1981-2021全球逐月太阳辐射栅格数据：GIS处理与光伏农业应用

简介：本资源为1981–2021年全球逐月太阳辐射GIS空间分布数据集，面向气象、能源、地理信息及可再生能源领域研究者与高校师生，支撑太阳能资源评估、光伏潜力分析、气候模型验证等科研与工程应用。数据以气候平均值形式呈现，覆盖41年共12个月份及全年均值，空间分辨率为0.5°×0.5°，单位统一为kWh/m²/day，采用标准GeoTIFF格式存储，并配套tfw（地理配准）、xml（元数据）、ovr（金字塔）、jpg（可视化预览）及说明文本，确保GIS软件开箱即用。压缩包含66个文件，总大小10.83MB，结构规范、命名清晰，便于批量加载与时空分析。已有936人学习下载，用户可直接调用各月/年辐射图层开展区域对比、趋势统计或叠加分析，无需额外处理即可投入ArcGIS、QGIS或Python rasterio等平台使用。 处理气候空间数据这几年，让我印象最深的不是算法多复杂，而是数据到了手边却不顺手。这套"1981-2021全球逐月太阳辐射GIS空间分布数据"属于少数直接面向GIS工作流的长期逐月产品，能把40年太阳辐射变化放到底图上做空间分析。对做光伏选址、农业区划、生态环境评估的人来说，它就是一套能直接用、能裁剪、能统计、能出图的底料数据，省掉大量从再分析原始文件里转格式、抠区域的时间。适合有GIS基础、想省事拿到高质量全球辐射序列的从业者和研究人员。

1. 项目概述与核心需求解析

1.1 数据能解决什么问题

如果只是要某个气象站点的太阳辐射数值，用传统气象资料很方便。但一旦需求变成"我需要中国西部高原任意一个坐标点过去40年逐月太阳辐射"，或者"我要出一张长江流域某月平均日辐射量空间分布图"，普通站点的观测数据就完全不够用。站点稀疏、观测年限不连续、仪器换型带来的数据断档，都会让空间分析没法做。全球逐月太阳辐射栅格数据恰好补上了这个缺口——它把辐射要素做成了连续覆盖的空间格网，每个像元都有独立的数值，相当于把整个地球表面变成了一个密集的虚拟观测网。

这套数据1981—2021年，按月组织，时间上覆盖41年，空间上覆盖全球，适合做长时序趋势分析。判断一个区域太阳能资源稳不稳定，至少要看10年以上；做气候变化背景下的资源演变研究，20到40年的序列才够用。41年逐月的长度，刚好能支撑起"年际波动—季节差异—长期趋势"这套完整分析框架。我之前做资源评估项目时，一期工程要求必须用近30年气候标准期数据，这套数据的时间范围是直接能满足的。

1.2 为什么"全球+逐月"的组合很关键

只谈"全球"不谈时间分辨率，数据基本没法用。年值的太阳辐射数据只能看总量，失去季节信息；日值数据虽然细节丰富，但运算量巨大、存储占用高，对很多业务场景是浪费。逐月是一种平衡：既能捕捉季节与年际变化，又不会让数据量失控。492个月（41年乘12个月）的数据，在普通PC上用GIS软件做分区统计、栅格计算，都能在可接受时间内完成。

空间上的"全球覆盖"意味着，无论项目区在哪个国家、哪个纬度，都能直接取到数。这种一致性对跨国或多区域对比非常有价值。用同一套数据源分析不同区域的资源差异，避免"不同项目用不同数据导致结果没法比较"的尴尬。我在实际项目中深切体会到，做全国性的资源普查时，如果各省用的是不同年份、不同分辨率、不同单位的数据，拼起来就是一场灾难。统一的时间序列、统一的空间网格，是这类项目顺利推进的前提。

2. 数据获取与格式解析

2.1 这类数据从哪来，是什么原理

先理解这套数据的底层逻辑。全球逐月太阳辐射栅格数据基本不是靠地面站插值出来的，而是以卫星反演为骨干，融合再分析气象场，经过物理辐射传输模型计算得到的。原理上，太阳辐射从大气层顶进入地表，中间经过云、气溶胶、水汽、臭氧等因子的衰减，模型把这些因子逐项参量化，就能算出地表接收到的总辐射（GHI）和直接辐射（DNI）、散射辐射（DIF）等分量。加上卫星对云和气溶胶的连续观测，最终形成时空连续的产品。

拿到手的栅格数据，背后其实是复杂的辐射传输方程。不过做GIS应用的人不必深究每个公式，但至少要知道对应波段是哪一种辐射分量。常见产品会区分：

• GHI（全球水平总辐射）：光伏项目最常用的分量；
• DNI（法向直接辐射）：光热发电、聚光光伏必看；
• DIF（散射辐射）或晴空辐射：常用于气候研究和模型驱动。

如果数据集只提供一层，大概率是GHI；如果提供多层，要特别留意单位是否一致、是否已经做过地形校正。太阳辐射的地形效应在山地尤其重要——坡向、坡度、阴影遮挡都会让实际接收辐射差异巨大。如果数据源没有做地形校正，在山地应用时需要结合DEM做二次修正，比如用坡度坡向因子把水平辐射换算成坡面辐射，这一步在精细化光伏选址里很常见。

2.2 格式、坐标系与波段组织方式

这类产品最常见有两种交付格式。

第一种是NetCDF（.nc）或HDF（.hdf）格式，把所有月份放到一个多维数组里，维度一般是[time, lat, lon]。这种格式的好处是方便按时间切片，读取效率高，代码处理方便；但很多GIS新手一打开.nc文件就懵，图层只有一个，时间维不知道去哪了。实际上ArcGIS Pro可以原生读取netCDF，通过"多维数据"工具面板把时间维暴露出来；QGIS需要用插件或"从NetCDF添加栅格图层"的方式加载。

第二种是逐月GeoTIFF（.tif），每月一个文件，共492个。这种格式对GIS使用者最友好——直接拖进ArcMap或QGIS就能看到图，符号化、按掩膜提取、栅格计算都不需要额外处理。缺点是文件数量多，管理起来要做目录规划；而且不同月份的tif如果压缩算法不一致，批量处理时可能有兼容性问题。

坐标系方面，全球数据通常以WGS84地理坐标系（EPSG:4326）或等经纬度投影提供，栅格分辨率常见0.1度、0.25度、0.5度。这个分辨率对应地面上大约11公里、28公里、55公里左右。做省级或国家尺度分析，0.25度足够了；做县域级项目，最好找0.1度或更细的数据。我这里建议拿到数据后第一件事就是确认坐标系和像元大小，不要默认它是某个投影。很多坑都是这里埋下的——比如用WGS84经纬度数据直接算面积、做缓冲区，距离和面积全是错的。

2.3 核心参数：单位、时间戳、缺失值

这是我踩坑最多的部分。太阳辐射数据常见的单位有这么几类：

如果数据里写的是"Monthly mean of daily GHI in kWh/m²/day"，单位就是kWh每平方米每天，这是做光伏资源评估最顺手的单位。但如果说明不清晰、下载页面又隐藏了单位信息，建议先用已知站点的观测值抽样对比一下，把单位校准了再做全区域处理。我记得有一次用的产品单位是0.01 kWh/m²/day，直接把数值当成kWh用，结果整个区域辐照量比实际偏大100倍，后面全报废重算。

时间戳也一样。逐月数据的时间戳可能表示"该月第一天"、"该月15日"或"该月最后一天"，也可能表示"该月平均值"。这会影响时间序列的匹配和画图标注。另外要确认月份是当地时间还是UTC——全球产品一般用UTC，但做日照分析时最好转成地方时，便于与光伏发电的峰时匹配。

缺失值处理也要提前看。栅格产品对水体、极夜区、缺失观测区域会填一个特殊值（比如NaN、-9999），统计时如果不排除，结果直接崩。用ArcGIS的统计功能时，记得在环境设置里把"NoData"和特殊值处理干净。

3. GIS处理实操要点

3.1 加载数据前的标准动作

先把数据分门别类放好。我习惯按"原始数据>区域裁剪>统计输出>制图成果"四个目录归档，下载的原始tif/nc一律只读备份，处理产物单独存放。不会因为批量操作的中间文件覆盖原始数据，事后想重新处理还不至于抓瞎。

拿到GeoTIFF后，直接用ArcGIS Pro拖进地图，先别着急做分析，先把图层属性打开做三件事。

第一，确认坐标系。若显示GCS_WGS_1984，说明是经纬度数据；如果单位是米且带投影信息（如UTM、Web Mercator），要留意全球数据一般不会用投影坐标系直接交付，除非做过重投影。

第二，确认像元大小和范围。用属性里的"源（Source）"标签页查看像元大小（Cell Size），比如0.25度。如果像元大小不是规则的度数，而是带小数点的米数（例如1000.243米），说明数据在交付过程中被重投影过，间接产生了重采样，精度会有损耗。

第三，查看符号化拉伸效果。第一次加载栅格，ArcGIS通常会用默认拉伸。如果图像全黑或全白，多半是栅格值域与符号化拉伸范围不一致，双击图层打开符号系统，选择"拉伸"类型，把拉伸类型设为"最值"或"百分比截断"，即可恢复显示。这对应了很多人在网上问的"底图去除黑边"问题，其实很多时候不是黑边，是NoData和有效值的范围没设置对。

3.2 从全球数据按区域批量裁剪

做区域项目，第一步一定是把全球数据裁剪到研究区。不要在整个球面上做统计，运算量大且结果难解释。裁剪的方法有三类，按场景选择：

第一种是直接用ArcGIS的"按掩膜提取（Extract by Mask）"。输入研究区矢量边界，栅格运算会以矢量范围为准裁出边界内的像元。优点是操作简单，缺点是如果矢量范围很大，输出分辨率、NoData处理都按环境设置来，要记得在环境里把"捕捉栅格（Snap Raster）"设成原始数据，否则输出栅格的像元位置会与原始数据产生偏移，后续叠加其它栅格时容易出现半个像元的错位。

第二种是"裁剪（Clip）"工具，适合用矩形范围快速切图。与按掩膜提取的区别是，Clip不要求输出与掩膜的像元对齐，而按掩膜提取会做更严格的重采样处理。简单裁剪用Clip，要求严格物候边界时用Extract by Mask。

第三种是用Python（ArcPy或rasterio）批量处理。492个月份全用手工一个个裁，效率太低。我通常写一个循环，遍历所有tif，用同一个shp执行裁剪，顺便在文件名里加上区域名和月份标识。示例代码基于rasterio，适合QGIS用户或纯Python环境：

import rasterio import rasterio.mask as riomask import geopandas as gpd from pathlib import Path shp = gpd.read_file("study_area.shp") geom = [shp.geometry.values[0]] in_dir = Path("./raw_global_month") out_dir = Path("./regional_month") out_dir.mkdir(exist_ok=True) for tif_path in sorted(in_dir.glob("*.tif")): with rasterio.open(tif_path) as src: out_img, out_transform = riomask.mask(src, geom, crop=True, nodata=src.nodata) out_meta = src.meta.copy() out_meta.update({ "driver": "GTiff", "height": out_img.shape[1], "width": out_img.shape[2], "transform": out_transform }) out_name = out_dir / f"regional_{tif_path.name}" with rasterio.open(out_name, "w", **out_meta) as dst: dst.write(out_img) print(f"完成: {out_name}")

这段代码是我日常处理逐月栅格的底子。注意我这里的shp只取了第一个要素，如果研究区由多个面要素组成，需要先把shp融合成一个要素，避免mask时产生重复区域或孔洞。

3.3 点位提取与分区统计

分析里最常用的两个需求：给坐标点赋值，给行政区统计均值。

给点赋值，用ArcGIS的"多值提取至点（Extract Multi Values to Points）"工具，或者在Pro里用"栅格采样（Sample）"。一次把492个栅格全选，采样会生成492个字段，字段命名默认是栅格文件名。采样前务必搞清楚坐标系，点图层和栅格必须统一坐标系，否则提取出的值位置全错。我的做法是先给点图层定义一个与栅格一致的坐标系（通常WGS84），再让工具自动在背后完成转换。

给行政区统计均值，用"分区统计（Zonal Statistics as Table）"。这里有个容易忽略的点：分区统计时，要确认把"忽略NoData"勾上；否则一个区内只要有一个NoData像元，整个统计结果就会受影响。如果研究区边缘有海洋或极夜区的NoData，不勾选会得到明显偏低的均值。

另外一个直接相关的问题是很多人问的"GIS怎样用一个点插值"。太阳辐射栅格虽然是连续面数据，但有时野外实测只有少数站点，想从点观测生成面分布。此时可以用"反距离权重（IDW）"或"克里金（Kriging）"。但我要特别提醒：如果用这套全球产品做趋势验证、想用站点观测去校正产品，不要用插值去替代栅格，而是直接把站点观测值与栅格提取值做散点对比、计算偏差，对栅格做回归校正。这才是更严谨的做法。插值只有在站点密度足够高、地形不复杂的地区才可信。

3.4 模型构建器与其他小技巧

ArcGIS的模型构建器（ModelBuilder）适合把"裁剪→分区统计→出表"这样的流程固化下来。很多人第一次看模型构建器里的变量，搞不懂%值%和%名称%的区别。简单说，在迭代器输出中，"%值%"是要素或栅格对象的几何值（也就是实际参与运算的数据），"%名称%"是它的名字字符串。比如你迭代一组shp，"%值%"是"aa.shp"这个要素类，"%名称%"是字符串"aa"，用于拼文件名、标注图例就非常方便。搞清楚这个区别，批量出表、批量出图才能顺利跑下来。

如果拖入模型运行报"无法从数据源加载数据"，大概率是路径问题——模型里的路径是绝对路径，移动到别的电脑后所有数据源就失效了。解决办法是把数据、脚本、工程文件放在同一个根目录里，路径用相对路径或直接改源路径。还有一次客户拿着模型说"点成线工具跑不通"，我一看是他把点要素的坐标系设成了未知，工具找不到空间参考，自然无法正确连线。

另外，如果项目里需要把研究区按等高线或河流分割成多个子区域来单独统计，可以参考"用线切割面"的思路。ArcGIS里用线要素切割面，推荐使用"修复几何（Repair Geometry）"先清理面要素，再用"分割面（Split Polygon by Lines）"工具；如果线没有完全穿过面，工具会报错或切割失败，此时要先用"延伸线"或"生成面"把线处理完整。这是很多人踩过的坑，尤其在处理河流边界和流域分区时特别常见。

4. 常见问题与排查技巧实录

4.1 栅格全黑、黑边与拉伸异常

这个必须放第一位，因为太常见了。拿全球数据直接加载，最典型的现象就是"黑色一片"或"边缘一圈黑框"。原因通常是：

• 栅格值范围很大（尤其有异常高值或负值），符号化的默认拉伸区间不合理；
• NoData被当作有效值参与显示，显示成黑色；
• 多波段数据里，RGB通道分配不对，加载多波段tif时如果波段没有标准元数据，RGB拉伸可能乱套。

解决办法：在图层属性里把符号系统从"拉伸"改为"最值"或"百分比截断"，设置NoData为透明色。若是多波段数据，到"波段"选项卡里手动指定R、G、B对应波段。这不属于数据质量问题，纯粹是显示设置。我现在每拿到一批新栅格，第一件事就是快速检查有效值最小/最大值，再看拉伸方式，这能省下很多"怎么图黑了"的询问。

4.2 时间维度错位

用netCDF格式时会遇到时间维不显示、或显示出来的时间和我预期对不上。ArcGIS Pro的多维数据工具里，如果netCDF的time变量不是标准格式，Pro可能直接忽略它，只剩一个"slice"波段。此时只能自己在属性表里记录切片顺序，或者干脆用Python把nc转成逐月tif，反而省心。转换时注意：解压后的数值要乘以原始数据的scale_factor、加上add_offset（如果有），很多nc文件的数据是压缩存储的整数，直接读出来是错的。

这里我最推荐的流程是：拿到nc文件先不急着拖进GIS，先用Python（xarray）打开看一眼维度、变量、属性（units、scale_factor、add_offset），确认无误后再转成tif或加载到Pro。xarray的好处是可以直接按月份选取切片，并且自动处理时间索引，省去手工数波段的麻烦。

4.3 投影与面积计算

对全球数据做面积相关统计时，首先要明确：WGS84经纬度栅格，像元面积不是常数，纬度越高单个像元的实际面积越小。如果直接调用"分区统计"得到的是像元平均值，面积权重本身没问题；但如果用"栅格计算"求总量、或计算区域的累积辐射量，就一定要把每个像元的实际面积考虑进去——通常做法是先投影到等面积投影（如Mollweide、Albers），再计算。

有人问"GIS计算椭球面积公式"怎么用。在ArcGIS中，计算面要素椭球面积的工具是"计算几何属性（Calculate Geometry Attributes）"，选择"AREA_GEO"（测地线面积），它会按椭球模型计算，而不是平面投影面积。对全球尺度的区划统计，强烈建议用这个字段。手动写公式的话，要用椭球面上两点间的积分公式，非常复杂，没必要，直接用工具就好。

理解"为什么"也很重要：在大范围、高纬度地区，Web Mercator等投影严重变形。如果在一个高纬度的研究区用平面面积统计，结果可能比真实面积大好几倍。所以做辐照量总量汇总时，我的习惯是统一投影到Albers或Mollweide等面积投影，再做分区统计。

4.4 栅格计算与单位换算的坑

把逐月数据换算成"年总辐射量"或"多年平均月辐射量"，常用栅格计算器。注意：在栅格计算器里，要先确认原始栅格的数值范围量级。如果原始数据是kWh/m²/day，求一年总辐射量要乘以当月天数再求和："jan"*31 + "feb"*28 + ... + "dec"*31。如果直接对十二个月求平均，得到的是"日平均辐射量的年均"，不是年总量。这两种结果差了几十倍。

另外注意闰年问题。二月有28或29天，1981—2021年间有闰年（1984、1988、1992、1996、2000、2004、2008、2012、2016、2020这10个），所以做多年统计时，2月的日数要按年份判断，代码里可以用calendar.isleap判断。写Python批量处理时，我常用一个按月天数的字典：

import calendar month_days = [calendar.monthrange(year, month)[1] for month in range(1, 13)]

这样算年总量时不会弄错2月天数。如果数据是"月总量"单位，就不需要乘天数了；但很多全球产品给的是"日均值"，这一步最容易出错。我习惯在数据处理脚本开头就写清楚：raw_unit = "kWh/m2/day"，target_unit = "kWh/m2/year"，然后统一换算，可读性高也方便复查。

5. 典型应用场景与心得

5.1 光伏选址与农业区划

太阳能光伏电站的选址，光看一个地区的平均辐射量远远不够，还需要看年内波动和多年变化趋势。这套逐月数据可以直接做三件事：

1. 生成"多年月平均辐射量"的12张图，判断资源季节性；
2. 计算"变异系数"（CV），识别年际波动大的区域；
3. 制作"资源等级区划图"，把最佳区域、一般区域、不宜建设区域划分出来。

具体做法是：先用栅格计算器把492个月的辐射量按年和月聚合，得到41个年值，再用标准差除以均值得到CV。CV值高的区域，即便平均辐射量高，对光伏电站的稳定收益也有风险，通常要结合其他因素做综合评估。农业上，太阳辐射直接决定作物光温潜力，可以用月辐射量结合温度数据计算积温，做种植区划。配合NDVI、降水、土壤等栅格，还可以做进一步的适宜性评价。

另外，做光热项目时，DNI比GHI更关键。如果只有GHI数据，需要用统计分析或物理模型估算DNI，但这会引入不确定度。所以选数据时尽量找带DNI分量的版本，否则光热项目的经济性测算会有较大偏差。

5.2 制图输出与成果表达

处理完的数据最终要变成图，这个环节有不少细节。比如制图时太阳辐射量的分级色带，我会用从黄到红暖色调，突出高辐射区；分类采用分位数或等间隔，注意图例上的单位注明。如果研究区域多（比如中国按省），用模型构建器批量出图时，可以构造以省名称为标题、以栅格为底图的模板。就是把"%名称%"用在地图标题和输出文件名里，实现自动化出图。

很多人问"GIS标注不要遮盖图斑怎么操作"。在出图时，标注与图层重叠是常事。可以右键图层属性，在"要素标注"里勾选"放置属性"，再加上"移除冲突标注"，或者用标注缓冲区和"仅显示在范围内"来控制。如果要固定不压盖，可以用标注转注记（Convert Labels to Annotation）后手动干涉，但这样批量出图会慢，通常是最后定稿时再用。

如果想在地图上显示"底图去除黑边"的效果，关键也是NoData透明化。在ArcGIS Pro里可以通过符号系统将NoData设置为"无颜色"，QGIS里则在图层属性的透明度选项卡里把NoData值设为透明。这一步做好了，图面干净很多，也能避免黑边干扰视觉。

5.3 我的实操体会

这套类型的时间序列数据我接手过两个项目，最深的体会是：时间序列数据一旦进入GIS，成败往往不在算法，而在数据管理的细节——单位、坐标、NoData、时间戳，任何一个搞错都会让后续分析报废。所以我现在的习惯是：任何数据处理前，先花10分钟写下元数据清单：数据名称、原始单位、换算系数、坐标系、有效值范围、NoData值、时间戳含义。这个清单贴在项目目录首页，整个团队都能对照检查。

另外一个心得：逐月数据在统计分析时，一定要区分"日均值"和"月总量"，这在处理太阳辐射数据时尤其容易迷糊。还有不管用什么软件，都先做一个小范围试算，比如仅裁一个县的数据跑一遍完整流程，确认数值量级、空间分布都合理后，再跑全区域。这一步能省下大量返工时间。

最后再分享一个小技巧：这批数据做时序变化分析时，可以先做一个"多年平均逐月辐射量"的栅格集（共12个月），再用"像元统计（Cell Statistics）"计算每月的最大值、最小值、标准差，这样能快速摸清研究区辐射资源的季节稳定度，不必每次都把492个文件全拉出来统计。等有了整体判断，再针对关键时段做精细分析，效率高出不少。

本文还有配套的精品资源，点击获取