(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）
ｓｐｓｓ
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
注：下面的为之前做的方法（7-以后不用做），里面的参数与现在的有出入，自己找到区域内站点，插值过程如下。 气象站点数据插值处理流程 1气象站点数据整理 Excel格式，第一行输入字段名称，包括站点名称、x经度（lon）、y纬度（lat）、平均气温、平均风速、相对湿度、平均日照时数。其中经纬度需换算为度的形式，其它数据换算为对应单位。 2excel气象数据转为shape格式的矢量点数据插值分析 （1）打开Arcgis，添加excel气象站点数据。打开LC_Ther10-11_16m合并_warp_裁剪BIL1.00_cj重采样6066_经纬度.img，打开边界.shp,三个应该能叠加在一起 （2）在arcgis内容列表中右键单击excel表，选择“显示XY数据”，设置X、Y字段为表中对应经-x、纬-y度字段，编辑坐标系，设置为气象站点经纬度获取时的坐标系，这里为地理坐标系WGS84。(图中错了，按上述，要不就换下一下XY对应的经纬度试一试看看形状对就可以了) （3）导出为shape格式的点数据。右键单击上一个步骤中新生成的事件图层，单击“数据-导出数据”。需注意导出数据的坐标系应选择“此图层的源数据”。
（4）设置Arcgis环境。在“地理处理”菜单下单击“环境”，在环境设置窗口中选择“处理范围”，选择一个处理好的遥感数据（LC_Ther10-11_16m合并_warp_裁剪BIL1.00_cj重采样6066_经纬度.img，主要是参考该遥感数据的行数和列数）。再选择“栅格分析”，按下图设置插值的分辨率为“0.0045”，掩膜文件设置为边界2/LC_Ther10-11_16m合并_warp_裁剪BIL1.00_cj重采样6066_经纬度.img。注意：生成出来的是否有坐标系，插值-环境-输出坐标系-与**相同 （5）气象站点数据插值。在toolbox中选择工具箱“Spatial Analyst————反距离权法”，默认12个数据参与运算，“Z值字段”分别选择平均风速、平均气温、相对湿度，直接输出，不要改输出路径名字。再导出数据。在差值分析界面最下栏也有环境，进去设置，注意经纬度显示位置是经纬度投影的投影坐标系，UTM不能用 （6）数据转换为image格式。上步骤中得到的插值栅格数据是Arcgis格式的栅格格式（grid格式），该格式envi识别不了。右键单击插值数据选择“数据—导出数据”，设置导出数据格式为image。 （7）再用envi claas 转换为UTM投影 （8）UTM 设置参数：datum：（原来为North America 1927）改为为WGS84, zone 49。 E: 719614.2770 N: 4100314.6180 X/Y PIXEL: 16.0 meter output x size: 8723 output y size: 6066
(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：
气象资料业务系统(MDOS 操作平台业务流程一、地面自动站观测资料上传 按业务规定上传国家级测站实时地面气象分钟数据文件、小时数据文件、日数据文件、日照数据文件、 (辐射数据文件。 每日定时观测后, 登录 MDOS 平台查看本站数据完整性, 对缺测时次及时补传。 二、疑误信息处理与反馈 台站配置应值班手机,用于接收台站疑误信息短信;值班手机要保证 24小时开机,手机号码变动应及时向省级管理部门上报。 台站对疑误信息的反馈包括定时反馈、被动反馈和更正数据反馈。 (1定时反馈:在每日定时观测后,登录 MDOS 操作平台,查询本站国家站和区域站未处理疑误信息并反馈。保证疑误数据在下一次定时观测前完成反馈。 A:国家站数据质控信息处理——台站处理与反馈——台站未处理 B:区域站数据质控信息处理——台站处理与反馈——台站未处理 台站级数据处理:处理并反馈省级提交给台站的疑误查询信息。包括 3种处理流程: 流程 1:确认数据无误→处理完成。 流程 2:确认数据错误→修正(给出修改值→处理完成。流程 3:批量数据为缺测→处理完成。 (2被动反馈:收到疑误信息短信和电话后,实时登录 MDOS 操作平台反馈; 接到显性错误短信后, 先核对显性错误数据值, 检查相应观测仪器, 查明可能引起出现错误数据的原因, 并及时进行相关数据处理和观测仪器维护等工作。对省级转交台站
处理的疑误信息, 及时查明原因, 通过 MDOS 操作平台进行数据处理和反馈。台站在 收到疑误信息 12小时之内完成反馈。守班时段应急响应期间, 接收到疑误短信或电话后 1小时内进行反馈。 (3更正数据反馈:对台站本地更正过的数据要及时向省级进行反馈,更正报时效内的数据既可通过“ MDOS 数据查询与质疑”功能主动填报反馈, 也可发送更正报 进行修改;时效外的数据可通过 MDOS 平台的“数据查询与质疑”进行修改。 三、台站变动登记 包括变动信息登记(名称,台站号,级别,观测时间,机构,位置,要素, 仪器,障碍物,守班,其他 ,图像、观测记录和规范。 四、台站附加信息登记 (1备注信息登记,通过选择记录年月,事件类型,填入具体内容后,点击即可完成登记。 (2若该台站同一时间同一事件类型已经有记录内容,选择记录年月,事件类型后,具体内容文本框会显示已经填写登记的内容,用户可以直接修改后提交。 (3一般备注事件,本月天气气候概况,图像、观测记录和规范操作参照纪要信息登记方法。 五、产品下载与保存 A 、 J 文件在 MDOS 平台“功能菜单”中的“产品制作与数据服务”下的“ A 、 J 、 Y 文件管理”模块中下载。 每月 6号前将下载后的 A 、 J 文件上传至 10.79.3.18/xj/zdzh/目录下,上传后的文件如有变更请及时进行更新。
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
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
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：________________________________________________________________________
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
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 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：
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。
数据质量控制方法 1. 数据质量检查的内容 地面气象要素上传文件的各要素值的质量控制以实时检查为主，检查内容包括气候学界限值检查、气候极值检查、数据内部一致性检查和数据时间一致性检查。 （1）气候学界限值检查：指从气候学的角度不可能发生的要素值，观测记录应在气候学界限值之内的检查 （2）气候极值检查：指气象记录是否是超气候极值的检查。气候极值是指在固定地点的气象台站在一定的时间范围内出现概率很小的气象记录 （3）内部一致性检查：指同一时间观测的气象要素记录之间的关系必须符合一定规律的检查 （4）时间一致性检查：指对气象记录变化是否在一定的时间范围内变化具有特定的规律的检查
内部一致性 内部一致性对地面观测数据而言，即为要素间一致性，它是基于一个观测点内同一时刻所测得的要素之间或多或少有点相关的事实，对某些有物理特征关联的气象要素间是否一致进行检测。例如：水汽压、露点温度与气温和相对湿度的一致性，海平面气压与本站气压和气温的一致性，小时内极值出现时间只能是从本小时内 时间一致性 大多数气象要素（除风、降水量和蒸发量外）都是连续变化的，它们随时间的变化应该是连续的，在一定的时间间隔，同一要素的前后波动应是在一定范围内。建立各要素的每分钟和每小时的最大变化值表
数据质量检查流程及质量控制码的确定 数据质量检查的顺序是：气候学界限值检查、气候极值检查、内部一致性检查、时间一致性检查 （1）与气候学界限值比较，观测记录不在气候学界限值范围内的，其数据定性为错误，数据作缺测处理，质量控制码为6 （2）与该月累年极端值比较，观测记录不在气候极值范围内的，其数据定性为“可疑”，质量控制码为1 （3）用气温、相对湿度计算水汽压、露点温度，用本站气压计算海平面气压，计算值应与观测记录一致，若不一致时，用计算值代替观测值。代替后的观测值按正确对待，相应质量控制码为6，若原数据为缺测，相应质量控制码为8 （4）小时内极值出现时间不在本小时内时，出现时间按缺测处理，质量控制码为6 （5）当前小时值与前一小时值比较，超过小时最大变化值的，该当前值定性为“可疑”，质量控制码为1，此值参与下一小时的比较 （6）本站气压、气温、相对湿度、最大风速、极大风速、地面温度、草面温度的小时极值与该小时内的极值出现时间的分钟值应该一致。出现极值与分钟值矛盾时，该时极值定性为“可疑”，质量控制码为1。出现时间与记录时间矛盾时，出现时间按缺测处理，质量控制码为6 （7）小时降水量与小时内分钟降水量之和不相等时，在没有人工干预时，将分钟降水量全部定性为“可疑”，质量控制码为1；若进行人工干预，能够确定正确值，则用正确值代替小时降水量或分钟降水量，质量控制码为6，小时值正确但不能给出正确的分钟值时，可将
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。
气象站点数据插值处理流程 1气象站点数据整理 Excel格式，第一行输入字段名称，包括站点名称、x经度（lon）、y纬度（lat）、平均气温、平均风速、相对湿度、平均日照时数。其中经纬度需换算为度的形式，其它数据换算为对应单位。 2excel气象数据转为shape格式的矢量点数据插值分析 （1）打开Arcgis，添加excel气象站点数据。打开LC_Ther10-11_16m合并_warp_裁剪BIL1.00_cj重采样6066_经纬度.img，打开边界.shp,三个应该能叠加在一起 （2）在arcgis内容列表中右键单击excel表，选择“显示XY数据”，设置X、Y字段为表中对应经、纬度字段，编辑坐标系，设置为气象站点经纬度获取时的坐标系，这里为地理坐标系WGS84。 （3）导出为shape格式的点数据。右键单击上一个步骤中新生成的事件图层，单击“数据-导出数据”。需注意导出数据的坐标系应选择“此图层的源数据”。 （4）设置Arcgis环境。在“地理处理”菜单下单击“环境”，在环境设置窗口中选择“处理范围”，选择一个处理好的遥感数据（LC_Ther10-11_16m合并_warp_裁剪BIL1.00_cj重采样6066_经纬度.img，主要是参考该遥感数据的行数和列数）。再选
择“栅格分析”，按下图设置插值的分辨率为“0.0045”，掩膜文件设置为边界2/LC_Ther10-11_16m合并_warp_裁剪BIL1.00_cj重采样6066_经纬度.img。注意：生成出来的是否有坐标系，插值-环境-输出坐标系-与**相同 （5）气象站点数据插值。在toolbox中选择工具箱“Spatial Analyst————反距离权法”，默认12个数据参与运算，“Z值字段”分别选择平均风速、平均气温、相对湿度，直接输出，不要改输出路径名字。再导出数据。在差值分析界面最下栏也有环境，进去设置，注意经纬度显示位置是经纬度投影的投影坐标系，UTM不能用 （6）数据转换为image格式。上步骤中得到的插值栅格数据是Arcgis格式的栅格格式（grid格式），该格式envi识别不了。右键单击插值数据选择“数据—导出数据”，设置导出数据格式为image。 （7）再用envi claas 转换为UTM投影 （8）UTM 设置参数：datum：（原来为North America 1927）改为为WGS84, zone 49。 E: 719614.2770 N: 4100314.6180 X/Y PIXEL: 16.0 meter output x size: 8723 output y size: 6066
Climate Change Research Letters气候变化研究快报, 2014, 3, 1-5 https://www.doczj.com/doc/1c8651974.html,/10.12677/ccrl.2014.31001 Published Online January 2014 (https://www.doczj.com/doc/1c8651974.html,/journal/ccrl.html) The ESMD Method for Climate Data Analysis Jinliang Wang, Zongjun Li College of Science, Qingdao Technological University, Qingdao Email: wangjinliang0811@https://www.doczj.com/doc/1c8651974.html, Received: Aug. 12th, 2013; revised: Sep. 15th, 2013; accepted: Sep. 23rd, 2013 Copyright ? 2014 Jinliang Wang, Zongjun Li. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. In accordance of the Creative Commons Attribution License all Copyrights ? 2014 are reserved for Hans and the owner of the intellectual property Jinliang Wang, Zongjun Li. All Copyright ? 2014 are guarded by law and by Hans as a guardian. Abstract:The new ESMD method has been reported by the Science Net and the China Science Daily. It is the new de-velopment of the well-known Hilbert-Huang transform and can be used effectively in the science researches and engi-neering applications associated with data analysis from atmospheric and oceanic sciences, informatics and so on. The ESMD method has three superiorities in climate data analysis: 1) it is good at finding the global changing trend. It can not only extract the annual changing trend from the observation sequence of a few years, but also draw out the climate changing trend from that of hundreds of years which is helpful for exploring the problem of global warming; 2) it is good at abnormal diagnosis which is helpful for exploring the problem of climatic anomaly due to the ability of finding the abnormal time and frequency from the decomposed modes; 3) it is good at time-frequency analysis and energy variation analysis. With the abandon of Hilbert transform which has many defects, the data-based direct interpolating approach is developed to compute the total energy and instantaneous frequencies at any time scales. It follows from the above features that the ESMD method has a good application prospect in the research of climate change. Keywords: ESMD Method; Hilbert-Huang Transform; Data Analysis; Climate Change; Time-Frequency Analysis; Air-Sea Flux 可用于气候数据分析的ESMD方法 王金良，李宗军 青岛理工大学理学院，青岛 Email: wangjinliang0811@https://www.doczj.com/doc/1c8651974.html, 收稿日期：2013年8月12日；修回日期：2013年9月15日；录用日期：2013年9月23日 摘要：科学网和中国科学报曾先后对我们新研发的ESMD方法进行过报导。ESMD方法是著名的Hilbert-Huang 变换的新发展，可用于海洋和大气科学、信息科学等领域所有涉及数据分析的科研和工程应用。ESMD方法在气候数据分析方面有如下优势：1) 优于寻找变化趋势，不仅能够从数年的观测序列中分离出年际变化趋势，也能够从数百年的长时间气候观测序列中分离出气候变化总趋势，有助于探究全球气候变暖问题；2) 优于异常诊断，能够从分解模态中发现异常时段与频段，有利于气候异常研究；3) 优于时–频分析和能量变化分析，存在诸多弊端的Hilbert变换被代之以先进的直接插值法，能够直观地分析各时间尺度上的频率变化和总能量变化。由此可见，ESMD方法在气候变化问题的研究中存在很大的应用前景。 关键词：ESMD方法；Hilbert-Huang变换；数据分析；气候变化；时频分析；海气通量