拓冰网站定制 
简介这份资源围绕GLDAS全球陆地数据同化系统展开面向气候研究、水文分析与地理信息处理方向的学习者和科研人员帮助解决GLDAS数据单位理解、格式解析与水储量估算等实际问题。压缩包共3个文件均为m脚本文件整体约8KB涵盖GLDAS数据读取、TWSt2slept转换及水储量计算等核心处理环节可直接用于土壤湿度积分与水文循环分析。已有1502人学习下载说明其在相关领域具有一定参考价值。读者可借助脚本快速完成NetCDF数据的读取与预处理理解不同变量单位如毫米、摄氏度、毫米/日的换算逻辑并掌握从土壤湿度推算总水储量的实现思路为后续重采样、插值、可视化及干旱与洪水分析打下基础适合具备一定Python或MATLAB基础的中高级用户参考使用。1. GLDAS 数据到底能干什么从水储量反演说起做水文、气象或者生态遥感的人迟早会碰到 GLDAS 这个数据集。全称 Global Land Data Assimilation System中文一般叫全球陆面数据同化系统由 NASA 和 NOAA 联合推动核心思路是把卫星观测和陆面模型做同化输出全球尺度的陆面状态变量。它最常被拿来干的一件事就是算区域甚至全球的陆地水储量变化。你如果做过重力卫星 GRACE 的课题一定知道 GRACE 给的是总水储量异常但你想拆出土壤水、雪水、地下水各自的贡献就得靠 GLDAS 提供分量。这就是它最核心的价值把「总水」拆成「各层水」。这份资源包围绕的正是 GLDAS 数据的格式解析、单位换算、批量处理和陆地水储量计算这条链路。适合三类人一是做 GRACE 联合反演的研究生二是需要陆面变量做驱动或验证的模型工程师三是刚接触 NetCDF 格式、被单位搞得一头雾水的新手。我见过太多人下载完 GLDAS 的 nc 文件打开一看变量名一堆缩写单位是 kg/m²时间维度还是「距 2000-01-01 的天数」直接卡住。这篇就把这些环节一个个拆开讲清楚。2. GLDAS 数据格式与单位nc 文件里到底存了什么2.1 版本选型GLDAS-2.0 与 2.1 的差别GLDAS 目前主流是 2.0 和 2.1 两个大版本再往下分 Noah、VIC、CLM、Catchment 四种陆面模型。选型这件事很多人不重视但选错了后面全白干。Noah 模型输出变量最全、时间序列最长1948 年至今做水储量最常用CLM 分辨率更高但变量命名体系不一样Catchment 适合做地下水相关分析。我的建议是如果你只是要土壤水、雪水、冠层水这几个分量来算水储量直接上 GLDAS-2.1 Noah时间范围 2000 年至今和 GRACE 的时间重叠最好。分辨率上GLDAS-2.1 Noah 是 0.25°×0.25°GLDAS-2.0 Noah 是 1°×1°。做小流域分析必须用 0.25°1° 太粗了一个格点可能盖住你整个研究区。时间分辨率有 3 小时、日、月三种算水储量变化用月尺度就够日尺度数据量大得吓人一个变量全球日数据单月就好几百 MB。2.2 变量命名与单位kg/m² 到底等不等于毫米这是踩坑最多的地方。GLDAS 里土壤水变量叫SoilMoi0_10cm_inst、SoilMoi10_40cm_inst这种后面数字是深度层。单位是 kg/m²。很多人第一反应是「这怎么换算成毫米水柱」其实关键在水密度是 1000 kg/m³1 kg/m² 的水铺在 1 m² 上厚度是 1/1000 m也就是 1 mm。所以kg/m² 在数值上直接等于毫米水柱mm不需要乘任何系数。这个结论能帮你省掉一堆换算代码。但要注意雪水当量SWE_inst单位也是 kg/m²同样等于 mm。冠层水CanopInt_inst也是。唯独温度变量单位是 K气压是 Pa别混。时间变量time单位通常是days since 2000-01-01 00:00:00得用netCDF4的num2date转手算容易错闰年。2.3 用 Python 读取并检查数据结构先装依赖netCDF4和numpy是必须的xarray可选但强烈建议处理多维数据省心太多。import netCDF4 as nc import numpy as np from netCDF4 import num2date # 打开一个 GLDAS-2.1 Noah 月数据文件 f nc.Dataset(GLDAS_NOAH025_M.A202001.021.nc4, r) # 打印全局属性确认版本和模型 print(f.__dict__.keys()) print(标题:, f.title) print(模型:, f.model) # 列出所有变量名先看清楚有什么 for var in f.variables.keys(): print(var, f.variables[var].units if hasattr(f.variables[var], units) else 无单位) # 读取时间并转换 time_var f.variables[time] dates num2date(time_var[:], time_var.units, calendarstandard) print(时间范围:, dates[0], 到, dates[-1]) # 读取一层土壤水检查数值范围 sm f.variables[SoilMoi0_10cm_inst][:] print(形状:, sm.shape, 最小值:, np.min(sm), 最大值:, np.max(sm)) f.close()这段代码的逻辑是先确认文件身份版本、模型再摸清变量清单和单位最后读一个变量看数值是否合理。参数上num2date的calendar参数一定要写standardGLDAS 用的是标准日历不写有时会按 360 天日历解析日期直接错位。SoilMoi0_10cm_inst的_inst后缀表示瞬时值月数据里其实是月平均别被名字骗了。提示GLDAS 的 nc4 文件是 HDF5 底层用h5py也能读但变量属性拿不全还是netCDF4稳。3. 批量处理与陆地水储量计算从单文件到时间序列3.1 批量读取与拼接的工程化写法单文件读取只是热身真正干活要处理几十年的月数据。常见做法是用xarray的open_mfdataset一次性开多个文件它会自动沿时间维拼接。但 GLDAS 文件命名有规律比如GLDAS_NOAH025_M.A202001.021.nc4年月嵌在文件名里用glob匹配最省事。import xarray as xr import glob # 匹配所有 2000-2023 年的月数据文件 files sorted(glob.glob(GLDAS_NOAH025_M.A*.021.nc4)) print(文件数:, len(files)) # 只保留需要的变量减少内存占用 vars_need [SoilMoi0_10cm_inst, SoilMoi10_40cm_inst, SoilMoi40_100cm_inst, SoilMoi100_200cm_inst, SWE_inst, CanopInt_inst] ds xr.open_mfdataset(files, combineby_coords, parallelTrue, chunks{time: 12}) ds_sub ds[vars_need] print(ds_sub)combineby_coords让 xarray 按坐标自动对齐拼接比手动循环稳。chunks{time: 12}是分块一年一块避免一次性把几十年数据读进内存。parallelTrue会调用 dask 并行文件多的时候提速明显。这里有个坑如果文件时间有重叠或缺失by_coords会报错或产生重复时间戳所以拼接前最好先检查文件列表是否连续。3.2 水储量分量的加和逻辑陆地水储量异常TWSA在 GLDAS 里通常由四部分构成土壤水分四层、雪水当量、冠层水有时还加生物量水。算总量就是把它们逐格点相加。注意单位已经统一是 mm直接加。# 计算总陆地水储量单位 mm # 四层土壤水相加 soil (ds_sub[SoilMoi0_10cm_inst] ds_sub[SoilMoi10_40cm_inst] ds_sub[SoilMoi40_100cm_inst] ds_sub[SoilMoi100_200cm_inst]) # 加雪水和冠层水 twsa soil ds_sub[SWE_inst] ds_sub[CanopInt_inst] # 求区域平均假设研究区经纬度范围 region twsa.sel(latslice(30, 40), lonslice(100, 120)) ts region.mean(dim[lat, lon]) print(ts.values[:5]) # 打印前 5 个月加和逻辑看着简单但有两个参数要留意。一是sel里lat的顺序GLDAS 的纬度通常是从北到南递减slice(30, 40)在递减坐标下会返回空得写成slice(40, 30)。这是 xarray 新手翻车率最高的一处。二是区域平均前最好做面积加权高纬度格点面积小直接mean会有偏差严谨做法是乘cos(lat)再加权。3.3 缺测值与异常处理GLDAS 数据整体质量不错但仍有缺测通常用_FillValue标记Noah 里常见是-9999。xarray 读取时会自动转成 NaN但如果你用netCDF4裸读就得手动处理。另外土壤水在某些沙漠格点可能异常偏小做时间序列前建议先画个图扫一眼。# 检查缺测比例 import numpy as np nan_ratio np.isnan(twsa.values).sum() / twsa.size print(缺测比例:, nan_ratio) # 用线性插值补时间维缺测 twsa_filled twsa.interpolate_na(dimtime, methodlinear) # 区域平均时跳过 NaN ts twsa_filled.sel(latslice(40, 30), lonslice(100, 120)).mean( dim[lat, lon], skipnaTrue)interpolate_na只补时间维空间维缺测不建议插值容易造出假信号。skipnaTrue是mean的默认行为但显式写出来更清楚。如果缺测比例超过 5%这个格点或月份就得谨慎用别硬补。4. 避坑与常见问题排查4.1 时间转换后日期整体偏移现象用num2date转出来的日期比实际早或晚几天甚至几个月。原因calendar参数没指定或者文件time属性的units字符串里有隐藏空格。解决显式传calendarstandard并先print(time_var.units)确认字符串干净必要时用.strip()清洗。4.2 纬度切片返回空数组现象sel(latslice(30, 40))结果为空。原因GLDAS 纬度坐标是递减的90 到 -90slice要求起止顺序和坐标单调性一致。解决改成slice(40, 30)或者先用sortby(lat)把纬度升序排好再切。4.3 单位误当毫米乘以系数现象算出来的水储量比 GRACE 结果大三个量级。原因把 kg/m² 当成 kg/m³ 或别的单位手动乘了 1000 或 0.001。解决记住 kg/m² 数值上就是 mm直接加别乘系数。验证方法是拿一个已知降水量的区域对比量级对不上就是单位错了。4.4 批量拼接后时间重复或断裂现象open_mfdataset后时间维出现重复月份或跳月。原因文件列表里有重复文件或某几个月文件缺失。解决拼接前用sorted(glob.glob(...))并检查文件名年月是否连续缺失的月份要么补下要么在时间序列里标记出来别让 xarray 静默对齐。4.5 内存爆掉现象处理 20 年全球 0.25° 月数据时内存直接吃满。原因一次性把所有变量所有时间读进内存。解决用chunks分块只选需要的变量算完区域平均后及时.compute()或.load()释放 dask 图。全球 0.25° 单月单变量约 1.5 MB20 年 240 个月也就 360 MB但四层土壤水加雪水冠层水乘起来就上 G分块是必须的。5. 进阶技巧把 GLDAS 和 GRACE 对齐做水储量分解真正做研究光算 GLDAS 的 TWSA 没意义得和 GRACE 的 TWSA 对比用 GLDAS 的分量比例去分解 GRACE 的总量反推地下水变化。这里最关键的一步是时空对齐GRACE 的球谐系数要转成 1° 或 0.25° 格点时间上取共同月份空间上统一经纬度网格。常见做法是把 GRACE 降尺度到 0.25°再用双线性插值把 GLDAS 插到同一网格。import xarray as xr # 假设 grace_twsa 是已经处理好的 GRACE 格点数据 # gldas_twsa 是上面算出的 GLDAS 总水储量 # 统一网格把 GLDAS 插值到 GRACE 网格 gldas_regrid gldas_twsa.interp_like(grace_twsa, methodlinear) # 取共同时间 common_time np.intersect1d(gldas_regrid.time, grace_twsa.time) g gldas_regrid.sel(timecommon_time) r grace_twsa.sel(timecommon_time) # 计算 GLDAS 各分量占总量的比例逐格点逐月 ratio_soil soil.sel(timecommon_time).interp_like(r) / g ratio_gw 1 - ratio_soil # 剩余部分归为地下水等其他分量 # 用比例分解 GRACE gw_change r * ratio_gw print(地下水变化均值:, float(gw_change.mean()))这段的核心是interp_like它按目标数据的坐标做插值比手动写interp省事。np.intersect1d取时间交集避免时间不匹配报错。比例分解是个近似假设 GLDAS 的分量比例在 GRACE 格点上成立实际研究中还要考虑信号泄漏和尺度因子但作为快速估算够用。参数上methodlinear是双线性地形复杂区可以试nearest看差异。我自己的习惯是每次跑完分解一定把 GLDAS 的 TWSA、GRACE 的 TWSA、分解出的地下水三条曲线画在一张图上肉眼扫一遍量级和相位。有一次没画结果发现某几个月 GLDAS 缺测被插值成了异常高值分解出的地下水直接反号白跑一周。从那以后我每次做时空对齐都强制先画图再算指标。希望这些能帮到你少走点我踩过的弯路。本文还有配套的精品资源点击获取 GLDAS数据实战：从格式解析到陆地水储量计算与GRACE联合反演
简介这份资源围绕GLDAS全球陆地数据同化系统展开面向气候研究、水文分析与地理信息处理方向的学习者和科研人员帮助解决GLDAS数据单位理解、格式解析与水储量估算等实际问题。压缩包共3个文件均为m脚本文件整体约8KB涵盖GLDAS数据读取、TWSt2slept转换及水储量计算等核心处理环节可直接用于土壤湿度积分与水文循环分析。已有1502人学习下载说明其在相关领域具有一定参考价值。读者可借助脚本快速完成NetCDF数据的读取与预处理理解不同变量单位如毫米、摄氏度、毫米/日的换算逻辑并掌握从土壤湿度推算总水储量的实现思路为后续重采样、插值、可视化及干旱与洪水分析打下基础适合具备一定Python或MATLAB基础的中高级用户参考使用。1. GLDAS 数据到底能干什么从水储量反演说起做水文、气象或者生态遥感的人迟早会碰到 GLDAS 这个数据集。全称 Global Land Data Assimilation System中文一般叫全球陆面数据同化系统由 NASA 和 NOAA 联合推动核心思路是把卫星观测和陆面模型做同化输出全球尺度的陆面状态变量。它最常被拿来干的一件事就是算区域甚至全球的陆地水储量变化。你如果做过重力卫星 GRACE 的课题一定知道 GRACE 给的是总水储量异常但你想拆出土壤水、雪水、地下水各自的贡献就得靠 GLDAS 提供分量。这就是它最核心的价值把「总水」拆成「各层水」。这份资源包围绕的正是 GLDAS 数据的格式解析、单位换算、批量处理和陆地水储量计算这条链路。适合三类人一是做 GRACE 联合反演的研究生二是需要陆面变量做驱动或验证的模型工程师三是刚接触 NetCDF 格式、被单位搞得一头雾水的新手。我见过太多人下载完 GLDAS 的 nc 文件打开一看变量名一堆缩写单位是 kg/m²时间维度还是「距 2000-01-01 的天数」直接卡住。这篇就把这些环节一个个拆开讲清楚。2. GLDAS 数据格式与单位nc 文件里到底存了什么2.1 版本选型GLDAS-2.0 与 2.1 的差别GLDAS 目前主流是 2.0 和 2.1 两个大版本再往下分 Noah、VIC、CLM、Catchment 四种陆面模型。选型这件事很多人不重视但选错了后面全白干。Noah 模型输出变量最全、时间序列最长1948 年至今做水储量最常用CLM 分辨率更高但变量命名体系不一样Catchment 适合做地下水相关分析。我的建议是如果你只是要土壤水、雪水、冠层水这几个分量来算水储量直接上 GLDAS-2.1 Noah时间范围 2000 年至今和 GRACE 的时间重叠最好。分辨率上GLDAS-2.1 Noah 是 0.25°×0.25°GLDAS-2.0 Noah 是 1°×1°。做小流域分析必须用 0.25°1° 太粗了一个格点可能盖住你整个研究区。时间分辨率有 3 小时、日、月三种算水储量变化用月尺度就够日尺度数据量大得吓人一个变量全球日数据单月就好几百 MB。2.2 变量命名与单位kg/m² 到底等不等于毫米这是踩坑最多的地方。GLDAS 里土壤水变量叫SoilMoi0_10cm_inst、SoilMoi10_40cm_inst这种后面数字是深度层。单位是 kg/m²。很多人第一反应是「这怎么换算成毫米水柱」其实关键在水密度是 1000 kg/m³1 kg/m² 的水铺在 1 m² 上厚度是 1/1000 m也就是 1 mm。所以kg/m² 在数值上直接等于毫米水柱mm不需要乘任何系数。这个结论能帮你省掉一堆换算代码。但要注意雪水当量SWE_inst单位也是 kg/m²同样等于 mm。冠层水CanopInt_inst也是。唯独温度变量单位是 K气压是 Pa别混。时间变量time单位通常是days since 2000-01-01 00:00:00得用netCDF4的num2date转手算容易错闰年。2.3 用 Python 读取并检查数据结构先装依赖netCDF4和numpy是必须的xarray可选但强烈建议处理多维数据省心太多。import netCDF4 as nc import numpy as np from netCDF4 import num2date # 打开一个 GLDAS-2.1 Noah 月数据文件 f nc.Dataset(GLDAS_NOAH025_M.A202001.021.nc4, r) # 打印全局属性确认版本和模型 print(f.__dict__.keys()) print(标题:, f.title) print(模型:, f.model) # 列出所有变量名先看清楚有什么 for var in f.variables.keys(): print(var, f.variables[var].units if hasattr(f.variables[var], units) else 无单位) # 读取时间并转换 time_var f.variables[time] dates num2date(time_var[:], time_var.units, calendarstandard) print(时间范围:, dates[0], 到, dates[-1]) # 读取一层土壤水检查数值范围 sm f.variables[SoilMoi0_10cm_inst][:] print(形状:, sm.shape, 最小值:, np.min(sm), 最大值:, np.max(sm)) f.close()这段代码的逻辑是先确认文件身份版本、模型再摸清变量清单和单位最后读一个变量看数值是否合理。参数上num2date的calendar参数一定要写standardGLDAS 用的是标准日历不写有时会按 360 天日历解析日期直接错位。SoilMoi0_10cm_inst的_inst后缀表示瞬时值月数据里其实是月平均别被名字骗了。提示GLDAS 的 nc4 文件是 HDF5 底层用h5py也能读但变量属性拿不全还是netCDF4稳。3. 批量处理与陆地水储量计算从单文件到时间序列3.1 批量读取与拼接的工程化写法单文件读取只是热身真正干活要处理几十年的月数据。常见做法是用xarray的open_mfdataset一次性开多个文件它会自动沿时间维拼接。但 GLDAS 文件命名有规律比如GLDAS_NOAH025_M.A202001.021.nc4年月嵌在文件名里用glob匹配最省事。import xarray as xr import glob # 匹配所有 2000-2023 年的月数据文件 files sorted(glob.glob(GLDAS_NOAH025_M.A*.021.nc4)) print(文件数:, len(files)) # 只保留需要的变量减少内存占用 vars_need [SoilMoi0_10cm_inst, SoilMoi10_40cm_inst, SoilMoi40_100cm_inst, SoilMoi100_200cm_inst, SWE_inst, CanopInt_inst] ds xr.open_mfdataset(files, combineby_coords, parallelTrue, chunks{time: 12}) ds_sub ds[vars_need] print(ds_sub)combineby_coords让 xarray 按坐标自动对齐拼接比手动循环稳。chunks{time: 12}是分块一年一块避免一次性把几十年数据读进内存。parallelTrue会调用 dask 并行文件多的时候提速明显。这里有个坑如果文件时间有重叠或缺失by_coords会报错或产生重复时间戳所以拼接前最好先检查文件列表是否连续。3.2 水储量分量的加和逻辑陆地水储量异常TWSA在 GLDAS 里通常由四部分构成土壤水分四层、雪水当量、冠层水有时还加生物量水。算总量就是把它们逐格点相加。注意单位已经统一是 mm直接加。# 计算总陆地水储量单位 mm # 四层土壤水相加 soil (ds_sub[SoilMoi0_10cm_inst] ds_sub[SoilMoi10_40cm_inst] ds_sub[SoilMoi40_100cm_inst] ds_sub[SoilMoi100_200cm_inst]) # 加雪水和冠层水 twsa soil ds_sub[SWE_inst] ds_sub[CanopInt_inst] # 求区域平均假设研究区经纬度范围 region twsa.sel(latslice(30, 40), lonslice(100, 120)) ts region.mean(dim[lat, lon]) print(ts.values[:5]) # 打印前 5 个月加和逻辑看着简单但有两个参数要留意。一是sel里lat的顺序GLDAS 的纬度通常是从北到南递减slice(30, 40)在递减坐标下会返回空得写成slice(40, 30)。这是 xarray 新手翻车率最高的一处。二是区域平均前最好做面积加权高纬度格点面积小直接mean会有偏差严谨做法是乘cos(lat)再加权。3.3 缺测值与异常处理GLDAS 数据整体质量不错但仍有缺测通常用_FillValue标记Noah 里常见是-9999。xarray 读取时会自动转成 NaN但如果你用netCDF4裸读就得手动处理。另外土壤水在某些沙漠格点可能异常偏小做时间序列前建议先画个图扫一眼。# 检查缺测比例 import numpy as np nan_ratio np.isnan(twsa.values).sum() / twsa.size print(缺测比例:, nan_ratio) # 用线性插值补时间维缺测 twsa_filled twsa.interpolate_na(dimtime, methodlinear) # 区域平均时跳过 NaN ts twsa_filled.sel(latslice(40, 30), lonslice(100, 120)).mean( dim[lat, lon], skipnaTrue)interpolate_na只补时间维空间维缺测不建议插值容易造出假信号。skipnaTrue是mean的默认行为但显式写出来更清楚。如果缺测比例超过 5%这个格点或月份就得谨慎用别硬补。4. 避坑与常见问题排查4.1 时间转换后日期整体偏移现象用num2date转出来的日期比实际早或晚几天甚至几个月。原因calendar参数没指定或者文件time属性的units字符串里有隐藏空格。解决显式传calendarstandard并先print(time_var.units)确认字符串干净必要时用.strip()清洗。4.2 纬度切片返回空数组现象sel(latslice(30, 40))结果为空。原因GLDAS 纬度坐标是递减的90 到 -90slice要求起止顺序和坐标单调性一致。解决改成slice(40, 30)或者先用sortby(lat)把纬度升序排好再切。4.3 单位误当毫米乘以系数现象算出来的水储量比 GRACE 结果大三个量级。原因把 kg/m² 当成 kg/m³ 或别的单位手动乘了 1000 或 0.001。解决记住 kg/m² 数值上就是 mm直接加别乘系数。验证方法是拿一个已知降水量的区域对比量级对不上就是单位错了。4.4 批量拼接后时间重复或断裂现象open_mfdataset后时间维出现重复月份或跳月。原因文件列表里有重复文件或某几个月文件缺失。解决拼接前用sorted(glob.glob(...))并检查文件名年月是否连续缺失的月份要么补下要么在时间序列里标记出来别让 xarray 静默对齐。4.5 内存爆掉现象处理 20 年全球 0.25° 月数据时内存直接吃满。原因一次性把所有变量所有时间读进内存。解决用chunks分块只选需要的变量算完区域平均后及时.compute()或.load()释放 dask 图。全球 0.25° 单月单变量约 1.5 MB20 年 240 个月也就 360 MB但四层土壤水加雪水冠层水乘起来就上 G分块是必须的。5. 进阶技巧把 GLDAS 和 GRACE 对齐做水储量分解真正做研究光算 GLDAS 的 TWSA 没意义得和 GRACE 的 TWSA 对比用 GLDAS 的分量比例去分解 GRACE 的总量反推地下水变化。这里最关键的一步是时空对齐GRACE 的球谐系数要转成 1° 或 0.25° 格点时间上取共同月份空间上统一经纬度网格。常见做法是把 GRACE 降尺度到 0.25°再用双线性插值把 GLDAS 插到同一网格。import xarray as xr # 假设 grace_twsa 是已经处理好的 GRACE 格点数据 # gldas_twsa 是上面算出的 GLDAS 总水储量 # 统一网格把 GLDAS 插值到 GRACE 网格 gldas_regrid gldas_twsa.interp_like(grace_twsa, methodlinear) # 取共同时间 common_time np.intersect1d(gldas_regrid.time, grace_twsa.time) g gldas_regrid.sel(timecommon_time) r grace_twsa.sel(timecommon_time) # 计算 GLDAS 各分量占总量的比例逐格点逐月 ratio_soil soil.sel(timecommon_time).interp_like(r) / g ratio_gw 1 - ratio_soil # 剩余部分归为地下水等其他分量 # 用比例分解 GRACE gw_change r * ratio_gw print(地下水变化均值:, float(gw_change.mean()))这段的核心是interp_like它按目标数据的坐标做插值比手动写interp省事。np.intersect1d取时间交集避免时间不匹配报错。比例分解是个近似假设 GLDAS 的分量比例在 GRACE 格点上成立实际研究中还要考虑信号泄漏和尺度因子但作为快速估算够用。参数上methodlinear是双线性地形复杂区可以试nearest看差异。我自己的习惯是每次跑完分解一定把 GLDAS 的 TWSA、GRACE 的 TWSA、分解出的地下水三条曲线画在一张图上肉眼扫一遍量级和相位。有一次没画结果发现某几个月 GLDAS 缺测被插值成了异常高值分解出的地下水直接反号白跑一周。从那以后我每次做时空对齐都强制先画图再算指标。希望这些能帮到你少走点我踩过的弯路。本文还有配套的精品资源点击获取