Metody Przetwarzania Danych Meteorologicznych Wykład 1

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

25. 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.

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

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

28. 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.

29. 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

30. 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

31. FIGURE 1a - HDF Data Structures

32. 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)

33. 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.

34. 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

35. 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

36. 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

37. Struktura NetCDF-u

38. 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) ;

39. 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" ;

40. // 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" ;

41. 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,…

42. 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)

43. 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

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

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