原始数据包括各站点逐日数据、全球站点数据

1.获取国内站点历史数据（1333）

2.清洗数据-筛选出6h雨水监测数据

import pandas as pd
import numpy as np
import oscolumns=['year','month','day','hour','air_temperature','dew_point_temperature','sea_level_pressure','wind_direction','wind_speed_rate','sky_coverage','rain_1h','rain_6h']
file_name=[]#遍历文件夹保存文件名
for i in os.listdir('data/2021'):    #根据文件夹修改时间即可file_name.append(i)rain_site=pd.DataFrame(columns=['site','rain'])
#遍历文件读取数for f in file_name:
for f in file_name:name=f[:6]      #将站点编号保存data=pd.read_csv(f'data/2021/{f}',header=None)    # #根据文件夹修改时间即可col=pd.DataFrame(columns=columns)for i in range(len(data)):row=data.loc[i,0]all=pd.DataFrame(row.split()).Tall.columns=columnscol=pd.concat([col,all])rain=col[['year','month','day','rain_6h']]rain=rain.astype(float)rain=rain.reset_index()rain=rain[['year','month','day','rain_6h']]#将合并后的数据-9999转化为空值并舍弃for j in range(len(rain)):if rain.loc[j,'rain_6h']== -9999.0:rain.loc[j,'rain_6h']=Nonefinal=rain.dropna()month=pd.DataFrame(final.groupby(['month']).sum())    #计算每月的降水总量value=month['rain_6h'].mean()#将name和value值保存在字典中rain_site_example=pd.DataFrame({'site': [name],'rain': [value]})#保存数据rain_site=pd.concat([rain_site,rain_site_example])print(rain_site)
rain_site.to_csv('rain_site.csv')

3.将筛选后的站点与国内站点历史数据匹配

这一步是将含有数据的坐标拼接，并在地图上可视化

(提供的数据是WGS1984坐标系下的，地图底图是CGCS2000,为了方便转换，因此筛选数据的时候将高程值加入，这样在ArcMap中可以直接重新定义投影)

import pandas as pdyear=[2015,2016,2017,2018,2019,2020,2021]
for y in year:rain_site=pd.read_csv(f'{y}_rain.csv')site_code=pd.read_csv('data/china_site.csv')rain_site.columns=['miss','USAF','rain']sum=pd.merge(rain_site,site_code)file=sum.dropna()file=file[['LAT','LON','rain','ELEV(M)']]file['Year']=2015file=file.set_index('Year')file.to_csv(f'china_{y}.csv')

4.利用Kriging插值获得2015年全国范围内的年月均降水数

2015年全国的年月均降水量自东南向西北有一个明显的降低趋势