地表温度数据处理与分析实战指南

1. 项目背景与数据价值

地表温度数据是环境监测、气候变化研究和城市规划等领域的基础性数据资源。这份覆盖2005-2025年（含预测数据）的省市县三级逐日数据集，以Shp和Excel双格式提供，为多尺度时空分析提供了难得的数据支撑。我在处理省级农业气象灾害评估项目时，曾苦于找不到时间连续、空间覆盖完整的地表温度数据，直到发现这个数据集解决了关键痛点。

数据集的核心优势在于：

• 时间连续性：20年完整日序列（含预测），支持年/季/月尺度分析
• 空间颗粒度：覆盖全国所有县级行政区划单元
• 格式兼容性：Shp文件保留空间拓扑关系，Excel表格便于统计分析
• 预测数据：基于CMIP6模型的RCP4.5情景预测，为规划提供参考

注意：预测数据需结合具体模型参数使用，建议与实测数据分开分析

2. 数据获取与预处理

2.1 原始数据来源解析

数据集融合了多源遥感数据与地面观测：

• MODIS LST产品（2005-2020实测）
• Landsat热红外波段降尺度数据（补充城市热岛细节）
• 气象站观测数据（用于校准）
• CMIP6多模型集合预测（2021-2025）

2.2 数据清洗关键步骤

处理异常值的经验方法：

python复制# 示例：基于3σ原则的异常值过滤
import numpy as np
def clean_temperature(df):
    mean = df['temp'].mean()
    std = df['temp'].std()
    df = df[(df['temp'] > mean-3*std) & (df['temp'] < mean+3*std)]
    return df

常见问题处理清单：

3. 空间数据分析实战

3.1 GIS空间分析方法

在QGIS中实现热岛效应分析的典型流程：

1. 加载省级Shp边界文件作为底图
2. 用"按位置提取"工具筛选城市建成区
3. 使用"分区统计"计算各城市平均温度
4. 通过"热力图渲染"可视化温度分布

3.2 典型分析案例

某省会城市热岛强度计算步骤：

1. 提取城区和郊区温度序列
2. 计算日均温差（UHII）
3. 按季度分组统计
4. 结果示例：

code复制夏季平均UHII = 2.8℃ (2005) → 3.5℃ (2020)
冬季平均UHII = 1.2℃ (2005) → 1.9℃ (2020)

4. 统计建模与预测应用

4.1 时间序列建模

使用Prophet预测模型的配置要点：

python复制from prophet import Prophet
model = Prophet(
    yearly_seasonality=True,
    weekly_seasonality=False, # 日数据无需周周期
    changepoint_prior_scale=0.05 # 适应缓慢变化
)
model.add_seasonality(name='monthly', period=30.5, fourier_order=5)

4.2 农业应用实例

冬小麦种植区积温计算：

1. 提取≥0℃活动温度
2. 按生长季（10月-次年5月）累加
3. 关键阈值判断：
   • <1800℃：不宜种植
   • 1800-2200℃：可种植早熟品种

   • 2200℃：适宜种植

5. 数据使用注意事项

1. 行政区划变更处理：

   • 使用最新GB/T 2260代码对照表
   • 对已撤销的县区数据做归并处理

2. 预测数据使用建议：

   • 建议将2021-2025年作为独立数据集
   • 不同RCP情景下的结果差异可达1.2-2.3℃

3. 跨年分析技巧：

   • 农业年度建议用"水文年"(10月-次年9月)
   • 城市热岛分析建议区分工作日/周末

实测中发现夏季高温日（>35℃）数据在2015年后存在仪器更替导致的系统性偏差，建议通过以下方式校准：

python复制def adjust_summer_temp(temp, year):
    if year >= 2015 and temp > 35:
        return temp * 0.97 - 0.6
    return temp