简介

GHCN（Global Historical Climatology Network，全球历史气候网络）是由美国国家海洋和大气管理局（NOAA）维护的全球历史气候数据集合， 提供全球超过 10 万个气象站点的气象数据，时间范围从18世纪起至当前，部分站点记录超过175年，覆盖全球，但北美、欧洲、澳大利亚的数据密度更高。 本文介绍如何批量下载GHCN月降水数据并绘图！

代码

下载数据

"""批量下载 GHCN-M v4 月降水 csv（一个站点一个文件）"""import osimport sysimport timeimport requestsfrom concurrent.futures import ThreadPoolExecutor, as_completedfrom urllib.parse import urljoinfrom bs4 import BeautifulSoup# ----------- 用户可调参数 -------------BASE_URL = "https://www.ncei.noaa.gov/data/ghcnm/v4/precipitation/access/"SAVE_DIR = r"D:\GHCN-monthly"# 本地保存目录THREADS  = 8                      # 并发线程数RETRY    = 3                      # 单文件失败重试次数TIMEOUT  = 30                     # 单次请求超时（秒）# -------------------------------------os.makedirs(SAVE_DIR, exist_ok=True)def get_csv_links():"""抓取目录页，返回所有 csv 下载链接（相对路径）"""print("正在获取文件列表 …")    try:        resp = requests.get(BASE_URL, timeout=TIMEOUT)        resp.raise_for_status()    except requests.RequestException as e:print("无法访问目录页:", e)        sys.exit(1)    soup = BeautifulSoup(resp.text, "html.parser")    links = [a.get("href") for a in soup.select('a[href$=".csv"]')]print(f"共发现 {len(links)} 个 csv 文件")return linksdef download_one(fname):"""下载单个文件，支持断点续传"""    local_path = os.path.join(SAVE_DIR, fname)    url = urljoin(BASE_URL, fname)# 如果本地已存在且大小 >0 则跳过if os.path.isfile(local_path) and os.path.getsize(local_path) > 0:return f"SKIP  {fname}"for attempt in range(1, RETRY + 1):        try:# 流式下载，防止大文件占用内存            with requests.get(url, stream=True, timeout=TIMEOUT) as r:                r.raise_for_status()                with open(local_path, "wb") as f:for chunk in r.iter_content(chunk_size=1024 * 64):if chunk:                            f.write(chunk)return f"OK    {fname}"        except Exception as e:if attempt == RETRY:return f"FAIL  {fname}  after {RETRY} retries: {e}"            time.sleep(2)def main():    links = get_csv_links()    total = len(links)done = 0    fail = 0    with ThreadPoolExecutor(max_workers=THREADS) as pool:        future_map = {pool.submit(download_one, f): f for f in links}for fut in as_completed(future_map):done += 1            msg = fut.result()if msg.startswith("FAIL"):                fail += 1# 简单进度条print(f"[{done:>5}/{total}]  {msg}")print("\n全部完成！")if fail:print(f"警告：{fail} 个文件下载失败，可重新运行脚本进行补下。")if __name__ == "__main__":    main()

绘制全球降水分布

"""批量读取 GHCN 逐月降水 CSV, 计算年平均降水, 画全球填色地图"""import os, glob, sysimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport cartopy.crs as ccrsimport cartopy.feature as cfeaturefrom pathlib import Pathimport cmaps# ---------------- 用户参数 -----------------ROOT_DIR = r"D:\GHCN-monthly"# OUT_CSV  = "stations_ann_precip.csv"OUT_FIG  = "GHCN_ann_precip_global.png"DPI      = 300# ------------------------------------------def parse_one_csv(fpath):"""    读取 GHCN 固定宽度 csv，返回    {'lat':float, 'lon':float, 'ann_precip':float}    列位置完全按官方 readme：    1-11   ID    13-52  Name    54-62  Lat    64-73  Lon    75-82  Elev    84-89  yearmonth    91-96  precip(0.1mm)    """# 固定宽度列起止位置    colspecs = [(0,11), (12,52), (53,62), (63,73),                (74,82), (83,89), (90,96)]    names = ['ID','Name','Lat','Lon','Elev','YearMon','Precip']    try:        df = pd.read_fwf(fpath, colspecs=colspecs, names=names,                         dtype={'Lat':float,'Lon':float,'Elev':float,'YearMon':int,'Precip':float})    except Exception as e:print("读取失败:", fpath, e)return Noneif df.shape[0] < 12:return None    lat, lon = df.loc[0, 'Lat'], df.loc[0, 'Lon']if pd.isna(lat) or pd.isna(lon):return None# 转成年降水    df['Year'] = df['YearMon'] // 100    df['Precip_mm'] = df['Precip'] * 0.1          # 0.1mm → mm# 跳过缺测值（-1）    df.loc[df['Precip'] < 0, 'Precip_mm'] = np.nan    annual = df.groupby('Year')['Precip_mm'].sum().mean()return {'lat': lat, 'lon': lon, 'ann_precip': annual}def collect_all_stations(root):"""递归扫描所有csv"""    pattern = os.path.join(root, "**/*.csv")    files = glob.glob(pattern, recursive=True)print(f"共发现 {len(files)} 个CSV文件")    records = []for f in files:        res = parse_one_csv(f)if res:            records.append(res)print(f"有效站点数: {len(records)}")return pd.DataFrame(records)def draw_global_map(df):    plt.rcParams["font.size"] = 12    fig = plt.figure(figsize=(12, 6))    ax = plt.axes(projection=ccrs.Robinson())    ax.set_global()    ax.coastlines(lw=0.4)    ax.add_feature(cfeature.LAND, facecolor="lightgray")    ax.add_feature(cfeature.OCEAN, facecolor="white")    cmap = cmaps.WhiteBlueGreenYellowRed    sc = ax.scatter(df["lon"], df["lat"],                    c=df["ann_precip"],                    s=15, cmap=cmap, transform=ccrs.PlateCarree(),                    edgecolors="k", linewidths=0.2,vmin=0,                vmax=2000)    cb = plt.colorbar(sc, ax=ax, orientation="horizontal",                      pad=0.03, shrink=0.6, aspect=30)    cb.set_label("Annual precipitation (mm)")    ax.set_title("GHCN V4 Precipitation – Annual Mean")    plt.tight_layout()    plt.savefig(OUT_FIG, dpi=DPI)def main():if not os.path.isdir(ROOT_DIR):print("目录不存在:", ROOT_DIR)        sys.exit(1)    df = collect_all_stations(ROOT_DIR)if df.empty:print("未读到任何有效站点！")        sys.exit(1)df.to_csv(OUT_CSV, index=False, float_format="%.2f")    draw_global_map(df)if __name__ == "__main__":    main()

结果

数据下载链接

https://www.ncei.noaa.gov/products/land-based-station/global-historical-climatology-network-monthly