2000～2025 年各省市区县日度、月度、年度平均土壤湿度面板数据

1975 字 约 6 分钟 数据资料 气象面板数据生态环境

今天给大家分享一份 2000～2025 年各省市区县日度、月度、年度平均土壤湿度面板数据。

原始数据为公开的 中国区域逐日 1km 分辨率多源融合土壤湿度数据集（CSMX，2000–2025），来源于国家青藏高原科学数据中心（董一凡、袁慧玲，2025），是利用 CatBoost 集成学习模型、以全国 2000 余个自动土壤湿度站观测为标签，融合 ERA5、ERA5-Land、GLDAS 等多套再分析产品及气象、地形、土壤属性生成的 0～10 cm 表层土壤体积含水量（m³/m³）产品。由 RStata 将该逐日栅格按行政区划汇总，处理得到省 / 市 / 区县三个层级、日 / 月 / 年三种频率的面板数据。

注意 2025 年的数据截止 11 月 30 日。

处理方法

栅格数据的裁剪与分区域汇总方法基本都类似，感兴趣的小伙伴可以学习平台上的相关课程（见文末推荐）。本数据的处理流程如下：

  1. 读取 2021 年行政区划矢量（省 / 市 / 区县，6 位 adcode，WGS84），并投影到与土壤湿度栅格一致的参考系；
  2. 将区县矢量栅格化为与土壤湿度同网格的分区栅格（zone = 区县 adcode）；
  3. 逐日遍历 .nc，用 terra::zonal 同时得到各区县的”均值 + 有效像元数”；
  4. 以有效像元数为权重，精确汇总到市 / 省（数学上等价于在各层级独立做 zonal）；
  5. 由日度进一步按有效像元数加权汇总得到月度、年度；

核心加权汇总代码如下：

# 以有效像元数（ncell）为权重，把区县均值加权汇总到市 / 省
weighted_by <- function(dt, by, namevar) {
  out <- dt[, .(平均土壤湿度 = sum(平均土壤湿度 * ncell, na.rm = TRUE) /
                   sum(ncell, na.rm = TRUE),
                ncell = sum(ncell, na.rm = TRUE)),
            by = by]
  out
}

# 由日度加权汇总到月度 / 年度
make_freq <- function(dt, by_unit, freq) {
  if (freq == "month") {
    g <- c(by_unit, "年", "月")
    out <- dt[, .(平均土壤湿度 = sum(平均土壤湿度 * ncell, na.rm = TRUE) /
                     sum(ncell, na.rm = TRUE)), by = g]
    out[, 日期 := as.Date(sprintf("%04d-%02d-01", 年, 月))]
  } else {
    g <- c(by_unit, "年")
    out <- dt[, .(平均土壤湿度 = sum(平均土壤湿度 * ncell, na.rm = TRUE) /
                     sum(ncell, na.rm = TRUE)), by = g]
    out[, 日期 := as.Date(sprintf("%04d-01-01", 年))]
  }
  out
}

数据概览

为了方便大家使用，我把数据汇总成了 省 / 市 / 区县 三个行政层级、日度 / 月度 / 年度 三种时间频率的平均土壤湿度面板数据，最终得到如下 9 个文件：

  • 2000～2025 年各省份逐日平均土壤湿度面板数据.dta
  • 2000～2025 年各城市逐日平均土壤湿度面板数据.dta
  • 2000～2025 年各区县逐日平均土壤湿度面板数据.dta
  • 2000～2025 年各省份月度平均土壤湿度面板数据.dta
  • 2000～2025 年各城市月度平均土壤湿度面板数据.dta
  • 2000～2025 年各区县月度平均土壤湿度面板数据.dta
  • 2000～2025 年各省份年度平均土壤湿度面板数据.dta
  • 2000～2025 年各城市年度平均土壤湿度面板数据.dta
  • 2000～2025 年各区县年度平均土壤湿度面板数据.dta

各文件包含的变量为：省、省代码、市、市代码、县、县代码、年份、月份、日期、平均土壤湿度（日度 / 月度文件额外含 月份）。其中 平均土壤湿度 为 0～10 cm 表层土壤体积含水量，单位 m³/m³，取值范围约 0～0.5。

该数据可用于农业干旱监测与旱情评估、作物种植适宜性与估产、流域水文与生态过程模拟，也可作为气温、降水、植被（NDVI）、碳排放等研究的土壤湿度控制变量。数据预览如下：

绘图展示

下面基于上述面板数据，使用 R 语言（ggplot2 + sf）绘制了 4 幅图表，帮助大家直观了解数据的空间分布与时间变化特征。

各省份土壤湿度空间分布

对中国范围的栅格数据分省份（使用 2021 年行政区划数据）裁剪汇总即可得到各省的面板数据，下图展示了 2025 年各省份平均土壤湿度 的空间分布：

全国平均土壤湿度时间趋势

对区县年度面板数据按年份取均值，可观察全国平均土壤湿度在 2000～2025 年间的逐年变化：

土壤湿度数值分布

下图展示了各区县年度平均土壤湿度的整体分布（2000～2025 年全部区县-年份观测）：

各年份土壤湿度箱线图

按年份分组绘制箱线图，可对比不同年份土壤湿度分布的中位数与离散程度：

处理代码说明

数据文件夹的 code/ 中提供了完整的处理代码：

  • soil_moisture_panel.R：读取 1km 逐日土壤湿度栅格，按 2021 年行政区划做 zonal 统计并加权汇总为省 / 市 / 区县三个层级、日 / 月 / 年三种频率的 9 个 .dta；
  • 绘制土壤湿度图表.R：读取上述面板数据，绘制上文 4 幅图表（含省份填充地图、时间趋势图、直方图与箱线图）。

绘制省份填充地图的关键代码如下：

# 读取 2021 年省级行政区划（带邻国小地图版本），并与 2025 年各省均值连接
provmap <- read_sf("data/chinaprov2021mini/chinaprov2021mini.shp") %>%
  mutate(省代码 = as.numeric(省代码)) %>%
  left_join(prov2025, by = "省代码")

# 连续色使用 ColorBrewer YlGnBu，na.value 用于无数据省份
ggplot() +
  geom_sf(data = plotbbox, fill = "#BBD1EB") +
  geom_sf(data = provmap, aes(fill = 平均土壤湿度), color = "gray", linewidth = 0.05) +
  scale_fill_distiller(name = "平均土壤湿度", palette = "YlGnBu", direction = 1,
                       na.value = "grey90") +
  ggsave("picdir/图1_2025年各省份平均土壤湿度地图.png", plot = p1,
         width = 10, height = 8.5, device = png)

附件中也提供了该数据的处理代码供参考：

数据引用格式

由于该数据包含较多 RStata 处理的内容，在研究中使用该数据请使用清晰的方式注明数据来源于 RStata 或者 RStata 数据中心，并使用如下格式引用：

RStata 数据中心: 2000～2025 年各省市区县日度、月度、年度平均土壤湿度面板数据. 2026. https://tidyfriday.cn/rsdb2/

英文文献可以使用下面的格式引用：

RStata Data Center: Daily, Monthly, and Annual Average Soil Moisture Panel Data by Province, City, and District/County in China, 2000–2025. 2026. https://tidyfriday.cn/rsdb2/

原始栅格数据来源（使用前请务必引用）：

董一凡, 袁慧玲. (2025). 中国区域逐日1km分辨率多源融合土壤湿度数据集(2000–2025). 国家青藏高原科学数据中心. https://doi.org/10.11888/Terre.tpdc.302923. https://cstr.cn/18406.11.Terre.tpdc.302923.

Dong, Y., & Yuan, H. (2026). China’s 1 km daily surface soil moisture fusion dataset (2000–2025) based on explainable machine learning. Advances in Atmospheric Sciences. https://doi.org/10.1007/s00376-026-5612-9

关联课程/数据推荐

栅格数据的裁剪与面积汇总——基于 R 语言的方法：https://rstata.duanshu.com/#/course/d2c2710928f44ad7a7518b8a178562c0

如何将栅格数据处理成面板数据或时间序列数据？以 PM2.5 浓度数据处理为例（含并行计算内容）：https://rstata.duanshu.com/#/course/109dfcdfd1174d1eb2d00c621df4f047

1980年1月1日～2025年12月31日各省市区县相对湿度、比湿、地表高度、气压、风速和气温日度数据：https://rstata.duanshu.com/#/course/8323ef3f0da44634b058bd34ab65bed1

1940 年 1 月～2025 年 12 月各省市区县地表净太阳辐射面板数据：https://rstata.duanshu.com/#/course/5c8cb7d40de44668869f2bbb5606987c

RStata 定制｜栅格数据转面板数据或时间序列数据：https://rstata.duanshu.com/#/course/839afebb01d54457b42b94e87e7dc085

如果有将栅格数据处理成面板数据的相关需要，可以联系李老师付费定制。

点击这里跳转到 RStata 短书平台获取附件：2000～2025 年各省市区县日度、月度、年度平均土壤湿度面板数据

相关文章

评论