1 / 45

Metody Przetwarzania Danych Meteorologicznych Wykład 1

Metody Przetwarzania Danych Meteorologicznych Wykład 1. Krzysztof Markowicz Instytut Geofizyki UW kmark@igf.fuw.edu.pl. Informacje ogólne. Wykład: wtorek godzina 9:15-11:00, sala 104a Ćwiczenia: poniedziałek godzina 14:15-16:00, sala 406. Forma zaliczenia: Zaliczenie ćwiczeń

hyman
Download Presentation

Metody Przetwarzania Danych Meteorologicznych Wykład 1

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Metody Przetwarzania Danych MeteorologicznychWykład 1 Krzysztof Markowicz Instytut Geofizyki UW kmark@igf.fuw.edu.pl

  2. Informacje ogólne Wykład: wtorek godzina 9:15-11:00, sala 104a Ćwiczenia: poniedziałek godzina 14:15-16:00, sala 406. Forma zaliczenia: Zaliczenie ćwiczeń Egzamin ustny

  3. Literatura • Roger Daley, „Atmospheric Data Analysysis”. • Notatki do wykładu z lat ubiegłych: http://www.igf.fuw.edu.pl/wyklady/pdm_notatki.pdf Internet: • Analiza obiektywna i asymilacja danych http://twister.ou.edu/OBAN2006/ • Kurs asymilacji danych ECMWF http://www.ecmwf.int/newsevents/training/rcourse_notes/DATA_ASSIMILATION/ASSIM_CONCEPTS/Assim_concepts.html • Analiza obiektywna http://www.comet.ucar.edu/class/faculty/Jun07_1999/html/obj_analysis_may99/index.htm • Materiały do ćwiczeń w matlabie i nie tylko http://w3eos.whoi.edu/12.747/lectures.html

  4. Program wykładu • Wprowadzenie do wykładu, proces przetwarzania danych. • Dane meteorologiczne • typy danych (dane standardowe i niestandardowe) • formaty danych meteorologicznych • wykrywanie błędów i weryfikacja danych • Analiza danych meteorologicznych • pojęcie skali • interpolacja danych, przegląd metod interpolacyjnych • Asymilacja danych • wprowadzenie do asymilacji danych • asymilacja 3D oraz 4D • filtr Kalmana • przykłady asymilacji danych satelitarnych, danych synoptycznych

  5. Re-analiza danych klimatologicznych • standaryzacja długich serii obserwacyjnych • re-analiza NCEP/NCAR • Filtracja • matematyczny opis procesu filtracji • filtracja w czasie pomiaru wielkości fizycznych • typy filtracji • Statystyczna analiza danych • przestrzeń zdarzeń losowych, zmienna losowa jedno i wielowymiarowa, prawo wielkich liczb • gęstość prawdopodobieństwa, dystrybuanta, histogram • poziom istotności, przedział ufności, weryfikacja hipotez • momenty statystyczne, macierz kowariancji i korelacji • funkcje od zmiennych losowych • Regresja • liniowa i nieliniowa • metoda najmniejszych kwadratów • regresja zmiennej wielowymiarowej

  6. Elementy teorii procesów stochastycznych • definicje • funkcja autokorelacyjna • przedstawienie kanoniczne • funkcje strukturalne • procesy losowe, proces stacjonarny i jednorodny • procesy niestacjonarne • rozwinięcie fourierowskie i analiza fourierowska procesu stacjonarnego • twierdzenie ergodyczne • Empiryczne Funkcje Ortogonalne EOF • przykłady EOF-ów • Analiza falkowa i fraktalna • falki • przykłady i konstrukcja falek • wymiar fraktalny Hausdorffa • wymiar korelacyjny i pudełkowy • Sieci Neuronowe • przykłady prostych układów samouczących

  7. Zagadnienia na ćwiczenia • Wstęp do programowania w matlabie/IDLu • Czytanie różnych formatów danych meteorologicznych i ich wizualizacja w matlabie • Wykrywanie i korekcja błędów w danych • Interpolacja, ekstrapolacja • Regresja danych • Przetwarzanie danych na przykładzie danych satelitarnych, sondażowych i innych • Metody statystyczne, analiza statystyczna danych • Analiza Fouriera, Falkowa • Rozkład kanoniczny na funkcje ortogonalne EOF-y , przykłady

  8. Główne problemy i zadania związane z przetwarzaniem danych meteorologicznych • Asymilacja danych meteorologicznych do modeli numerycznych (dane pochodzą z różnych przyrządów a pomiary nie raz wykonywane są w różnych momentach czasu). • Asymilacja danych satelitarnych. Dane o silnie niejednorodnym rozkładzie np. pomiary SST wykonywane są gdy brak chmur na danym obszarze. • Wizualizacja danych obserwacyjnych • Ujednolicanie pól meteorologicznych pochodzących z różnych typów obserwacji. • Analizy danych pod kątem statystycznym • Rekonstrukcja niejednolitych ciągów czasowych • Problemy wynikające ze zmian przyrządów używanych do obserwacjach klimatycznych – ujednolicanie serii pomiarowych (re-analiza meteorologiczna). Problem ten dotyczy zarówno pomiarów typu in-situ jak i teledetekcyjnych.

  9. Dane – wszystkie informacje w formie zakodowanej (binarnie, szesnastkowo, kreskowo itd.) • Informacja - oznacza pewną własność fizyczną lub strukturalną obiektów, która może być przesyłana. • Dzięki czemu pozwala ona rozróżniać obiekty Jednostką podstawowa informacji jest bit informacji • Do przekazywania informacji stosuje się kodowanie. Najprostszym kodem jest kod binarny i wszystkie inne można na niego przetłumaczyć • Archiwizowanie i przenoszenie informacji jest często kodowane aby ograniczyć koszty tego procesu.

  10. Proces przetwarzania danych • Przetwarzanie danych – to proces w czasie, którego dane konwertowane są z jednego formatu do drugiego. Często spotyka się inną definicje mówiącą, że jest to proces komputerowy pomiędzy danymi a informacją. • Proces ten często dobywa się automatycznie na pośrednictwem komputerów lub mikrokomputerów • W czasie przetwarzania danych nie powstają nowe dane, mogą być za to tracone. • W czasie procesu przetwarzania danych możemy wyróżnić: • Selekcję (rezygnacja z części danych wejściowych) • Uogólnianie (rezygnacja z niepotrzebnych rozróżnień np. przez uśrednianie) • Zmianę kodu (np. przejście z danych liczbowych na format graficzny), • Zmianę nośnika i archiwizację • Transmisję • Filtrację (wydobywanie z wyjściowego zbioru danych istotnie potrzebnych z punktu widzenia prowadzącego proces).

  11. Analiza To proces w czasie którego dokonujemy redukcji danych wyjściowych tak, aby zbiór danych końcowych zwierał jedynie informacje rzeczywiście niezbędne użytkownikowi w formie wygodnej do ich wykorzystania. Wynika to z faktu, iż mamy do dyspozycji ogromne ilości danych a człowiek, który jest najczęściej końcowym użytkownikiem danych nie jest w stanie operować więcej niż kilkoma informacjami naraz. Elementami procesu analizy są • detekcja i korekcja błędów • synteza (redukcja danych do postaci przyswajalnej przez użytkownika) • edycja (wybór informacji oraz formatu) • wizualizację (graficzna forma edycji zależna od przeznaczania np. mapy 3D, przekroje, histogramy itd.)

  12. Redundancja informacji • W teorii informacji redundancjato ilość informacji przekraczająca wymagane do rozwiązania problemu minimum. • Bardziej formalnie – ilość bitów w wiadomości minus ilość bitów faktycznej informacji. • Celowa redundancja danych jest stosowana w celu ułatwienia odtworzenia danych po ich częściowej utracie czy uszkodzeniu lub też do wykrycia takiego uszkodzenia (CRC, suma kontrolna). • Redundancja ma zastosowanie głównie w przypadku bardzo ważnych, strategicznych dla danego systemu informacji. Szczególnie często mamy do czynienia z redundancją danych w systemach telekomunikacyjnych, gdzie niezawodność przesyłania odgrywa kluczową rolę podczas transmisji. • Usuwanie nieprzydatnej redundancji to kompresja danych. Paradoksalnie, wiele programów kompresujących może dodawać niewielkie informacje nadmiarowe, pozwalające wykryć uszkodzenie skompresowanych danych (sumy kontrolne).

  13. Suma kontrolna • to liczba uzyskana w wyniku sumowania lub wykonania innych operacji matematycznych na przesyłanych danych, przesłana razem z danymi i służąca do sprawdzania poprawności przetwarzanych danych. • komputer wysyłający dane liczy sumę kontrolną i dołącza ją do pakietu danych. Komputer odbierający dane liczy również sumę kontrolną z odebranych danych i sprawdza, czy zgadza się suma obliczona przez niego z sumą odebraną z pakietem danych. Jeśli nie, to znaczy, że dane uległy przekłamaniu. • odmianą sumy kontrolnej jest: • CRC • cyfra kontrolna w numerach PESEL (11 cyfra), NIP, numerach kont bankowych, • bit parzystości stosowany przy transmisji szeregowej łączem RS-232, lub bit parzystości w taśmie perforowanej. W tym przypadku liczba jest liczbą 1-bitową, • suma bitowa, różnica bitowa stosowana w wielu protokołach transmisji danych.

  14. Przykład – bit parzystości • Jest to bit dodawany do każdego bajtu informacji w celu sprawdzenia poprawności pakietu, w ten sposób, by liczba jedynek w bajcie i bicie parzystości była zawsze parzysta. • Bit parzystości otrzymuje wartość 0 lub 1 tworząc sumę wszystkich bitów tak aby łączna wartość równała się 0 - była zawsze parzysta. • Pakiet bajtowy 10111101 jest parzysty (6 bitów '1'), więc bit parzystości wynosi 0 dając 9 bitowe wyrażenie kodowe 101111010. • Pakiet bajtowy 01110011 jest nieparzysty (ma 5 bitów '1'), więc bit parzystości wynosi 1, dając 9 bitowy wyraz kodowy 011100111. • Pakiet bajtowy 00000000 jest parzysty (ponieważ zero jest parzyste), więc bit parzystości wynosi 0, dając w rezultacie 9 bitowe wyrażenie kodowe 000000000. • Bit parzystości umożliwia wykrywanie tylko pojedynczych przekłamań. Toteż obecnie zaprzestaje się jego używania na rzecz rozbudowanych i pewniejszych protokołów nadzoru poprawności transmitowanych danych. • Odwrotnością bitu parzystości jest bit nieparzystości.

  15. CRC (Cyclic Redundancy Check) – cykliczny kod nadmiarowy) • to matematyczna suma kontrolna wykorzystywana do wykrywania uszkodzonych danych binarnych. • Kod CRC zwykle dodawany jest do ramki lub pakietu w celu późniejszej weryfikacji integralności danych. Jest to algorytm wykrywania błędów bardziej niezawodny niż suma kontrolna, umożliwia również określenie, czy błąd zdarzył się podczas transmisji. • Wartość CRC określana jest w sposób bardziej rygorystyczny niż wartość sumy kontrolnej - otrzymuje się ją w wyniku podziału wartości otrzymanej w wyniku odczytania ciągu binarnego przez wcześniej określoną liczbę binarną. • CRC jest resztą z binarnego dzielenia ciągu danych przez relatywnie krótki dzielnik, zwany generatorem lub wielomianem CRC. W praktyce stosuje się najczęściej wielomiany o długości 17 lub 33 bitów, dające odpowiednio wyniki 16 (CRC-16) i 32 bitów (CRC-32). • Metoda ta jest szeroko wykorzystywana do wykrywania błędów przypadkowych, ale nie nadaje się do ochrony integralności w zastosowaniach kryptograficznych. CRC jest relatywnie łatwe do sfałszowania, tj. jest możliwe takie poprawienie ciągu bitów by dawał on w wyniku poprawne CRC.

  16. Dane meteorologiczne • Pochodzą z obserwacji meteorologicznych szczegółowo omawianych na wykładzie meteorologia doświadczalna. • Dzielimy je na standardowe (zbierane wg ściśle określonej procedury za pomocą standaryzowanych przez WMO przyrządów) i niestandardowe (obejmujące wyniki z procesów badawczych). • Dane meteorologiczne dzielimy na: Synoptyczne, klimatologiczne i inne. • Dane synoptyczne wykonywane są w tych samych porach czasu UTC (pomiary synchroniczne) • Dane klimatologiczne wykonywane są w względem czasu lokalnego ( pomiary niesynchroniczne). • Pomiary satelitarne są z reguły niesynchroniczne poza pomiarami z platform geostacjionarnych.

  17. Weryfikacja Danych • Jednym z głównych zadań weryfikacji danych jest wykrywanie błędów • błędy pojawiają się w czasie obserwacji meteorologicznych i można je podzielić na • błędy aparatury pomiarowej • błędy powstałe w czasie rejestracji (zapisu) • błędy związane z niereprezentatywnością pomiarów • błędy transmisji danych.

  18. Cechy informacji meteorologicznych • wykazują zależności fizyczne pomiędzy różnymi wielkościami np. wiatr geostroficzny, czy równanie hydrostatyki wprowadzają związki na podstawowe wielkości mierzone w czasie obserwacji meteorologicznych. • mieszczą się w pewnych zakresach zmienności (widełkach)

  19. Wykrywanie błędów • Jeżeli błędy są względnie nieduże, stwierdzenie ich istnienia i wielkości może być niemożliwe i trzeba je traktować jako nieusuwalną niepewność, możliwą do oszacowania co najwyżej w sensie statystycznym. • Natomiast błędy większe dają się często wykryć i w pewnym stopniu skorygować. • Do wykrywania takich błędów wykorzystuje się redundancję w zapisie danych lub redundancję zawartą we wcześniejszej wiedzy na temat ich własności, lub w metadanych. • W szczególności wykrycie błędu umożliwiają często: • znajomość zakresu zmienności parametru (wartość odbiegająca znacznie od oczekiwanej a zwłaszcza wykraczająca poza znany zakres zmienności może być błędna); • znajomość skali zmienności pola lub przebiegu czasowego pozwalająca na wykrycie błędów przez stwierdzenie nierealnych wartości pierwszych lub drugich pochodnych.; • znajomość zależności pomiędzy różnymi wielkościami – można np. szukać rozbieżności pomiędzy zmierzonym polem ciśnienia i polem oczekiwanym na podstawie pomiarów temperatury itp. oraz równania hydrostatyki, która to rozbieżność świadczyć może błędzie. • na podstawy pewnej wiedzy a priorio własnościach analizowanych pól • na podstawie wiedzy statystycznej.

  20. W szczególności, jeśli przebieg czasowy pewnego parametru w danym punkcie obserwacyjnym zaczyna zachowywać się inaczej niż w punktach sąsiednich, podczas gdy wcześniej wykazywał podobieństwo, może to wynikać z zerwania jednorodności danych, np. zmiany przyrządów lub zmiany warunków fizjograficznych w otoczeniu tego punktu. • Nietypowe zachowanie analizowanego pola lub przebiegu czasowego nie zawsze musi oznaczać błąd w danych (choć najczęściej oznacza). Może też być sygnałem wystąpienia jakiegoś nieznanego lub w danych okolicznościach nieoczekiwanego zjawiska. Dlatego automatyzacja korygowania takich błędów może być ryzykowna (vide historia „dziury ozonowej”) choć często bywa konieczna ze względów operacyjnych.

  21. Metody korekcji błędów • Najprostszą metodą korekcji jest odrzucenie danejuznanej za błędną. Może to jednak czasem spowodować odrzucenie informacji nietypowej ale prawdziwej. Ponadto w wielu przypadkach dane są używane w operacjach, które nie dopuszczają pustych pozycji (np. obliczenia na sieciach punktów o regularnych odstępach pomiędzy węzłami). W takim przypadku błędną wartość należy zastąpić inną, policzoną na podstawie posiadanych danych redundantnych. Może to być: • najbardziej prawdopodobna wartość klimatologiczna, • wartość wyliczona na podstawie znanych relacji z innymi polami (np. geopotencjał wyliczony na podstawie rozkładu temperatury i wilgotności), • wartość uzyskana w wyniku interpolacji na podstawie danych z innych punktów analizowanego pola lub przebiegu. • W szczególności dane klimatyczne można poprawiać, wykorzystując dane archiwalne na temat korelacji tendencji zmian parametrów pomiędzy sąsiednimi stacjach.

  22. Analiza subiektywna i obiektywna • Subiektywna analiza danych meteorologicznych została zapoczątkowana przez szkołę norweską w czasie I Wojny Światowej. Przykładem są tu mapy synoptyczne rysowane ręcznie. W tym przypadku analiza zależy od osoby która ją sporządza. Pierwsze mapy Bergerona są raczej dziełem artystycznym niż wykorzystanie posiadanej wiedzy. • Obiektywna analiza danych często zwana również statystyczną oznacza, że proces analizy jest zalgorytmizowały a wynik powtarzalne.

  23. Subiektywna analiza pola meteorologicznego

  24. Analiza obiektywna • Głównym problemem analizy obiektywnej jest nieregularność przestrzenna (czasami również czasowa) sieci obserwacyjnej. • Musimy podać zmierzone wartości parametrów meteorologicznych w punktach siatki. • Tak wiec obiektywna analiza jest w NWP jest procesem interpolacyjnym, w wyniku którego uzyskujemy wartość początkową pola meteorologicznego. • Dlaczego nie jest to „prosta” (z punktu widzenia matematyki) interpolacja nieregularnego pola wielkości skalarnych czy wektorowych? • Istnieje wiele odpowiedzi na to pytanie, zostaną jednak one udzielone w dalszej części wykładu.

  25. Asymilacja danych do numerycznych prognoz pogody NWP - Numerical Weather Prediction

  26. Ciągła asymilacja danych, wykorzystująca zarówno nowe jak i stare informacje

  27. Formaty danych metrologicznych • Zapisywanie informacji meteorologicznych obejmujących dane: synoptyczne, klimatyczne, satelitarne czy też wyniki obliczeń numerycznych prognoz pogody w odpowiednim formacie stanowi zasadnicza kwestia w sensie ich przesyłania, archiwizacji, budowy baz danych z możliwością dostępu dla użytkowników. • Niestety nie stanieje żaden standardowy format, w którym zapisywane byłby wyżej wspominane dane. • Dlatego też czytanie danych meteorologicznych wymaga niejednokrotnie używania specjalnych programów, które zależą od systemów operacyjnych i rodzajów używanych komputerów.

  28. Pliki tekstowe i binarne • Rozróżniamy dwa rodzaje plików: tekstowe i binarne. Nazwy są trochę mylące, bo wszystkie pliki są binarne, czyli ,,zerojedynkowe''. • Jednak pliki tekstowe zajmują wśród nich wyróżnioną pozycję, sposób ich odczytywania jest bowiem najbardziej w świecie komputerów rozpowszechnionym standardem. Znajdują się w nich litery, zamienione na bity. • Zapisany w ten sposób plik można odczytać na dowolnym komputerze, niezależnie od systemu operacyjnego itp. W dodatku ,,odczytać'' możemy tu rozumieć dosłownie, gdyż po zamianie bitów na litery (czyli wyświetleniu pliku ASCII) pojawia się tekst, zwykle zrozumiały dla człowieka. • Ogólnie, pliki binarne to wszystkie pliki nietekstowe. Mogą zawierać obrazy, lub dowolne dane. Jeśli zapisano je w jednym z ogólnie przyjętych standardów to zwykle daje się je odczytać na większości komputerów, jeśli tylko zainstalowano na nich odpowiednie programy. To jednak znacznie komplikuje i utrudnia zadanie użytkownikom którzy zajmują się analiza tego typu danych

  29. Hierarchical Data Format- HDF • HDF jest biblioteka oraz wielowymiarowym formatem plików używanym do przesyłania danych w postaci graficznej oraz numerycznej między komputerami. • Format HDF zawiera kilka modułów danych: wielowymiarowe macierze, grafikę rastrową oraz tablice. Każdy z nich zawiera zespół zmiennych, które mogą być zapisywane, czytane oraz dodawane przez użytkownika • Format HDF jest samoopisujący się co oznacza, że czytając plik z danymi nie musimy posiadać żadnej informacji o strukturze pliku. • Pliki w formacie HDF mogą być wymieniane pomiędzy większością komputerów i systemów operacyjnych!!. • Format HDF używany jest najczęściej dla danych satelitarnych

  30. FIGURE 1a - HDF Data Structures

  31. GRIB (GRIdded Binary) • To matematyczny format używany na potrzeby meteorologii do archiwizowania danych historycznych oraz wyników numerycznych prognoz pogody • GRIP jest formatem standardowym zaakceptowanym przez World Meteorological Organization jak GRIB FM 92-IX, opisany w raportach WMO (Manual on Codes No.306). • Obecnie funkcjonują dwie wersje GRIB-ow: • Edycja pierwsza GRIB-ow jest szeroko używana przez centra meteorologiczne na potrzeby numerycznych prognoz pogody • Nowej generacji (druga edycja) nie jest używana tak powszechnie. Wyjątkiem jest Eumetcast, gdzie w GRIBAch zapisuje się produkty związane z Meteosatem drugiej generacji (Meteosat Second Generation)

  32. Struktura GRIBów • Każdy plik w formacie GRIB zawiera szereg rekordów. • Każdy z rekordów składa się z jednego parametru dla danego czasu oraz jednego poziomu. • Z kolei każdy rekord składa się z 6 sekcji. Przy czym sekcja 4 zawiera właściwe dane. Pozostałe zawierają niezbędne informacje do przeczytania sekcji danych. • Struktura sekcji: • Section 0: Indicator Section.Section 1: Product Definition Section.Section 2: Grid Description Section - Optional.Section 3: Bit Map Section - Optional.Section 4: Binary Data Section.Section 5: '7777' - ASCII Characters indicating end of GRID record.

  33. NetCDF (Network Common Data FormCechy Formatu NetCDF • samo-opisujący się (plik netCDF zawiera informacje o zawartych w nim danych). • niezależny od architektury komputera • bezpośredni dostęp do danych (dowolna część danych może być efektywnie czytana bez wcześniejszego czytania poprzedzający danych) • dane mogą być dopisywane do pliku w jednym wymiarze bez przedefiniowania struktury pliku. • istnieje możliwość zmiany struktury pliku oraz kopiowanie innych ustawień • równoczesna dostępność do pliku przez osobę zapisującą dane jak i użytkowników czytając do

  34. języki w jakich napisane zostały biblioteki NetCDF • C • C++ • Fortran • Perl • Jave niektóre programy czytające pliki NetCDF: • IDL Interface • MATLAB • NCAR Graphics • FERRET • GrADS •  HDF Interface

  35. Struktura pliku NetCDF a) header - część opisująca zmienne zawierająca informacje o:  • wymiarach • atrybutach • zmiennych • b) sekcja danych - zawiera właściwe dane o: ograniczonych wymiarach nieograniczonym (jednym) wymiarze • c) typy zmiennych: • ncbyte 1 Byte • ncchar 1 Byte • ncshort 2 Byte • ncint 4 Byte • ncfloat 4 Byte • ncdouble 8 Byte

  36. Struktura NetCDF-u

  37. netcdf uwnd10m.mon.mean { • dimensions: • lon = 192 ; • lat = 94 ; • time = UNLIMITED ; // (694 currently) • variables: • float lat(lat) ; • lat:units = "degrees_north" ; • lat:actual_range = 88.542f -88.542f ; • lat:long_name = "Latitude" ; • float lon(lon) ; • lon:units = "degrees_east" ; • lon:long_name = "Longitude" ; • lon:actual_range = 0.f, 358.125f ; • double time(time) ; • time:units = "hours since 1-1-1 00:00:0.0" ; • time:long_name = "Time" ; • time:actual_range = 17067072., 17573304. ; • time:delta_t = "0000-01-00 00:00:00" ; • time:avg_period = "0017-00-00 00:00:00" ; • time:prev_avg_period = "0000-00-01 00:00:00" ; • float uwnd(time, lat, lon) ;

  38. float uwnd(time, lat, lon) ; • uwnd:long_name = "Monthly Mean of U-Wind" ; • uwnd:valid_range = -102.2f, 102.2f ; • uwnd:actual_range = -13.76903f, 14.4571f ; • uwnd:units = "m/s" ; • uwnd:add_offset = 0.f ; • uwnd:scale_factor = 1.f ; • uwnd:missing_value = 32766s ; • uwnd:precision = 2s ; • uwnd:least_significant_digit = 1s ; • uwnd:GRIB_id = 11s ; • uwnd:var_desc = "u-wind" ; • uwnd:dataset = "CDC Derived NCEP Reanalysis Products\n", • "AC" ; • uwnd:level_desc = "10 m\n", • "P" ; • uwnd:statistic = "Mean\n", • "M" ; • uwnd:parent_stat = "Individual Obs\n", • "I" ;

  39. // global attributes: • :Conventions = "COARDS" ; • :title = "monthly mean u wind" ; • :history = "renamevars Thu Feb 1 09:41:58 2001 from uwnd10m.mon.mean.nc\n", • "Tue Jul 6 00:21:54 1999: ncrcat uwnd10m.mon.mean.nc /Datasets/ncep.reanalysis.derived/surface_gauss/uwnd10m.mon.mean.nc /dm/dmwork/nmc.rean.ingest/combinedMMs/uwnd10m.mon.mean.nc\n", • "created 97/10/04 by CAS (netCDF2.3)" ; • :description = "Data is from NMC initialized reanalysis\n", • "(4x/day). It consists of T62 variables interpolated to\n", • "pressure surfaces from model (sigma) surfaces." ; • :platform = "Model" ;

  40. Sekcja danych • lon = 0, 1.875, 3.75, 5.625,… • lat = 88.542, 86.6531, 84.7532, 82.8508,… • time = 17067072, 17067816, 17068512, 17069256,… • uwnd= -2.035805, -2.166451, -2.145482, -2.277421, -2.800644,…

  41. Wybrane programy do czytania danych (darmowe) GrADS (Grid Analysis and Display System), HDF, NetCDF, GRIB. CDAT (Climate Data Analysis Tools), NetCDF, GRIB Xconv/Convsh (NetCDF, GRIB, UK Met Office Unified Model Data Output format, UK Met Office PP format, DRS format) Programy komercyjne: Matlab (HDF, NetCDF) IDL (HDF, NetCDF, GRIB)

  42. Kod SYNOP • Format SYNOP jest międzynarodowym formatem danych meteorologicznych używanym do ich transmisji w trybie rzeczywistym. • Używany jest od ponad 50 lat. W kodzie SYNOP zawarte są następujące grupy obserwacji Grupa 000 – oznaczana numer stacji i lokalizacje • Grupa 111 – opisuje obserwacje nad lądem • Grupa 222 – opisuje pomiary powierzchni mórz i oceanów • Grupa 333 – zawiera dane klimatologiczne

  43. Struktura formatu SYNOP • IIiii lub IIIIIYYGGi99LLL QLLLL • iihVVNddff00fff1sTTT2sTTT3PPPP4PPPP5appp6RRRt7wwWW8NCCC9GGgg • 222Dv0sTTT1PPHH2PPHH3dddd4PPHH5PPHH6IEER70HHH8aTTT • 333 0....1sTTT2sTTT3Ejjj4Esss5jjjj jjjjj6RRRt7RRRR8Nchh9SSss

  44. Inne formaty danych • SHIP • TEMP • METAR, TAF, TEMP • BOUY, AMDAR, AIREP.

More Related