目录
一、基础参数与数据集初始化
二、湿度参数计算（核心处理步骤）
三、年度均值合成
四、导出范围定义与影像导出
五、关键技术要点总结与注意事项
六、运行结果
若觉得代码对您的研究 / 项目有帮助，欢迎点击打赏支持！需要完整代码的朋友，打赏后可在后台私信（复制文章标题发给我），我会尽快发您完整可运行代码，感谢支持！
本代码基于 Google Earth Engine（GEE）平台，利用 ECMWF/ERA5_LAND/MONTHLY_AGGR 数据集（ERA5-Land 月度聚合数据），计算 1960-2020 年全球范围内的相对湿度（RH）和比湿（q），并按年份生成年度均值影像，最终将各年份的相对湿度和比湿影像导出至 Google Drive。
一、基础参数与数据集初始化
var startYear = 1960, endYear = 2020; var col = ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY_AGGR') .filterDate(startYear + '-01-01', (endYear + 1) + '-01-01') .select(['temperature_2m', 'dewpoint_temperature_2m', 'surface_pressure']);- 参数定义：明确数据时间范围为 1960 年至 2020 年，通过
startYear和endYear两个变量固定起止年份，方便后续代码复用和修改。 - 数据集调用：
ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY_AGGR')：加载 GEE 内置的 ERA5-Land 月度聚合数据集，该数据集包含全球地表及近地面多种气象要素的月度统计数据，精度和完整性较高。filterDate(...)：对数据集进行时间筛选。由于 GEE 的filterDate为左闭右开区间（包含起始日期，不包含结束日期），因此结束日期设置为endYear + 1的 1 月 1 日，确保 2020 年 12 月的月度数据被完整包含。select(...)：筛选数据集所需的 3 个核心气象变量，避免加载冗余数据，提升计算效率：temperature_2m：2 米高度气温（单位：开尔文 K）；dewpoint_temperature_2m：2 米高度露点温度（单位：开尔文 K）；surface_pressure：地表气压（单位：帕斯卡 Pa）。
二、湿度参数计算（核心处理步骤）
var withHum = col.map(function(img) { var T = img.select('temperature_2m').subtract(273.15); var Td = img.select('dewpoint_temperature_2m').subtract(273.15); var sp = img.select('surface_pressure'); // 饱和水汽压计算 var es = T.expression('611.2 * exp(17.62 * tc / (243.12 + tc))', {tc: T}); // 实际水汽压计算 var e = Td.expression('611.2 * exp(17.62 * td / (243.12 + td))', {td: Td}); // 相对湿度计算 var rh = e.divide(es).multiply(100).rename('RH'); // 比湿计算 var q = e.multiply(0.622).divide(sp.subtract(e.multiply(0.378))).rename('q'); return img.select(0).addBands([rh, q]); });该部分通过map函数遍历数据集中的每一幅月度影像，逐像元计算相对湿度（RH）和比湿（q），是代码的核心逻辑：
- 温度单位转换：原始气温（T）和露点温度（Td）均为开尔文（K），通过
subtract(273.15)转换为摄氏度（℃），符合后续水汽压计算公式的单位要求。 - 水汽压计算：
- 饱和水汽压（es）：基于气温（T），采用世界气象组织（WMO）推荐的 Magnus-Tetens 公式计算，表征某一温度下空气所能容纳的最大水汽量。公式中
611.2为 0℃时的饱和水汽压（Pa），17.62和243.12为经验常数。 - 实际水汽压（e）：基于露点温度（Td），采用与饱和水汽压相同的公式计算，表征空气实际含有的水汽量（露点温度是空气水汽达到饱和时的温度）。
- 饱和水汽压（es）：基于气温（T），采用世界气象组织（WMO）推荐的 Magnus-Tetens 公式计算，表征某一温度下空气所能容纳的最大水汽量。公式中
- 目标湿度参数计算：
- 相对湿度（RH）：定义为实际水汽压与同温度下饱和水汽压的比值（百分比形式），反映空气接近饱和的程度。通过
e.divide(es)计算比值，再multiply(100)转换为百分比，最后用rename('RH')为新波段命名。 - 比湿（q）：定义为水汽质量与湿空气总质量的比值（单位：kg/kg），是气象和气候研究中常用的湿度指标（不受气压影响）。计算公式中
0.622和0.378为水汽与干空气的分子量相关常数，通过该公式将水汽压和地表气压转换为比湿，命名为q。
- 相对湿度（RH）：定义为实际水汽压与同温度下饱和水汽压的比值（百分比形式），反映空气接近饱和的程度。通过
- 影像输出：
return img.select(0).addBands([rh, q])表示保留原始数据集中的第一个波段（此处为 2 米气温），并将计算得到的 RH 和 q 作为新波段添加到影像中，形成包含原始气温和两个湿度参数的新影像集合withHum。
三、年度均值合成
var years = ee.List.sequence(startYear, endYear); var annual = ee.ImageCollection.fromImages( years.map(function(y) { y = ee.Number(y); var mean = withHum.filter(ee.Filter.calendarRange(y, y, 'year')) .mean() .set('year', y) .set('system:index', y.format('%d')); return mean; }) );- 年份序列生成：
ee.List.sequence(startYear, endYear)生成 1960-2020 年的年份列表（整数序列），作为后续按年份筛选数据的依据。 - 年度均值计算：
- 通过
years.map(...)遍历每一个年份，对withHum影像集合进行按年筛选和均值计算：filter(ee.Filter.calendarRange(y, y, 'year'))：筛选出当前年份（y）的所有月度影像；.mean()：对该年份的月度影像进行逐像元均值计算，得到年度平均影像（包含气温、RH、q 三个波段的年度均值）；.set('year', y)和.set('system:index', y.format('%d'))：为生成的年度影像添加属性（year字段记录年份）和索引（以年份作为影像索引），方便后续按年份筛选和导出。
ee.ImageCollection.fromImages(...)：将所有年份的年度均值影像整合为新的影像集合annual，该集合包含 61 幅影像（1960-2020 年每年 1 幅）。
- 通过
四、导出范围定义与影像导出
var region = ee.Geometry.Rectangle([-180, -90, 180, 90], null, false); years.evaluate(function(yearList) { yearList.forEach(function(y) { var img = annual.filter(ee.Filter.eq('year', y)).first(); // 相对湿度导出 Export.image.toDrive({ image: img.select('RH'), description: 'ERA5Land_RH_' + y, folder: 'ERA5Land_RH', scale: 11132, region: region, maxPixels: 1e13 }); // 比湿导出 Export.image.toDrive({ image: img.select('q'), description: 'ERA5Land_q_' + y, folder: 'ERA5Land_q', scale: 11132, region: region, maxPixels: 1e13 }); }); });- 导出范围定义：
ee.Geometry.Rectangle([-180, -90, 180, 90], null, false)定义导出的空间范围为全球（经度：-180°~180°，纬度：-90°~90°）。其中null表示使用默认投影，false表示不闭合几何图形（矩形本身已闭合，此处不影响结果）。 - 客户端与服务器端数据交互：
years.evaluate(function(yearList) { ... })：GEE 中ee.List是服务器端对象，无法直接在客户端（如浏览器）进行遍历，evaluate方法将服务器端的年份列表years转换为客户端可识别的普通数组yearList，从而实现逐年份循环导出。 - 影像导出配置：对每一年的年度影像，分别筛选出
RH（相对湿度）和q（比湿）波段，通过Export.image.toDrive导出至 Google Drive：image: img.select('RH')/img.select('q')：指定导出的目标波段；description: 'ERA5Land_RH_' + y/'ERA5Land_q_' + y：导出文件的名称（包含数据集名称、参数类型和年份，如ERA5Land_RH_1960），便于区分和管理；folder: 'ERA5Land_RH'/'ERA5Land_q'：指定导出文件在 Google Drive 中的存储文件夹（会自动创建该文件夹），将不同参数的文件分类存储；scale: 11132：导出影像的空间分辨率（单位：米），约等于 1°×1°（赤道处 1° 经度约为 111320 米，此处scale=11132对应约 0.1° 分辨率），该分辨率与 ERA5-Land 数据集的原始分辨率匹配；region: region：指定导出的空间范围（全球）；maxPixels: 1e13：设置导出影像的最大像元数限制（1×10¹³，远大于全球 0.1° 分辨率影像的像元数，避免因像元数超限导致导出失败）。
五、关键技术要点总结与注意事项
关键技术要点总结：
- GEE 数据处理逻辑：遵循 “服务器端处理为主、客户端交互为辅” 的原则，通过
map、filter等方法实现批量数据处理，利用evaluate实现服务器端与客户端的数据转换。 - 气象参数计算原理：基于经典的 Magnus-Tetens 公式计算水汽压，再通过水汽压、地表气压等基础参数推导相对湿度和比湿，确保计算结果的科学性和准确性。
- 导出优化配置：通过合理设置
scale（分辨率）、maxPixels（最大像元数）、folder（存储文件夹）等参数，保证导出过程的稳定性和结果的可用性。 - 数据完整性保障：时间筛选时采用 “左闭右开” 区间设计，确保包含完整的目标年份数据；导出参数时分类存储、命名规范，便于后续数据管理和分析。
注意事项：
- 该代码运行依赖 Google Earth Engine 账号和稳定的网络环境，且导出大量影像（61 年 ×2 个参数 = 122 幅影像）需要一定的时间（取决于 GEE 服务器负载），需耐心等待导出完成。
- 导出的影像格式默认为 GeoTIFF（GEE 导出的默认 raster 格式），可直接用于 ArcGIS、QGIS 等 GIS 软件的空间分析。
- 若需调整时间范围（如延长至 2023 年）或空间范围（如仅导出某一区域），可修改
startYear、endYear和region的定义，无需改动核心计算逻辑。
六、运行结果
若觉得代码对您的研究 / 项目有帮助，欢迎点击打赏支持！需要完整代码的朋友，打赏后可在后台私信（复制文章标题发给我），我会尽快发您完整可运行代码，感谢支持！
主体源码的选择)
