基于遥感及气象数据的湿润指数获取及分析的解决方案

基于遥感及气象数据的湿润指数获取及分析的解决方案

1.引言

湿润指数是表示气候湿润程度的指标，又称湿润度、湿润系数。用地面水分的收入量与支出量的比值表示。比值越大，表示气候越湿润;比值越小，则气候越干燥。大陆性气候地区湿润指数小，海洋性气候地区湿润指数大。湿润指数能够较客观地反映某一地区的水热平衡状况。湿润指数广泛应用于气候干湿状况评价、生态环境变化等研究中，研究地表湿润状况变化特征及成因，对科学预测城市未来地表湿润特征也具有重要的意义。

本方案利用联合国粮农组织推荐的 Penman-Monteith 公式计算参考作物蒸散(ET0)和湿润指数(W)，并根据《农业气候区划及方法》，将我国湿润系数进行分级，可分为七级，分别为干旱、半干旱、干半湿润、湿半湿润、湿润、潮湿以及过湿。在对研究区的生态状况进行全面调查的基础上，制定了较为合理的技术路线(如图 1) ，为国家的农业建设提供依据。

图 1 湿润指数获取与分析技术路线

2.数据准备及预处理

预处理包括陆面参数的反演、研究区提取、坐标系统转换等。具体预处理的陆面参数及处理方法如下：(1)地表温度，在陆面蒸散研究中是重要的参数，不仅对计算地面向上长波辐射通量很重要，而且也是决定地表感热通量和潜热通量的重要参数。利用卫星遥感数据反演地表温度主要受到大气和地表比辐射率两方面影响。目前，对地表温度反演最常用的方法是分裂窗算法，本方案中地表温度反演同样是采用该研究方法。(2)植被覆盖，是植物群落总体或各个体的地上部份的垂直投影面积与样方面积之比的百分数，它反映植被的茂密程度和植物进行光合作用面积的大小，该数据分类是采用时间序列NDVI 为识别标识的方法对每年的土地覆盖进行分类的。(3)比辐射率，是同一温度下地表发射的辐射量与黑体发射的辐射量的比值，是反映物体热辐射性质的一个重要参数，与物质的结构、成份、表面特性、温度以及电磁波发射方向、波长(频率)等因素有关，该方案采用引入植被覆盖度的方法计算陆面比辐射率。(4)地表反照率，是指地表对入射的太阳辐射的反射通量与入射的太阳辐射通量的比值，决定了多少辐射能被下垫面所吸收,因而是地表能量平衡研究中的一个重要参数，该数据经严格的大气校正后得到。(5)气溶胶光学厚度，该方案中以晴空反射率作为参照，考虑 BRDF 效应的影响，从每景数据中反演气溶胶的光学厚度及类型，并对云进行了屏蔽处理。该数据的净辐射数据反演的重要参数。(6)总辐射值，是以晴空地表反射率为参照，以大气辐射传输方程建立晴空、气溶胶及云状态下的长波下行辐射、短波下行辐射及光合有效辐射的查找表，通过查表反演此三种辐射的瞬间值，然后通过多观测点的时间序列插值估算得到的。

气象数据来自中国气象局，包括月平均最高气温、月平均最低气温、月日照时数、2m 处风速、相对湿度，降雨量等。数据经过严格的质量控制和筛选后，采用 DEM 为协变量的 ANUSPLIN 插值方法内插得到气象格点数据或 grid 数据，空间分辨率1km×1km。

3.研究方法

3.1 地表净辐射

地表净辐射量的表达式为：

3.2 土壤热通量

3.3 潜在蒸散量

国际粮农组织 FAO 推荐的 Penman–Monteith 模型是计算参考作物蒸散量的标准方法，全面考虑了影响田间水分散失的大气因素和作物因素，把能量平衡、空气动力学参数和表面参数结合在一起，可应用于世界各个地区，估值精度较高，具有良好的可比性。FAO P-M 模型对参考作物蒸散量ET0定义为“从一种假定作物植株高度为12cm，反射率为 0.23，表面阻力为 70s/m 的参考作物冠层的蒸散量相当于高度一致、生长旺盛、完全覆盖地面且水分供给充足的开阔绿色植被的蒸散量。”其公式为：

3.4 湿润指数计算

根据各站每月的降水量和潜在蒸散量，采用公式：

4.模拟结果与分析

基于以上分析，得到我国 2005 年湿润指数的结果并对结果进行分析。主要分析如下：

(1)2005 年中国湿润指数的空间分布格局(如图 2)

(2)研究区干湿带界线划分

(3)研究区农业干旱的监测

图 2 2005 年中国湿润指数分布图

anusplin软件操作说明及气象数据处理

气象数据处理方法：spss和Excel 一、下载原始txt数据中的经纬度处理：将度分处理成度，Excel处 理 首先除以100，处理成小数格式，这里第一个实际是52度58分， 在Excel中用公式：=LEFT(O2,FIND(".",O2)-1)+RIGHT(O2,LEN(O2)-FIND(".",O2))/60 需注意： 当为整数时，值为空，这时需查找出来手动修改，或者将经纬度这一列的小数位改成两位再试试，可能好使（这个我没尝试） 第二步： 将经纬度转换成投影坐标，在arcgis实现 将Excel中的点导入arcgis，给定坐标系为wgs84地理坐标，然后投影转换成自己定义的等面积的albers投影（因为anusplina软件需要投影坐标，这里转换成自己需要的坐标系）

第三步：spss处理 将下载的txt数据导入spss之后，编辑变量属性，删掉不需要的列，然后将最后需要的那些变量进行数据重组 本实验下载的数据是日均温数据，全国800+个站点2012年366天的数据。相当于有800+ * 366行数据 1.变量 变量属性：变量属性这里的设置决定了在SPLINA这个模块中输入数据的格式，本实验spss处理的气象数据的格式统一用这个：(A5,2F18.6,F8.2,F8.2)，一共5列。

即：台站号，字符串，5位； 经纬度：都是浮点型，18位，6个小数位海拔：浮点型，8位，2个小数位 日均温：浮点型，8位，2个小数位 2.数据重组，将个案重组成变量： 后几步都默认就行：

重组之后结果：变成了800+行，370列，就相当于数据变成了：行代表每个站点，列是代表每一天的数据。 3. 因为anusplin这个软件需要的是投影坐标，在重组完的基础上，将经纬度这两列替换成投影之后的经纬度。 方法1：直接复制粘贴即可 方法二：用合并文件，添加变量功能

气象数据处理方法

(1)复杂地形下气温空间化模拟模型 首先考虑海拔高度、经度、纬度对气温空间分布影响，再进一步考虑坡度、坡向这些微观地形因子对气温空间分布的影响。根据地形调节统计模型，即在考虑微观地形(坡度、坡向)情况下，面辐射与地形存在着函数关系，其实际气温可表示为： T T=T H cosi/cosz (1) 式中，T T为地形调节统计模型模拟的气温；T H为常规统计模型模拟的气温；i为地球面法线与太阳光线之间的角度。其中，T H可根据式(2)求得，i可根据式(3)求得 T H=a0+ a1λ+ a2φ+ a3h (2) 式中，λ为经度，φ为纬度，h为海拔高度，a0为常数，a1、a2、a3为偏回归系数。 cosi=cosαcosz+sinαsinzcos(ф-β) (3) 式中，α为坡度，z为太阳天顶角，ф为太阳方位角，β为坡向。 对于中国的地理位置特点和气温模拟方法，可将太阳天顶角z设为45°，太阳方位角ф设为180°(为正午时间)，所以公式(1)归纳为： T T=T H(cosα-sinαcosβ) (2) “回归分析计算+残差插值”模型构建用于降水数据处理 以2006年4月为例，得到各气象站点4月降水量与经纬度、海拔高度的线性关系式： P=-66.840+4.518*lat-1.324*long+0.001*ele(r2=0.456) (4) 式中：lat为气象站点的经度，long为气象站点的纬度，ele为气象站点的海拔高度，P为月降水。 由DEM提取经度、纬度、坡度、坡向 1.dem栅格转点 2.把Data frame propoties显示单位设置为度分秒 3投影

4生成经纬度 5点转栅格（生成经度）

气象数据的“大数据应用”浅析

气象数据的“大数据应用”浅析 2014-03-24 17:03:19 作者：国家气象总局沈文海来源：CIO时代网 摘要：气象数据在“大数据应用”浪潮中亟待解决的信息技术问题，是海量气象结构化数据的高效应用。这是气象数据能否参与“大数据应用”的技术基础和前提。 关键词：气象数据大数据 1、引言 据统计，2011年全球的数据规模为1.8ZB,这些信息将填满575亿个32GB的ipad,以这些ipad做砖石，足可以垒建起两座中国的万里长城。而到2013 年，仅中国当年产生的数据总量就已超过0.8ZB,2倍于2012年，相当于2009年全球的数据总量。预计到2020年，中国产生的数据总量将是2013年的10倍，超过8.5ZB.【1】而届时全球的数据总量预计将达到40ZB,如果将这些数据全部刻录成蓝光光盘，则这些光盘的总重量相当于424艘满载荷的尼米兹航空母舰。 数据量暴增的速度令人瞠目结舌，我们的确已进入“大数据时代”. 很快地，“地理大数据”、“水利大数据”、“环境大数据”、“金融大数据”、“互联网大数据”乃至“气象大数据”等名词陆续出现在有关媒体上。“大数据”逐渐成为近来人们谈论最多、思考最多的技术话题之一。一些人憧憬于“大数据”可能带来的十分珍稀的高价值信息和珍贵商机，也有许多人困惑于目前所知“大数据”的应用范式，以此研判着可能给本行业带来的变化和新的业务契机--气象部门也是如此。 做为抛砖引玉，笔者拟就如下问题提出自己的看法： （1）气象数据是否具备“大数据”的核心特征？ （2）业界公认的“大数据应用”的主要形态是什么？ （3）“大数据时代”背景下气象数据应用中新的价值领域在何处？需要首先具备哪些必要条件？ （4）气象信息技术领域当务之急需要解决的关键技术问题。 2、大数据的现实以及气象数据的体量构成 2.1 大数据的行业分布 就数据量而言，中国的大数据近期具有如下行业分布特征： （1）互联网公司 目前国内的互联网公司，拥有总计约2EB的数据，而其中的互联网三巨头BAT（百度、阿里巴巴、腾讯）占有了其中的3/4（约1.5EB）。 （2）电信、金融、保险、电力、石化系统

气象数据处理流程

气象数据处理流程1.数据下载 1.1.登录中国气象科学数据共享服务网 1.2.注册用户 1.3.选择地面气象资料 1.4.选择中国地面国际交换站日值数据 选择所需数据点击预览（本次气象数据为：降水量、日最高气温、日最低气温、平均湿度、辐射度、积雪厚度等；地区为：黑龙江省、吉林省、辽宁省、内蒙古） 下载数据并同时下载文档说明 1.5.网站数据粘贴并保存为TXT文档 2.建立属性库 2.1.存储后的TXT文档用Excel打开并将第一列按逗号分列 2.2.站点数据处理 2.2.1.由于站点数据为经纬度数据 为方便插值数据设置分辨率（1公里）减少投影变换次数，先将站点坐标转为大地坐标并添加X、Y列存储大地坐标值后将各项数据按照站点字段年月日合成总数据库 （注意：数据库存储为DBF3格式，个字段均为数值型坐标需设置小数位数） 为填补插值后北部和东部数据的空缺采用最邻近法将漠河北部、富锦东部补齐2点数据。

2.2.2.利用VBA程序 Sub we() i = 6 For j = 1 To 30 Windows("").Activate Rows("1:1").Select Field:=5, Criteria1:=i Field:=6, Criteria1:=j Windows("").Activate Rows("1:1").Select Windows("book" + CStr(j)).Activate Range("A1:n100").Select Range("I14").Activate ChDir "C:\Documents and Settings\王\桌面" Filename:="C:\Documents and Settings\王\桌面\6\" & InputBox("输入保存名", Title = "保存名字", "20070" + CStr(i) + "0" + CStr(j)), _ FileFormat:=xlDBF4, CreateBackup:=False SaveChanges:=True Next j End Sub 将数据库按照日期分为365个文件 3.建立回归模型增加点密度 由于现有的日辐射值数据不能覆盖东三省（如图），需要对现有数据建模分析，以增加气象数据各点密度。 已有数据10个太阳辐射站点，为了实现回归模型更好拟合效果，将10个样本全部作为回归参数。利用SPSS软件建模步骤：

《大数据云气象》阅读练习及解析答案

大数据云气象 ①我们平时从电视、报纸、网站或手机上获取的看似简单的天气预报，其背后却有着极其庞杂的数据采集和分析作支撑。用现在时髦的话来说，天气预报是经过“云计算”得到的 大数据产品。 ②为了获取精确的气象预报，气象部门历来都会收集大量数据，组成超大的“数据库”。这些数据来自一个庞大的观测网络。目前，全国有 2 000多个地面站、120多个高空探测站、6颗在轨卫星、5万多个自动监测站、600多个农业检测站、300多个雷达站等，逐日逐小时甚至逐分钟对不同地点、不同高度的各种气象要素进行监测。仅在贵州，每天就有85个气象站、3万多个区域自动气象站、7部新一代多普勒天气雷达、2个探空雷达站对贵州境内 的各种气象要素进行实时监测。 ③随着预报业务的不断发展以及大数据、云计算的应用，这些数据变得更加精密，数量也持续增加，气象预报也变得越来越精确。现在，我们已经可以随时随地．．．．通过电脑、手机、 电视、网站等查询天气预报，其精度甚至可以精确到一公里．．．、一小时 ．．．以内。 ④早晨起床后，穿薄的还是厚的衣服？要不要进行晨练？长假期间是否要外出旅游？旅 游时需要带哪些随身物品……如何选择，天气预报会为你提供有效的参考。 ⑤随着各行各业对气象信息的需求越来越大，气象部门还需要针对不同领域、不同行业、不同群体制作相应的气象产品，包括面向社会群体的公众气象服务，面向水利、电力、交通、农业以及其他部门或企业的专业专项服务，以及针对干旱、暴雨、森林火险、雷电等灾害性天气的气象灾害预报预警服务等。 ⑥比如说能源，可以通过分析电力负荷历史加上气象数据进行用电量估算；农业方面， 通过某一地的农耕历史与相关气候信息，就可以指导农户进行农作物种养殖结构调整；还有交通，航班准点率历史加上机场历史天气特征，就可以得到航班延误预测……这些日益丰富 的气象产品构成了气象大数据的重要部分，让我们的生活变得更加丰富、便捷。 ⑦当气象邂逅大数据，气象大数据将大有作为，它必将更大程度地减轻灾害损失，为社会创造更多的财富，为人们带来更加美好的生活。 (1)第②段主要运用了________和________的说明方法，作用是________。 (2)阅读第④⑤⑥段，你认为下面这句话放在其中哪段的开头合适？为什么？ 更精细、更准确、更长时效的天气预报让我们日常生活中的衣食住行变得更加便捷。 答：________________________________________________________________________ ________________________________________________________________________ (3)分析下列句子中加点词语的表达效果。 现在，我们已经可以随时随地 ．．．．通过电脑、手机、电视、网站等查询天气预报，其精度甚 至可以精确到一公里 ．．．以内。 ．．．、一小时 答：________________________________________________________________________

大数据分析在气象部门中的应用探索

大数据分析在气象部门中的应用探索 发表时间：2019-04-22T16:31:41.237Z 来源：《中国西部科技》2019年第4期作者：赵碧珂 [导读] 随着社会的迅猛进步，21世纪已步入大数据时代，互联网、云计算以及大数据等作为新时代的主题，凭借其全新的数据信息采集和分析处理形式，对社会各行各业带来了极其深远的影响。本文主要根据大数据应用技术以及气象大数据特征分析，探讨了大数据分析在气象部门中的应用探索，以供大家共同交流。 驻马店市气象局 引言 目前，大数据的研究以及应用逐渐发展成为各个领域数据研究的重点。在气象部门各项业务工作中，由于气象数据的不断增多，大数据的典型特征不断显现。如何高效地这些庞大的数据进行组织和分析处理，从这大批量数据资料中提取有效数据资料，更为精准、高效的为社会公众提供气象服务，已经成为现阶段气象部门工作中迫切需要解决的问题。 1.大数据应用技术 大数据可以看成是人们立足于庞大规模数据的基础上能够完成的事情。数据量具备体量大（Volume），数据类型复杂多样（Varity）、数据值价值高（Value）、数据处理速度快（Velocity）等特点。大数据涉猎到的技术较多，包括计算机、统计学、应用数学等各类学科，涵盖数据分析技术、数据管理技术、数据挖掘技术、数据处理技术、数据可视化技术等相关技术。在这些技术中，数据分析技术包括人工智能和商业智能技术，如机器学习，关联规则挖掘、遗传算法、聚类分析、神经网络等；数据管理技术主要涵盖着数据库技术、数据融合技术以及数据抽取、过滤技术等；数据挖掘技术主要指的是采取依据数据库管理的统计以及机器学习方法，从大数据集中对于常规模式进行提取的一种技术；数据处理技术主要涵盖内存计算技术、分布式计算技术以及流处理技术等；数据可视化技术包含信息流呈现技术、历史流回放技术等；再者，还涵盖大数据平台中构建的数据安全技术。当前，我国主流大数据信息服务平台大都运用的是基于MapReduce和并行数据库的混合架构，是基于虚拟化管理技术和Hadoop平台的动态可扩展数据处理平台。应用业务方面包括：企业运营数据分析、情报信息数据挖掘等诸多领域。 2.气象大数据特征分析 气象大数据主要是指在气象领域围绕智能预报和智慧服务，从气象数据采集、加工处理、预报预测、共享服务、存储归档等气象业务和科研工作各个环节所产生的各类数据。主要有气象观测数据，以及在此基础上加工形成的气象产品数据，以及互联网气象数据。气象大数据主要具备下述特征。 2.1体积大但总量可控 气象部门的体量最大的数据主要来源于地面观测、天气雷达、数值预报产品以及气象卫星遥感。由于地面和高空观测站的迅速增加，我国现在每年新增的气象数据已达到PB量级。地面观测数据量越来越大的原因，主要是因为自动气象站建设密度以及观测频度均不断加密。这种站点扩充以及观测频度加密主要是基于预报以及服务需求经过科学论证来实施的；当观测台站以及观测频度可以较好的满足气象部门的业务需求时，气象台站数以及观测频度不会无限制的加密，所以总量是可预测的，同时也是可控的。对于气象部门天气雷达来说，布网工作已基本上完成，现阶段天气雷达已基本上实现了7×24h全天候不间断探测。所以天气雷达的资料量比较稳定，未来增加量可控。数值预报模式产品资料属于各级预报员不可或缺的预报参考数据资料，这些资料产品一经制成，便会立即传输至天气预报以及气候预测专家的桌面，以供业务应用。气象卫星资料和其他三种资料一样涉及到许多的数据，但是可以进行管控。所以，气象资料体积虽然较大，在量级上可以称之为"大数据",但却一直处于可控可管可用的状况。 2.2种类多但来源单一 依据行业标准《气象资料分类与编码》，可以把气象资料分成14大类，计有数百种之多。该标准几乎囊括了气象资料的全部内容。故根据内容可知，气象资料在现阶段与可预见的未来，不会超越该行标所规定的范围。数百种的气象资料虽说涉及到的种类较多，但是每种资料所包含的信息却比较单纯。大量气象数据主要是由气象观测系统与数值预报业务系统所形成，来源单一；而网络大数据则通常由人来给予，主要来源于人类社会的各个方面，是人类活动的真实记录。 2.3价值单一而明确 气象探测业务系统一般仅采集那些可以对自然界气象状态进行反映的要素，所以气象观探测数据通常只包含且只涵盖丰富的气象信息，而以观探测数据为唯一数据以及信息来源的气象数值模式，其生成的产品中所涵盖的信息也仅仅局限于未来天气或者是气候状态的预测。所以"气象大数据"本身的作用是天气预报、气象服务等气象业务。 3.气象大数据的应用探索 3.1预报预测 气象大数据的关键核心在于"预测"。大数据可以预测未来，主要是凭借对相关性的掌握，凭借相关关联对过去进行分析，进而对未来进行预测。对于预报预测的准确率的提升，始终是社会大众对于气象部门的需求，也是气象工作者认真工作、努力探索的不竭动力。针对天气预报来说，尤其是灾害性天气预报，它的主要工作目标之一，便是对天气现象的发生时间、地点、类型以及强度进行准确预报预测。大数据的数据处理技术能够为气象服务给予功能多样、格式统一、精细化程度高以及内容更为全面的气象数据资料。相关实践研究表明，多模式集合平均之后的效果要比单一模式的效果更佳。相对于单模式而言，多模式集合预报能够大大减小单模式的预报误差,提升预报准确率。现阶段，多模式集合预报能够大幅度提升天气预报水平，这属于大数据技术应用的经典范例。 3.2防灾减灾 防灾减灾属于气象部门极其关键的工作任务之一，气象数据现在融入国家发展还有经济社会的各方面，尤其在防灾减灾应急管理方面，暴雨、雷电等数据发挥了极其重要的作用。还有农业领域，气象数据可以帮助农民更好划定农业种植范围，提升农产品品质，还可以利用气象数据来做精准的智慧农业，根据整个农业施肥灌溉还有病虫害防控的需求，结合气象遥感数据来实时监测，提供比较精准的建议。在大数据论述中，"防灾"是应对灾害的重点，因而，气象预警信息十分关键。气象预警的确定，通常需要一系列复杂冗多的气象数据分析，再依据地形、地貌等有关数据进行分析获取。但是，防灾减灾的主要方向，不但是对预警系统进行完善以及提高预警准确率，并且还需要制定广大群众可以明白意思的预警服务产品。气象大数据在这些工作中无疑起到特别有效的作用，利用大数据技术进行有效的数据融

中国气象数据共享数据格式(知识分析)

中国地面资料国际交换站1971-2000年气候标准值数据集 文件名-数据格式对照表 统计项目文件名数据格式表名 累年月平均本站气压SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-PRS-10004.TXT 结果文件附表19累年月平均海平面气压SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-PRS-10005.TXT 结果文件附表20累年月极端最高本站气压及出现日期SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-PRS-10201.TXT 结果文件附表21累年月极端最低本站气压及出现日期SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-PRS-10202.TXT 结果文件附表22累年月平均最高本站气压SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-PRS-10203.TXT 结果文件附表23累年月平均最低本站气压SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-PRS-10204.TXT 结果文件附表24累年月平均气温SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12001.TXT 结果文件附表25 SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12201.TXT 结果文件附表26累年月平均气温平均差、标准差和最大正、负 距平 累年月平均最高气温SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12211.TXT 结果文件附表27累年月平均最低气温SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12212.TXT 结果文件附表28累年月极端最高气温及出现日期SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12011.TXT 结果文件附表29累年月极端最低气温及出现日期SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12012.TXT 结果文件附表30累年月日最高气温顺位及出现日期和1%、5%概 SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12220.TXT 结果文件附表31率界限值 SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12221.TXT 结果文件附表32累年月日最低气温顺位及出现日期和1%、5%概 率界限值 累年月平均气温日较差SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12202.TXT 结果文件附表33累年月最大气温日较差及出现日期SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12203.TXT 结果文件附表34累年月最小气温日较差及出现日期SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12204.TXT 结果文件附表35累年月各级气温日较差日数SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-04250.TXT 结果文件附表36累年月平均气温分级值SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12222.TXT 结果文件附表37累年月平均最高气温分级值SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12223.TXT 结果文件附表38累年月平均最低气温分级值SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12224.TXT 结果文件附表39累年月日最高气温≤0.0℃日数SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-04256.TXT 结果文件附表40累年月日最低气温≥25.0℃日数SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-04260B.TXT 结果文件附表41 SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-04264.TXT 结果文件附表42累年月（9-4月）最长连续降温日数及止日和降 温值 累年月（9-4月）连续最大降温值及日数和止日SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-04265.TXT 结果文件附表43累年月各级日平均气温频率SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-04230A.TXT 结果文件附表44累年月最高日平均气温SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12052.TXT 结果文件附表45累年月最低日平均气温SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-12053.TXT 结果文件附表46累年月各级温湿度出现频率SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-TEM-04230B.TXT 结果文件附表47累年月平均水汽压SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-VAP-13004.TXT 结果文件附表48累年月最大水汽压及出现日期SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-VAP-13009.TXT 结果文件附表49累年月最小水汽压及出现日期SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-VAP-13010.TXT 结果文件附表50累年月平均相对湿度SURF_CLI_CHN_MUL_MUT_19712000_CES-MMON-RHU-13003.TXT 结果文件附表51

大到暴雨天气数据分析

龙源期刊网 https://www.wendangku.net/doc/7a18605694.html, 大到暴雨天气数据分析 作者：马颐樱 来源：《科学与信息化》2018年第32期 摘要通过常规资料和物理量场产品，从环流系统特征和物理量场特征，对青海省2016年7月7-8日大到暴雨天气过程进行了分析。结果表明：500 hPa高空切变和700 hPa暖低压是此次大到暴雨降水过程直接影响系统，高层西风急流和强南风是暴雨产生和维持重要因素，为以后大到暴雨天气预报和预警服务提供参考。 关键词大到暴雨；物理量场特征；环流系统特征 青海省位于内陆，受水汽条件的限制，暴雨发生的概率比较小，但是如果发生大到暴雨对青海省所造成的灾害是非常严重的。据相关统计显示，青海省的大到暴雨主要集中在汛期，是青海主要的灾害性天气之一。随着全球不断变暖，青海地区的极端天气也是越来越多，灾害性天气也是越来越多。本文主要青海省2016年7月7-8日大到暴雨天气过程进行了分析，为以 后大到暴雨天气预报和预警服务提供参考。 1 降水情况 相关规定在24小时降水量大于25毫米的降水称为大到暴雨，同时规定当有≥1个站日降 水量达到该标准记为一个大到暴雨日；同日有≥3个站出现达到暴雨时称为一次区域性大到暴 雨降水过程。在2016年7月7-8日，青海省东部出现了大范围降水天气，其中降水量达40毫米以上有11个站点。造成了青海省东部受灾严重，其中部分乡镇出现了洪涝灾害，造成了一定的经济损失[1]。 2 环流系统特征 在2016年7月7日8点，500 hPa处于反气旋环流中；在晚上8点，500 hPa青海省形成 东北西南向切变，暖空气在东部交汇，T-Td小于4℃，从而导致青海省东部区域降水。此时，300 hPa中高纬环流比较平直，河西走廊有急流带，非常利用高空抽吸作用。高层冷暖空气进行交汇，底层暖气压低，导致了青海省东部大雨天气[2]。 3 物理量场特征分析 在在2016年7月7日～8日，青海东部出现了大到暴雨天气，主要是受500 hPa高空切变、西太平洋副热带高压和700 hPa上的暖低压的影响，导致出现大到暴雨天气[3]。 在2016年7～8日沿102°E垂直速度纬度-高度垂直剖面，暴雨发生当日上午8点（图 1a），暴雨区附近就开始有垂直上升运动。随着时间的推移，后上升运动强度增强，在下午2点（图1b）暴雨区上空上升运动比较强，在晚上8点，上升运动高度达250 hPa左右（图

气象数据处理流程

气象数据处理流程 1.数据下载 1.1. 登录中国气象科学数据共享服务网 1.2. 注册用户 1.3. 1.4. 辐射度、1.5. 2. 2.1. 2.2. 2.2.1. 为方便插值数据设置分辨率（1公里）减少投影变换次数，先将站点坐标转为大地坐标 并添加X、Y列存储大地坐标值后将各项数据按照站点字段年月日合成总数据库 （注意：数据库存储为DBF3格式，个字段均为数值型坐标需设置小数位数） 为填补插值后北部和东部数据的空缺采用最邻近法将漠河北部、富锦东部补齐2点数据。 2.2.2.利用VBA程序 Sub we() i = 6

For j = 1 To 30 Windows("chengle.dbf").Activate Rows("1:1").Select Selection.AutoFilter Selection.AutoFilter Field:=5, Criteria1:=i Selection.AutoFilter Field:=6, Criteria1:=j Cells.Select Selection.Copy Workbooks.Add ActiveSheet.Paste Windows("chengle.dbf").Activate ", Title = " 3. 利用 3.1. 3.2. 选择分析→回归→非线性回归 3.3. 将辐射值设为因变量 将经度（X）和纬度（Y）作为自变量，采用二次趋势面模型（f=b0+b1*x+b2*y+b3*x2+b4*x*y+b5*y2）进行回归，回归方法采用强迫引入法。 如图，在模型表达式中输入模型方程。 在参数中设置参数初始值

气象大数据资料

1 引言 在气象行业内部，气象数据的价值已经和正在被深入挖掘着。但是，不能将气象预报产品的社会化推广简单地认为就是“气象大数据的广泛应用”。 大数据实际上是一种混杂数据，气象大数据应该是指气象行业所拥有的以及锁接触到的全体数据，包括传统的气象数据和对外服务提供的影视音频资料、网页资料、预报文本以及地理位置相关数据、社会经济共享数据等等。 传统的”气象数据“，地面观测、气象卫星遥感、天气雷达和数值预报产品四类数据占数据总量的90%以上，基本的气象数据直接用途是气象业务、天气预报、气候预测以及气象服务。“大数据应用”与目前的气象服务有所不同，前者是气象数据的“深度应用”和“增值应用”，后者是既定业务数据加工产品的社会推广应用。 “大数据的核心就是预测”，这是《大数据时代》的作者舍恩伯格的名言。天气和气候系统是典型的非线性系统，无法通过运用简单的统计分析方法来对其进行准确的预报和预测。人们常说的南美丛林里一只蝴蝶扇动几下翅膀，会在几周后引发北美的一场暴风雪这一现象，形象地描绘了气象科学的复杂性。运用统计分析方法进行天气预报在数十年前便已被气象科学界否决了——也就是说，目前经典的大数据应用方法并不适用于天气预报业务。 现在，气象行业的公共服务职能越来越强，面向政府提供决策服务，面向公众提供气象预报预警服务，面向社会发展，应对气候发展节能减排。这些决策信息怎么来依赖于我们对气象数据的处理。

气象大数据应该在跨行业综合应用这一“增值应用”价值挖掘过程中焕发出的新的光芒。 2 大数据平台的基本构成 2.1 概述 “大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。 大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。 从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘（SaaS），但它必须依托云计算的分布式处理、分布式数据库（PaaS）和云存储、虚拟化技术（IaaS）。 大数据可通过许多方式来存储、获取、处理和分析。每个大数据来源都有不同的特征，包括数据的频率、量、速度、类型和真实性。处理并存储大数据时，会涉及到更多维度，比如治理、安全性和策略。选择一种架构并构建合适的大数据解决方案极具挑战，因为需要考虑非常多的因素。 气象行业的数据情况则更为复杂，除了“机器生成”（可以理解为遥测、传感设备产生的观测数据，大量参与气象服务和共享的信息都以文本、图片、视频等多种形式存储，符合“大数据”的4V特点：Volume(大量)、Velocity(高速)、

气象数据处理流程

气象数据处理流程 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】

气象数据处理流程1.数据下载 1.1.登录中国气象科学数据共享服务网 1.2.注册用户 1.3.选择地面气象资料 1.4.选择中国地面国际交换站日值数据 选择所需数据点击预览（本次气象数据为：降水量、日最高气温、日最低气温、平均湿度、辐射度、积雪厚度等；地区为：黑龙江省、吉林省、辽宁省、内蒙古） 下载数据并同时下载文档说明

1.5.网站数据粘贴并保存为TXT文档 2.建立属性库 2.1.存储后的TXT文档用Excel打开并将第一列按逗号分列 2.2.站点数据处理 2.2.1.由于站点数据为经纬度数据 为方便插值数据设置分辨率（1公里）减少投影变换次数，先将站点坐标转为大地坐标 并添加X、Y列存储大地坐标值后将各项数据按照站点字段年月日合成总数据库（注意：数据库存储为DBF3格式，个字段均为数值型坐标需设置小数位数） 为填补插值后北部和东部数据的空缺采用最邻近法将漠河北部、富锦东部补齐2点数据。 2.2.2.利用VBA程序 Sub we() i = 6 For j = 1 To 30 Windows("").Activate Rows("1:1").Select Field:=5, Criteria1:=i

Field:=6, Criteria1:=j Windows("").Activate Rows("1:1").Select Windows("book" + CStr(j)).Activate Range("A1:n100").Select Range("I14").Activate ChDir "C:\Documents and Settings\王\桌面" Filename:="C:\Documents and Settings\王\桌面\6\" & InputBox("输入保存名", Title = "保存名字", "20070" + CStr(i) + "0" + CStr(j)), _ FileFormat:=xlDBF4, CreateBackup:=False SaveChanges:=True Next j End Sub 将数据库按照日期分为365个文件 3.建立回归模型增加点密度 由于现有的日辐射值数据不能覆盖东三省（如图），需要对现有数据建模分析，以增加气象数据各点密度。 已有数据10个太阳辐射站点，为了实现回归模型更好拟合效果，将10个样本全部作为回归参数。利用SPSS软件建模步骤：

智慧气象大数据平台整体解决方案 气象局大数据平台整体解决方案

气象大数据平台 建 设 方 案

目录 第一章引言 (1) 第二章大数据平台的基本构成 (3) 2.1概述 (3) 2.2数据基础决定平台框架 (4) 2.2.1 从分类大数据到选择大数据解决方案 (4) 2.2.2 依据大数据类型对业务问题进行分类 (7) 2.2.3 使用大数据类型对大数据特征进行分类 (9) 2.3数据分类决定应用方案 (12) 2.4大数据平台的逻辑层次 (13) 2.4.1 大数据集成层 (14) 2.4.2 大数据存储层 (15) 2.4.3 大数据分析层 (15) 2.4.4 大数据应用层 (16) 第三章大数据平台的功能架构 (16) 3.1组件构成 (16) 3.1.1 横向层 (16) 3.1.1.1 大数据集成层 (16) 3.1.1.2 大数据存储层 (19) 3.1.1.3 分析层 (20) 3.1.1.4 使用层 (21) 3.1.2 垂直层 (23) 3.1.2.1 信息集成 (24) 3.1.2.2 大数据治理 (24) 3.1.2.3 服务质量层 (25) 3.1.2.4 系统管理 (27)

3.2功能应用 (28) 3.3原子模式 (28) 3.3.1 数据使用组件 (29) 3.3.1.1 可视化组件 (29) 3.3.1.2 即席发现组件 (30) 3.3.1.3 数据转储组件 (31) 3.3.1.4 信息推送/通知组件 (31) 3.3.1.5 自动响应组件 (32) 3.3.2 数据处理组件 (32) 3.3.2.1 历史数据分析组件 (32) 3.3.2.2 高级分析组件 (33) 3.3.2.3 预处理原始数据组件 (34) 3.3.2.4 即席分析组件 (35) 3.3.3 数据访问组件 (36) 3.3.3.1 web和社交媒体访问组件 (36) 3.3.3.2 物联网设备数据的访问组件 (39) 3.3.3.3 基础数据(观测数据和生产数据)的访问模式 (40) 3.3.4 数据存储组件 (41) 3.3.4.1 分布式非结构化数据存储组件 (41) 3.3.4.2 分布式结构化数据存储组件 (42) 3.3.4.3 传统数据存储组件 (42) 3.3.4.4 云存储组件 (42) 3.4复合模式 (43) 3.4.1 存储和探索复合组件 (43) 3.4.2 专业分析和预测分析组件 (44) 3.4.3 OLAP在线分析 (45) 3.4.4 原子模式和符合模式的映射 (46) 3.4.4.1.1 图 10. 将原子模式映射到架构层 (48) 3.5解决方案模式（模拟应用场景） (48)

气象大数据技术架构思路

气象大数据应用技术架构 设计思路 二〇一五年五月

文档信息 客户单位: 部技术心 项目: 文档：.docx 版本：0.9(150521) 未发布 发布日期: 修订历史

目录 文档信息 (ii) 修订历史 (ii) 1 引言 (1) 2 气象行业大数据分类 (2) 2.1 概述 (2) 2.2 从分类大数据到选择大数据解决方案 (3) 2.3 依据大数据类型对业务问题进行分类 (5) 2.4 使用大数据类型对大数据特征进行分类 (6) 2.5 依据大数据类型对气象信息进行处理................... 错误!未定义书签。 3 大数据平台架构........................................... 错误!未定义书签。 3.1 大数据解决方案的逻辑构成 (9) 3.1.1 大数据来源................................... 错误!未定义书签。 3.1.2 数据改动和存储层 (10) 3.1.3 大数据分析层 (10) 3.1.4 大数据应用层 (10) 3.2 大数据解决方案的组件构成 (11) 3.2.1 横向层 (11) 3.2.2 垂直层 (16) 4 大数据平台组成........................................... 错误!未定义书签。 4.1 概述 (19) 4.2 原子模式 (19) 4.2.1 数据使用组件 (20) 4.2.2 数据处理组件 (22) 4.2.3 数据访问组件 (24) 4.2.4 数据存储组件 (28) 4.3 复合模式 (29) 4.3.1 存储和探索复合组件 (30) 4.3.2 专业分析和预测分析组件 (30) 4.3.3 OLAP在线分析 (31) 4.3.4 原子模式和符合模式的映射 (32) 4.4 解决方案模式（模拟应用场景） (35) 5 技术架构实现选择产品 (35) 5.1 概述 (35) 5.2 技术架构的关键问题 (35) 5.3 分布式存储与分布式应用 (35) 5.4 服务平台的硬件架构与调整 (37) 5.5 数据库与数据仓库 (37) 5.6 NOSQL数据库 (37) 5.7 数据集成工具 (37) 5.8 数据分析软件 (37) 5.9 Web应用以及Web开发的关键问题 (37) 6 我们的研发策略 (37)

气象中的统计方法总结

51气象中的统计方法总结 2、判别分析；广东省徐闻气象局[20]用二级判别做台风登陆地段； 3、相关分析；近20年来在气象统计中用得较多的主要有典型相关（；奇异值分解（SVD）也是提取两个场的最大线性相关； 4、气象场的分解及其应用；50年代中期由Loreng引入到大气科学研究中的；4．1经验正交函数（EOF）分解；章基嘉等[30]应用经验正交函数对亚洲500hP；4．2主成份（主分量） 2、判别分析 广东省徐闻气象局[20]用二级判别做台风登陆地段的预报。Fisher、Bayes以及逐步判别等虽然在气象实际中广泛应用,但严格地说,这些方法仅当变量为正态分布时才可应用， Logistic判别对变量的基本假设条件较宽,对未经正态检验的变量应用本方法是可行的，且可用于既有连续变量又有多值离散变量的情形。吕纯濂等[21] 将Logistic判别引入中国气象界,并研究了二次Logistic判别[22]分析及逐步判别[23]在气象中的应用。 3、相关分析 近20年来在气象统计中用得较多的主要有典型相关（CCA）分析和奇异值分解（SVD）方法。CCA是提取两个气象场的最大线性相关摸态的方法。朱盛明、祝浩敏[24]在数值预报的解释应用中用典型相关分析提取有物理意义的预报因子作预报方程。陈嘉玲、谢炯光[25]用典型相关分析作中期冷空气预报。黄嘉佑[26]用典型相关分析作副高的统计动力预报。近年来发展了一种新的CCA改进方法，称为典型相关分析的BP（Barnert 和Preisendorfer）方法,在气象统计中也得到了应用[27]。 奇异值分解（SVD）也是提取两个场的最大线性相关摸态的方法，SVD 方法可以变成是两个要素场关系的扩大EOF分析。谢炯光等[28]用奇异值分解方法，求出了广东省前汛期（4-6月）西太平洋场海温与广东省降水场的6对奇异向量，来作汛期降水趋势预报。江志红等[29]用SVD方法讨论了中国夏半年降水与北太平洋海温异常的关系。

气象大数据技术架构思路

气象大数据技术架构思路 This model paper was revised by the Standardization Office on December 10, 2020

气象大数据应用技术架构 设计思路 二〇一五年五月 文档信息 客户单 内部技术机密心 位: 项目: 文档：.docx 版本：(150521) 未发布 发布日 期:

修订历史 目录

1引言 在气象行业内部，气象数据的价值已经和正在被深入挖掘着。但是，不能将气象预报产品的社会化推广简单地认为就是“气象大数据的广泛应用”。 大数据实际上是一种混杂数据，气象大数据应该是指气象行业所拥有的以及锁接触到的全体数据，包括传统的气象数据和对外服务提供的影视音频资料、网页资料、预报文本以及地理位置相关数据、社会经济共享数据等等。 传统的”气象数据“，地面观测、气象卫星遥感、天气雷达和数值预报产品四类数据占数据总量的90%以上，基本的气象数据直接用途是气象业务、天气预报、气候预测以及气象服务。“大数据应用”与目前的气象服务有所不同，前者是气象数据的“深度应用”和“增值应用”，后者是既定业务数据加工产品的社会推广应用。 “大数据的核心就是预测”，这是《大数据时代》的作者舍恩伯格的名言。天气和气候系统是典型的非线性系统，无法通过运用简单的统计分析方法来对其进行准确的预报和预测。人们常说的南美丛林里一只蝴蝶扇动几下翅膀，会在几周后引发北美的一场暴风雪这一现象，形象地描绘了气象科学的复杂性。运用统计分析方法进行天气预报在数十年前便已被气象科学界否决了——也就是说，目前经典的大数据应用方法并不适用于天气预报业务。 现在，气象行业的公共服务职能越来越强，面向政府提供决策服务，面向公众提供气象预报预警服务，面向社会发展，应对气候发展节能减排。这些决策信息怎么来依赖于我们对气象数据的处理。

教科版小学科学二年级上册1.5《各种各样的天气》教学设计

教科版小学科学二年级上册1.5《各种各样的天气》教学设计【教材简析】 本课研究的是学生在地球家园中经常能够体验到的各种各样的天气，以及这些天气与我们人类生活的密切联系。 教材从“天气会影响和改变我们的家园，天气有哪些变化呢？”这个问题直接聚焦到本课的研究主题，这个问题既点出了“各种各样的天气”的课题，同时也点出了本课的研究内容——天气对我们地球家园的影响。在探索环节，首先让学生“说说我们知道的天气”，这是为了了解学生对于天气的前概念。其次，“我们如何区分不同的天气？”这个问题配合“阴”“晴”“雨”“雪”四张天气图片，是为了让学生能够根据不同天气中地球家园所展现的特征来区分不同天气。最后，“说说天气对我们生活的影响”这个活动是为了将天气与我们的实际生活建立联系。在研讨环节，通过“阴、晴、雨、雪、风等天气对动植物和人类有哪些影响？”这个问题让学生进一步认识日常生活中所观察到的不同天气分别对动物、植物和人类的影响。拓展环节主要是让学生课后查阅资料，了解地球上的极端天气及其产生的后果，这个环节是为了让学生进一步完善天气对于我们地球家园的影响的认识。 【学生分析】 二年级的学生对于“天气有哪些变化”是有丰富的生活经验的，也是有很多内容可交流的。对于区分不同天气，学生能够根据生活经验做出一定的判断。学生可能比较难区分的是“阴天”和“多云”，教师需要出示图片帮助学生辨析。对于“天气对我们生活的影响”以及“阴、晴、雨、雪、风等不同天气分别对动植物和人类生活的影响”这两个问题，学生是有一定的前概念的，教师需要引导学生分类表达，并要从有利影响和不利影响两方面来思考和交流。 【教学目标】 科学概念目标 1．天气现象有阴、晴、雨、雪、风等。 2．降水、光照、风等天气要素会影响农业灌溉、风力发电、太阳能发电等在内的人们的生产生活。