GEE实战：CHIRPS降水数据多时间尺度分析与可视化

1. 从零开始：认识GEE与CHIRPS降水数据

如果你对全球气候变化、农业旱情监测或者水文研究感兴趣，但又觉得处理海量卫星数据是个技术活，那今天这篇文章就是为你准备的。我是老张，在遥感数据分析这块摸爬滚打了十来年，用过不少平台，但要说处理全球长时间序列数据最省心、最高效的，Google Earth Engine（GEE）绝对是首选。它就像一个在线的“地球数据超级计算机”，把几十年的卫星影像、气象数据都给你准备好了，你只需要写几行简单的JavaScript代码，就能调用这些数据进行分析，完全不用自己下载动辄几十GB的原始文件，这对个人研究者和学生来说简直是福音。

今天我们要重点聊的，是GEE里一个非常经典且实用的数据集——CHIRPS。它的全称是“Climate Hazards Group InfraRed Precipitation with Station data”，翻译过来就是“气候灾害组红外降水融合站点数据”。这个名字听起来有点复杂，但其实原理很直观：科学家们把卫星观测的红外数据（能反映云顶温度，间接推断降水）和全球地面气象站实测的降水数据结合起来，通过算法“融合”成一个更准确、更可靠的全球网格化降水产品。这个数据从1981年一直更新到现在，空间分辨率大约是0.05度（赤道附近约5.5公里），时间上提供了日尺度的数据。这意味着，你可以分析地球上几乎任何一个地方，从昨天到四十年前的任何一天的降水量。

为什么CHIRPS这么受欢迎？我自己的体会是，它解决了传统降水数据的几个痛点。第一是覆盖面广，很多偏远地区、海洋上没有气象站，纯站点数据是空白，而卫星数据可以全覆盖。第二是一致性高，整个时间序列用的是同一套算法和输入数据，避免了因为站点搬迁、仪器更换带来的数据不连续问题，做长期趋势分析特别靠谱。第三就是获取方便，在GEE里，你只需要知道它的数据集ID"UCSB-CHG/CHIRPS/DAILY"，就能直接调用，省去了找数据源、下载、解压、格式转换等一系列繁琐的预处理步骤。

那么，谁最适合用这套数据和今天介绍的方法呢？如果你是地理、气象、水文、生态、农业等相关专业的学生或研究人员，需要分析区域或全球的降水特征；或者你是相关领域的工程师或规划人员，需要评估旱涝风险、进行水资源管理；甚至你只是一个对气候数据可视化感兴趣的爱好者，想自己动手制作一张专业的降水分布图，接下来的内容都会手把手带你实现。我们不会停留在理论，而是直接进入GEE的代码编辑器，用实战代码说话，从单日数据提取，到月、年乃至多年平均的计算与可视化，一步步拆解。你会发现，原来分析全球降水格局，并没有想象中那么难。

2. 环境准备与数据初探：你的第一个GEE脚本

万事开头难，但GEE的开头真的不难。首先，你需要一个谷歌账号。打开浏览器，访问 https://code.earthengine.google.com/，用你的谷歌账号登录，就进入了GEE的在线代码编辑器。这个界面非常简洁，中间是写代码的脚本编辑器（Script Editor），左边是数据集搜索、脚本管理等功能模块，右边是地图显示和结果输出窗口。第一次使用可能需要简单注册一下，过程很快。

登录成功后，我们新建一个脚本。在代码编辑器里，我们首先来加载CHIRPS数据，并看看它长什么样。这里我给出一个最基础的代码块，你可以直接复制粘贴运行：

// 1. 加载CHIRPS日降水数据集 var chirpsDaily = ee.ImageCollection("UCSB-CHG/CHIRPS/DAILY"); // 2. 打印数据集的基本信息到控制台 print('数据集基本信息:', chirpsDaily); // 3. 在控制台打印数据集的第一个影像，看看数据结构 var firstImage = chirpsDaily.first(); print('第一景影像的信息:', firstImage); // 4. 定义一个时间范围，并过滤出这个时间段的数据 var startDate = '2023-06-01'; var endDate = '2023-06-10'; var filteredCollection = chirpsDaily.filterDate(startDate, endDate); // 5. 打印过滤后的影像数量 print('2023年6月1日至10日的影像数量:', filteredCollection.size()); // 6. 计算这10天的累计降水量（将每天的影像相加） var totalPrecipitation = filteredCollection.sum(); // 7. 定义可视化参数 var precipitationVis = { min: 0, // 显示的最小值 max: 100, // 显示的最大值（单位：毫米） palette: ['white', 'blue', 'darkblue', 'green', 'yellow', 'red'] // 颜色渐变条 }; // 8. 将地图中心定位到中国区域 Map.setCenter(105, 35, 3); // 经度，纬度，缩放级别 // 9. 将累计降水量图层加载到地图上 Map.addLayer(totalPrecipitation, precipitationVis, '2023-06-01至10日累计降水');

运行这段代码（点击编辑器上方的Run按钮），你会看到右边地图上出现了彩色图案，这就是2023年6月前10天全球的累计降水量。颜色越蓝表示降水越多，越红表示越少。同时，在编辑器下方的Console（控制台）标签页里，会打印出数据集的信息。你会看到这个ImageCollection包含很多属性，比如时间范围、波段名称等。其中最关键的一个波段就是'precipitation'，它的单位是毫米（mm），这就是我们后续所有分析的基础。

这里有个小技巧：GEE处理数据是“惰性”的。当你执行filterDate或sum()这些操作时，它并不是真的在下载和处理所有数据，而是生成一个处理任务的描述。只有当你需要可视化（Map.addLayer）或导出（后面会讲）时，它才会在后台真正开始计算。这种设计使得处理超大规模数据成为可能。

你可能注意到，全球地图看起来有点“平淡”，特别是海洋区域。这是因为CHIRPS主要针对陆地降水，海洋上的数据是卫星反演结果，精度相对较低。在实际研究中，我们通常会用一个感兴趣区域（ROI）来裁剪数据，聚焦在我们关心的地区，比如某个省、某个流域。接下来，我们就来学习如何定义并应用你的研究区。

3. 核心操作一：日尺度降水数据的提取与可视化

日常研究中，我们经常需要分析特定日期或短时间窗口的降水情况，比如一次暴雨过程。在GEE中提取单日或数日的CHIRPS数据非常直接。但在此之前，我们必须先明确我们的研究区域。定义研究区有几种常见方法，最灵活的是手动绘制。

在GEE地图窗口的左上角，有一排图形工具。找到那个多边形（Polygon）或矩形（Rectangle）图标，点击它，然后在地图上你想研究的地方（比如长江流域）点几个点，围成一个区域，双击闭合。这时，脚本中会自动生成一个名为geometry的变量。为了代码清晰，我们通常把它赋值给我们自己的变量，比如叫roi（Region of Interest）。

// 假设我们已经通过地图工具绘制了一个多边形，系统自动生成了geometry变量 var roi = geometry; // 将绘制的几何区域赋值给 roi Map.addLayer(roi, {color: 'FF0000'}, '我的研究区域'); // 将ROI以红色边框显示在地图上 // 如果不手动绘制，也可以直接用坐标定义矩形区域（例如四川省的大致范围） // var roi = ee.Geometry.Rectangle([97.0, 26.0, 108.0, 34.0]);

有了roi，我们就可以进行精准的数据提取和分析了。假设我想看2023年7月20日这天全国的降水情况，并计算四川省当日的平均降水量，代码如下：

// 1. 定义具体日期 var targetDate = '2023-07-20'; // 2. 过滤出该日的CHIRPS影像 // 注意：filterDate是包含开始时间，不包含结束时间，所以结束日期要加一天 var dailyImage = ee.ImageCollection("UCSB-CHG/CHIRPS/DAILY") .filterDate(targetDate, '2023-07-21') // 过滤出7月20日这一天 .first(); // 获取集合中的第一景（也是唯一一景）影像 // 3. 将影像裁剪到研究区 var dailyImageClipped = dailyImage.clip(roi); // 4. 定义可视化参数（调整颜色方案以更好显示单日降水） var dailyVis = { min: 0, max: 50, // 单日降水超过50mm就算暴雨了，这里设为最大值 palette: ['#ffffcc','#a1dab4','#41b6c4','#2c7fb8','#253494'] // 从浅黄到深蓝的渐变色 }; // 5. 将裁剪后的日降水图层添加到地图 Map.addLayer(dailyImageClipped, dailyVis, '2023-07-20日降水'); // 6. 计算研究区内的平均降水量 var meanStats = dailyImageClipped.reduceRegion({ reducer: ee.Reducer.mean(), // 使用均值归约器 geometry: roi, scale: 5500, // 使用CHIRPS数据的大致分辨率（0.05度约5500米） bestEffort: true // 如果区域太大或计算复杂，尝试最佳估算 }); // 7. 在控制台打印平均降水量结果 print('2023-07-20 研究区平均降水量 (mm):', meanStats.get('precipitation'));

运行后，地图上会高亮显示你定义的roi区域，并叠加该区域的日降水彩色图。在控制台，你会看到打印出的平均降水量数值。这个reduceRegion函数非常强大，它可以将一个区域内所有像素的值进行统计（求平均、求和、最大值、最小值等），是进行区域统计的关键。

但只看一天的数据往往不够，我们可能想分析一个连续时段，比如一次持续一周的降水过程。这时，我们可以计算这个时间段的累计降水量。只需将上面的.first()改为.sum()即可：

// 计算2023年7月一整月的累计降水量 var start = '2023-07-01'; var end = '2023-08-01'; // 注意：结束日期不包含，所以用8月1号表示7月31日结束 var monthlyAccumulation = ee.ImageCollection("UCSB-CHG/CHIRPS/DAILY") .filterDate(start, end) .sum() // 将整个集合的影像相加 .clip(roi); Map.addLayer(monthlyAccumulation, {min: 0, max: 300, palette: ['white', 'blue', 'darkblue']}, '2023年7月累计降水');

通过调整filterDate和选择不同的统计方法（sum,mean,max等），你可以轻松获取任意时间窗口的降水特征。这是日尺度分析的核心。接下来，我们将难度升级，看看如何系统性地处理更长时间序列，生成月度、年度甚至多年平均的数据。

4. 核心操作二：自动批量计算月尺度与年尺度数据

手动改日期去计算每个月、每一年的数据显然太累了。在GEE里，我们可以利用循环和日期列表工具来实现自动化批量处理，这是体现GEE强大计算能力的关键。我们先从计算单个月份的平均降水开始。

假设我想计算研究区2022年每个月的平均降水量，并将结果图片保存到我的Google Drive。思路是：先构建一个包含2022年12个月份的列表，然后循环遍历这个列表，对每个月的数据进行过滤、求平均、裁剪，最后导出。代码如下：

// 定义研究区（沿用之前的roi） // 定义起始和结束年份 var startYear = 2022; var endYear = 2022; // 创建一个月份列表 [1,2,3,...,12] var months = ee.List.sequence(1, 12); // 使用map函数遍历每个月，而不是用for循环。在GEE的服务器端环境中，map比for循环更高效。 var monthlyCollection = ee.ImageCollection.fromImages( months.map(function(m) { // 为每个月构建起始和结束日期 var startDate = ee.Date.fromYMD(startYear, m, 1); // 计算下个月的第一天作为结束日期 var endDate = startDate.advance(1, 'month'); // 过滤出该月的所有日数据，并计算月平均 var monthlyMean = ee.ImageCollection("UCSB-CHG/CHIRPS/DAILY") .filterDate(startDate, endDate) .filterBounds(roi) // 先按空间过滤，提高效率 .select('precipitation') // 只选择降水波段 .mean() // 计算月平均 .clip(roi) .set('year', startYear) // 为影像设置属性，方便后续识别 .set('month', m) .set('system:time_start', startDate.millis()); // 设置时间属性，便于制作时间序列图 return monthlyMean; }) ); // 打印月度集合的信息 print('2022年月平均降水影像集合:', monthlyCollection); // 将第一个月（1月）的结果可视化到地图上 var januaryImage = ee.Image(monthlyCollection.first()); Map.addLayer(januaryImage, {min: 0, max: 5, palette: ['white', 'lightblue', 'blue']}, '2022年1月平均降水'); // 批量导出所有月份的图像到Google Drive months.evaluate(function(monthList) { for (var i = 0; i < monthList.length; i++) { var m = monthList[i]; var image = ee.Image(monthlyCollection.filter(ee.Filter.eq('month', m)).first()); Export.image.toDrive({ image: image, description: 'Precip_Monthly_Mean_' + startYear + '_' + m, // 导出任务名称 folder: 'GEE_CHIRPS_Exports', // 在Google Drive中创建的文件夹名 fileNamePrefix: 'CHIRPS_monthly_' + startYear + '_' + m, region: roi, scale: 5500, // 导出分辨率，单位：米 maxPixels: 1e9 // 允许的最大像素数，防止数据过大 }); } });

这段代码有几个关键点。首先，我们用了ee.List.sequence和.map()函数，这是GEE中典型的“服务器端”循环方式，比在客户端用JavaScript的for循环更高效。其次，我们为每个生成的月平均影像设置了属性（set），比如年份、月份，这样后面如果需要按属性过滤会很方便。最后，导出部分用了evaluate来获取客户端列表，然后在客户端循环发起多个导出任务。你运行后，会在GEE的Tasks标签页看到一堆导出任务，点击Run后，文件就会陆续存到你的Google Drive指定文件夹里。

计算年度数据思路类似，但更简单，因为不需要内层循环。下面我们计算从1993年到2012年这20年间，每一年的年平均降水量：

// 定义年份范围 var startYear = 1993; var endYear = 2012; var years = ee.List.sequence(startYear, endYear); // 创建年度平均降水影像集合 var annualCollection = ee.ImageCollection.fromImages( years.map(function(y) { var startDate = ee.Date.fromYMD(y, 1, 1); var endDate = startDate.advance(1, 'year'); var annualMean = ee.ImageCollection("UCSB-CHG/CHIRPS/DAILY") .filterDate(startDate, endDate) .filterBounds(roi) .select('precipitation') .mean() .clip(roi) .set('year', y) .set('system:time_start', startDate.millis()); return annualMean; }) ); // 将地图中心定位到研究区，并添加某一年（例如2012年）的图层 Map.centerObject(roi, 5); // 以roi为中心，缩放级别5 var year2012Image = annualCollection.filter(ee.Filter.eq('year', 2012)).first(); Map.addLayer(year2012Image, {min: 1.0, max: 17.0, palette: ['001137', '0aab1e', 'e7eb05', 'ff4a2d', 'e90000']}, '2012年平均降水'); // 同样，可以批量导出这些年度平均图像

这里我用了和原始文章示例中一样的调色板（palette），从深蓝到绿色、黄色再到红色，这种配色在显示降水空间分布时非常直观，蓝色多雨，红色少雨。通过批量生成多年序列，你实际上已经构建了一个时间序列数据集，可以用来分析降水年际变化趋势。例如，你可以计算这20年的平均状态，或者找出最旱和最涝的年份。

5. 核心操作三：多年平均与气候态分析

在气候学中，我们常使用一个30年的平均值作为“气候态”，用来衡量某一年或某个月份相对于长期平均状况的偏差（是偏旱还是偏涝）。虽然CHIRPS数据从1981年开始，但我们可以灵活定义自己的“长期”时段，比如计算1993-2012这20年的平均降水，作为该时段的“气候态”。

计算多年平均非常简单，因为我们已经有了每年的平均影像集合（annualCollection）。只需要对这个集合再求一次平均即可：

// 计算1993-2012年这20年的平均降水（气候态） var longTermMean = annualCollection.mean().clip(roi); Map.addLayer(longTermMean, {min: 1.0, max: 17.0, palette: ['001137', '0aab1e', 'e7eb05', 'ff4a2d', 'e90000']}, '1993-2012年平均降水（气候态）'); // 计算某一年（如2012年）相对于这个气候态的距平（Anomaly） var anomaly2012 = year2012Image.subtract(longTermMean); // 2012年值减去气候态 // 定义距平的可视化参数，通常用红蓝渐变色，红色表示偏多，蓝色表示偏少 var anomalyVis = { min: -5, // 最小距平值（毫米） max: 5, // 最大距平值（毫米） palette: ['blue', 'white', 'red'] }; Map.addLayer(anomaly2012, anomalyVis, '2012年降水距平');

距平图能非常清晰地告诉我们，2012年哪些地方比过去20年平均更湿（红色），哪些地方更干（蓝色）。这对于干旱或洪涝监测非常有价值。

除了空间分布，时间序列分析同样重要。GEE内置了强大的图表功能，可以轻松绘制研究区平均降水量的年际变化曲线。我们利用之前已经设置好system:time_start属性的annualCollection：

// 绘制研究区年平均降水量时间序列图 var chart = ui.Chart.image.series({ imageCollection: annualCollection.select('precipitation'), // 选择降水波段 region: roi, reducer: ee.Reducer.mean(), // 对区域内像素求平均 scale: 5500, xProperty: 'system:time_start' // 用时间属性作为X轴 }).setOptions({ title: '研究区年平均降水量变化 (1993-2012)', hAxis: {title: '年份'}, vAxis: {title: '降水量 (mm)'}, lineWidth: 2, pointSize: 4 }); // 将图表打印到控制台 print(chart);

运行后，在控制台会显示一个交互式图表，你可以看到一条从1993年到2012年的折线，直观反映了研究区年降水量的波动情况。你可以将鼠标悬停在数据点上查看具体数值。这个图表可以直接导出为图片用于报告。

更进一步，我们还可以计算更长时间尺度的统计量，比如每五年的平均降水。这可以帮助我们看清年代际的变化趋势。思路是先将年份分组，然后对每组内的年度影像集合求平均：

// 计算每五年平均降水（例如 1993-1997, 1998-2002, ...） var fiveYearMeans = ee.List.sequence(1993, 2012, 5).map(function(startY){ // 步长为5 var endY = ee.Number(startY).add(4); // 五年间隔 var periodCollection = annualCollection.filter(ee.Filter.and( ee.Filter.gte('year', startY), ee.Filter.lte('year', endY) )); return periodCollection.mean() .clip(roi) .set('period', startY + '-' + endY); }); // 将五年平均结果转换为ImageCollection以便可视化或导出 var fiveYearCollection = ee.ImageCollection(fiveYearMeans); print('五年平均降水集合:', fiveYearCollection); // 可视化第一个五年期（1993-1997）的平均降水 var firstPeriod = ee.Image(fiveYearCollection.first()); Map.addLayer(firstPeriod, {min: 1.0, max: 17.0, palette: ['001137', '0aab1e', 'e7eb05', 'ff4a2d', 'e90000']}, '1993-1997五年平均');

通过这种多时间尺度的分析（日、月、年、五年），你就能从天气事件、季节内变化、年际波动到年代际趋势等多个维度，全面把握研究区域的降水气候特征。这些图表和图像都是强有力的分析工具和成果展示素材。

6. 进阶技巧与实战踩坑经验分享

掌握了基本操作后，我们来聊聊一些能提升效率和结果质量的进阶技巧，以及我这些年踩过的一些“坑”。

技巧一：高效的空间过滤。在之前的代码中，我们用了.filterBounds(roi)。这个操作非常必要，它能在数据读取阶段就只加载与你的研究区相交的数据，极大减少内存占用和计算时间，尤其是在处理全球长时间序列数据时。务必养成先空间过滤，再进行时间过滤和其他计算的习惯。

技巧二：分辨率与尺度参数。这是最容易出错的地方之一。当你使用reduceRegion、reduceRegions或者导出图像Export.image.toDrive时，必须指定scale参数。这个参数决定了统计或导出时使用的像素大小（单位：米）。对于CHIRPS数据，其原生分辨率大约是0.05度，在赤道约5500米。如果你设置的scale比这个值小（比如30米），GEE会进行重采样，可能导致数据量暴增和计算错误；如果设置得太大，则会损失细节。我的经验是，对于CHIRPS，将scale设置为5500是一个安全且合理的选择。如果不确定，可以在数据集的详情页查看其原生的分辨率信息。

技巧三：导出大区域数据的策略。如果你想导出一个较大区域（比如整个中国）的高分辨率数据，可能会遇到maxPixels限制的错误。GEE默认有像素数量限制以防止过度消耗资源。解决方法是在导出函数中明确设置一个较大的maxPixels值，例如1e10（100亿像素）。同时，对于超大区域，可以考虑分块导出或降低导出分辨率。

技巧四：利用clip和updateMask的区别。我们用.clip(roi)将图像裁剪到研究区形状。但有时，研究区内的某些像素可能是无效值（比如CHIRPS在大型湖泊上的值可能为0或NaN）。如果你只想分析有效降水区域，可以使用.updateMask()。例如，只保留降水量大于0.1mm的像素：image.updateMask(image.gt(0.1))。这样，后续的统计计算就会自动忽略被掩膜（mask）掉的像素。

踩过的坑：时间过滤的边界问题。GEE的filterDate(start, end)是包含start，但不包含end的。这意味着filterDate('2023-12-01', '2023-12-02')只会获取12月1日当天的数据。要获取整个12月的数据，结束日期应该设为'2024-01-01'。这个细节在计算月度、年度数据时尤其要注意，否则会漏掉最后一天。

踩过的坑：导出任务的管理。当你批量发起几十个导出任务时，它们会排队在Tasks标签页。GEE对同时运行的任务数量有限制。如果任务失败，常见原因是超出内存限制或配额不足。对于大量任务，建议写一个循环，每次只提交几个，或者使用Export的crs和crsTransform参数进行更精确的控制。另外，导出的文件会保存到你的Google Drive，记得定期清理，以免占满空间。

最后，分享一个我常用的调试小技巧：多用print()。在写复杂循环或链式调用时，在关键步骤打印一下中间变量的类型（.type）和大小（.size()），可以快速定位问题所在。例如print('Filtered collection size:', filteredCollection.size());。GEE的调试不像本地编程那样方便，良好的打印习惯能节省大量时间。

7. 从分析到图表：让数据自己说话

数据分析的最终目的是为了理解和传达信息。GEE不仅是一个计算平台，还内置了强大的可视化图表生成工具，能让你的发现一目了然。我们已经看到了如何绘制年降水量时间序列折线图。现在，我们来生成更丰富的图表，比如月降水量的年内分布（柱状图），以及空间分布直方图。

绘制月降水量 climatology（气候月平均）柱状图：假设我们想看看研究区降水在一年12个月中是如何分布的，我们可以计算多年（比如1993-2012）每个月的平均，然后画成柱状图。

// 计算1993-2012年期间，每个月的多年平均（气候月平均） var startYear = 1993; var endYear = 2012; var years = ee.List.sequence(startYear, endYear); var months = ee.List.sequence(1, 12); // 这是一个双层循环的逻辑：对每一年，计算12个月的平均，然后再对所有年份的同一个月份求平均。 // 我们可以用更GEE化的方式：先创建一个包含所有年月影像的集合，再按月份分组求平均。 var allMonthlyImages = ee.ImageCollection.fromImages( years.map(function(y) { return months.map(function(m) { var startDate = ee.Date.fromYMD(y, m, 1); var endDate = startDate.advance(1, 'month'); return ee.ImageCollection("UCSB-CHG/CHIRPS/DAILY") .filterDate(startDate, endDate) .filterBounds(roi) .select('precipitation') .mean() .clip(roi) .set('year', y) .set('month', m) .set('system:time_start', startDate.millis()); }); }).flatten() // 将嵌套的列表展平成一个ImageCollection ); // 现在，按月份分组并计算各月的多年平均 var monthlyClimatology = ee.ImageCollection.fromImages( months.map(function(m) { // 过滤出所有属于这个月份的影像 var monthCollection = allMonthlyImages.filter(ee.Filter.eq('month', m)); // 计算这个月份的多年平均 var meanImage = monthCollection.mean(); // 计算研究区在这个月多年平均降水量 var meanValue = meanImage.reduceRegion({ reducer: ee.Reducer.mean(), geometry: roi, scale: 5500, bestEffort: true }).get('precipitation'); // 返回一个特征（Feature），包含月份和平均降水量，用于制图 return ee.Feature(null, {'month': m, 'precipitation': meanValue}); }) ); // 将特征集合转换为图表可用的格式并绘制柱状图 var chart = ui.Chart.feature.byFeature({ features: monthlyClimatology, xProperty: 'month', yProperties: ['precipitation'] }).setChartType('ColumnChart') .setOptions({ title: '研究区月平均降水量 (1993-2012 气候态)', hAxis: {title: '月份', gridlines: {count: 12}}, vAxis: {title: '降水量 (mm)'}, legend: {position: 'none'} }); print('月降水气候态柱状图:', chart);

这张图能清晰展示你研究区的雨季和旱季分别在哪些月份。

绘制空间分布直方图：除了时间变化，我们可能还想知道研究区内降水量在不同量级上的像素分布情况。比如，在2012年，有多少区域的年降水量在500-600mm之间，有多少在600-700mm之间？这可以用直方图来展示。

// 使用2012年的年平均降水影像 var image2012 = annualCollection.filter(ee.Filter.eq('year', 2012)).first(); // 生成降水量的直方图 var histogram = ui.Chart.image.histogram({ image: image2012, region: roi, scale: 5500, minBucketWidth: 10, // 每个柱子的宽度（毫米） maxRaw: 2000, // 忽略超过2000mm的极端值（如果有） maxPixels: 1e7 // 用于生成直方图的采样像素数 }).setOptions({ title: '2012年研究区降水量频率分布直方图', hAxis: {title: '降水量 (mm)'}, vAxis: {title: '像素数量'}, colors: ['#1d91c0'] }); print('降水量空间分布直方图:', histogram);

直方图可以帮助你理解降水数据的统计特征，比如分布是否偏态、是否存在多峰等，这对于设定干旱/湿润阈值非常有帮助。

将这些图表与之前生成的空间分布地图结合起来，你就能从空间格局、时间变化和统计分布多个角度，对你的研究区降水情况形成一个立体、全面的认识。这些图表都可以通过点击图表右上角的菜单导出为PNG或CSV格式，直接插入到你的报告或论文中。