率比GLDAS的0.25°更有优势如果做中国区域CLDAS在站点同化上有自己独特的优势。但GLDAS仍然有它的不可替代性产品稳定、版本序列长、模型多样、变量体系完善。在论文里做基准数据或交叉验证时GLDAS依然是最稳妥的起点。如果你把多套数据的对比结果写进论文审稿人的接受度也会更高。个人实操感受踩了这么多坑之后我对GLDAS的判断很简单它不完美但你一定要把它用到顺手。单位、坐标、命名规则这些坑踩过一次之后记得写在笔记里下次就是闭眼操作。数据下载和预处理这一步最枯燥也最值得花时间写脚本自动化一劳永逸。最后分享一个小技巧处理完GLDAS后一定要顺手把时间序列画出来先求一个区域平均值的曲线看看峰值和谷值出现的月份是否符合流域气候特征。我见过太多次因为坐标范围写反导致整条曲线反相、却还继续往下算的例子。如果曲线形状不对先别急着写结论回头检查数据读取和坐标选择往往能省下几天返工时间。本文还有配套的精品资源点击获取