本文介绍在 ERA5 气象数据的官方网站中， 手动 下载、 Python 代码自动批量下载 逐小时 、 逐日 与 逐月 的 ERA5 气象数据各类产品的快捷方法。

ERA5 （fifth generation ECMWF atmospheric reanalysis of the global climate）是由 欧洲中期天气预报中心 （European Centre for Medium-Range Weather Forecasts， ECMWF ）开发和维护的一种全球范围内的高分辨率 大气再分析数据集 ，提供了多种气象和气候变量的连续、一致和高质量的数据。 ERA5 基于全球观测数据、数值模型和物理参数化方案，通过数据同化和数值模拟的技术，对过去数十年（ 1940 年至今）的天气状况进行再构建和模拟，从而生成了高时空分辨率的大气和地表变量数据。 ERA5 提供了广泛的气象和气候变量，包括温度、湿度、风速、降水、云量、地表辐射等。这些数据以固定的时间间隔（ 逐小时 或 逐月 ）和空间分辨率（从数公里到数十公里）提供，可以用于气候研究、天气分析、气候模型验证、环境监测等众多应用领域。

我们可以通过 ERA5 的 官方网站 ，或者在 谷歌地球引擎 等平台中，下载这一气象数据。由于在谷歌地球引擎中下载这一数据相对而言比较麻烦，而且速度也并不算友好，我们这里就主要介绍一下基于其 官方网站 ，通过 手动下载 、 Python代码下载 等 2 种方式，下载不同 ERA5 数据产品的方法。

首先，需要明确，我们一般常用的 ERA5 数据产品包括 ERA5 和 ERA5-Land 等 2 种；其中，前者 ERA5 包含全球全部区域，而后者 ERA5-Land 仅包含全球的 陆地 区域，但是后者的空间分辨率（最高是 0.1 °）要高于前者（最高为 0.25 °）。其次，在 ERA5 的官方网站，无论是上述的 ERA5 数据，还是 ERA5-Land 数据，我们通过 手动下载 或者 代码下载 的方式，都只能直接下载到 逐小时 或 逐月 的气象数据；如果需要 逐日 的数据，大家可以在其官方网站提供的 逐日统计数据计算工具 中加以自动计算后手动下载，或者是在 GEE 中下载，再或者就是先下载 逐小时 的数据，然后自行撰写代码批量计算 逐日 或者 其他时间分辨率 的数据。当然，也还有一种用 Python 代码批量下载 逐日 数据的方法，但是那个方法的速度受到网络情况影响，我发现还不如我手动下载来得快，所以这里就没有介绍；之后如果用到这个代码了，就再和大家介绍一下。

同时，应该是在 2024 年的 09 月， ERA5 数据官方网站做了改版，所以本文中的截图有些和目前最新的网站可能有些不一致，但是整体操作流程是一样的。后期我也会再更新一下本文中的截图和具体细节部分。

0 准备工作

需要注意，只要不是选择用上述 逐日统计数据计算工具 来下载数据，那么无论我们选择 手动下载 数据，还是用 Python 代码 批量下载 数据，都需要进行本部分的操作。

首先，我们找到需要下载的数据首页，如下图所示。

其次，如果我们没有登录的话，需要在上图右上角所示的位置登录或者注册一下账号。如下图所示，我这里就新注册一个账号。

完成注册后，需要在我们注册时填写的邮箱中激活一下账号，如下图所示。

随后，登录账号即可；如下图所示。

接下来，我们回到刚刚的数据首页中，选择“ Download data ”选项；如下图所示。随后，选择当前数据产品对应的产品类型，一般情况下，我们选择第一个，也就是“ Reanalysis ”选项就可以。

随后，选择我们需要的气象数据指标；可以在“ Popular ”这一栏选择用户常用的热门指标，也可以自己依据需要在下面的类别中搜索。如下图所示。

接下来，选择我们需要的年份和日期、时刻。这里需要注意，对于不同的 ERA5 产品，其能一次性下载的数量也是不同的；如下图所示，我这张图下载的是 ERA5 数据，它就可以一次性选择 多年 、 多月 的数据；但是后面我下载 ERA5-Land 数据，发现就不能多选年份和月份了，也就是说一次性只能下载 一年中一个月 的数据。这个可能是由于， ERA5-Land 数据的空间分辨率比较高，数据量更大，导致官方限制了 ERA5-Land 数据的一次性下载的限额。

随后，选择我们要下载的数据的空间覆盖范围，并选择下载的数据格式（建议选择 NetCDF 格式）如下图所示。

随后，选择下图中左上方的“ Accept terms ”选项。

至此，我们就完成了数据下载的准备部分工作。

1 手动下载

首先，我们介绍一下手动下载的方法。手动下载其实就很简单了，在完成上一个“ Accept terms ”选项步骤之后，上图右下角就会变成下图右下角所示的“ Submit Form ”选项；选择这一项即可。这个的意思是，将我们前面配置好的下载信息作为一个请求，发给服务器，服务器只要处理好这个请求，我们就可以开始下载了。

随后，可以在新的界面中，看到我们刚刚发起的这个请求；如下图所示。需要注意的是，此时我们只是将请求发送给了官方网站的服务器，服务器还需要一段时间来处理我们的请求。

如下图所示，在提交了一个请求之后，我们可以用前文的方法再提交其他的请求；这些请求都在“ Your requests ”界面中有所显示。

当服务器处理完毕我们的请求后，可以看到请求列表右侧出现了“ Download ”选项，点击它就可以下载数据了。

一般情况下，服务器处理我们请求的时间是不一定的，受到所要下载数据的大小、服务器繁忙情况等影响；如下图所示，我这两个请求，一个是不到 200 MB 的数据，一个是不到 20 MB 的数据，分别经过了将近 1 个小时、 20 分钟才请求完毕、可以下载，这个速度不算很快。

2 基于Python下载

接下来，我们介绍一下基于 Python 代码 批量下载 数据的方法。

首先，我们进入这个 网页 ；这里需要注意，进入这个网页后，首先需要通过如下的超链接，重新注册一下；我感觉这个步骤的意义就是将我们注册好的 ERA5 官方网站账号再赋一个 API 权限。

其中，如下图所示，这里的“ Current password ”也要输入。

随后，我们进入这个 网站 ，并找到如下图所示的网页位置，将右侧黑色区域内的全部信息复制一下。

接下来，我们还需要配置一下 Python 代码中，用以下载 ERA5 数据的一个第三方库 cdsapi ，也就是 ERA5 官方开发的、专门用来供 Python 代码下载 ERA5 数据的库。

配置 cdsapi 库也是很简单的。我们直接在 Python 环境的命令行中分别输入如下代码即可（如果大家没有 conda 环境的话，可以用 pip 来安装，具体方法参考 ERA5 的官方网站即可）。其中，第一句代码用于在 conda 的配置文件中添加一个新的软件源 channel ，即 conda-forge ； conda-forge 是一个社区驱动的软件源，提供了广泛的开源软件包，包括这个 cdsapi 库。第二句代码就是下载 cdsapi 库。

conda config --add channels conda-forge
conda install cdsapi

运行上述代码，如下图所示。

我在第一次配置 cdsapi 库的时候，出现了如下图所示的报错；这种问题一般就是没有管理员权限导致的。

因此，选择用管理员权限打开命令行，如下图所示。

随后，就配置好了 cdsapi 库；如下图所示。

接下来，我们需要找到 .cdsapirc 文件，并将前面我们复制的 url 和 key 复制到其中。这里需要注意，这个 .cdsapirc 文件，原理上在配置完毕 cdsapi 库后，会自动出现在我们电脑中的 C:\Users\用户名 文件夹内；如下图所示。

但是实际上，有的时候我们在上述文件夹内是看不到这个文件的；这样的话，我们可以在这个文件夹内新建一个 .txt 格式的文本文件，并将我们复制的 url 和 key 复制到其中，如下图所示。

随后，将这个 .txt 格式的文本文件重命名为 .cdsapirc ，如下图所示。

随后，我们回到前面 ERA5 官方网站中，设置下载数据属性的那个网站，并选择最左侧的“ Show API request ”选项；如下图所示。

随后，会出现一个 Python 代码；如下图所示。我们将这个代码复制到自己的 Python 语言的 IDE 中，执行代码即可。

复制后如下图所示。

随后，执行上述复制后的代码，如下图所示。可以看到，已经开始代码的下载了。

这里需要注意，下载的气象数据默认保存在 Python 代码所在的文件夹中；如下图所示。

此外，我们通过上述方式获取的数据，其实也是一个向服务器发送的请求，也是需要首先处理请求、随后在 Python 中开始下载的；我们同样可以在“ Your requests ”页面中看到我们通过 Python 下载数据的请求。下图中， Python 下载数据的请求处理数据为 0 ，这个是因为对于同一个数据，我先用手动下载的方式提交过一次请求了，服务器处理之后我又用 Python 提交了一次请求，所以 Python 下载数据时就不用了再重新处理请求了。

同时，当时还简单对比了一下手动下载和 Python 下载的速度差异，但是感觉两者速度差异不大，都不算很快；但是如果用手动下载的方法，提交并处理完毕请求后，用 IDM 等下载软件来下载，速度就会很快——至少比用浏览器自带的下载功能，或者 Python 下载，要明显快很多。

至此，大功告成。