GFS: Global Forecast System 384-Hour Predicted Atmosphere Data

NOAA/GFS0P25
数据集可用时间
2015-07-01T00:00:00Z–2026-10-15T00:00:00Z
数据集生产者
Earth Engine 代码段
ee.ImageCollection("NOAA/GFS0P25")
频率
6 小时
标记
气候 云 通量 预报 地球物理 湿度 ncep noaa 降水 辐射 温度 蒸汽 天气 天气和气候 风
emc
gfs

说明

全球预报系统 (GFS) 是由美国国家环境预报中心 (NCEP) 制作的天气预报模型。GFS 数据集由选定的模型输出（如下所述）组成，作为网格化预测变量。384 小时预报的时间分辨率为 6 小时（即每天更新 4 次），预报间隔为 1 小时（最长 120 小时）和 3 小时（120 小时后）。使用“creation_time”和“forecast_time”属性选择感兴趣的数据。

GFS 是一个耦合模型，由大气模型、海洋模型、陆地/土壤模型和海冰模型组成，这些模型协同工作，可提供准确的天气状况。请注意，此模型可能会发生变化；如需了解详情，请参阅全球预测/分析系统的近期修改历史记录和文档。小时之间和天之间可能存在显著波动，需要先对频段应用降噪技术，然后再进行分析。

请注意，可用的预测小时数和间隔时间会随时间而变化：

  • 2015 年 4 月 1 日至 2017 年 7 月 9 日：36 小时预测，不包括第 0 小时，间隔 3 小时。
  • 2017 年 7 月 9 日至 2021 年 6 月 11 日：384 小时预报，0-120 小时每 1 小时间隔一次，120-240 小时每 3 小时间隔一次，240-384 小时每 12 小时间隔一次。
  • 自 2021 年 6 月 12 日起：384 小时预报，第 0-120 小时的时间间隔为 1 小时，第 120-384 小时的时间间隔为 3 小时。

如频段说明中所述，部分频段要到 2025 年 1 月 15 日才可用。

频段

波段

像元大小：27830 米（所有波段）

名称 单位 最小值 最大值 像素大小 说明
temperature_2m_above_ground °C -69.18* 52.25* 27,830 米

距地面 2 米处的温度
specific_humidity_2m_above_ground 质量分数 0* 0.03* 27,830 米

地面上方 2 米处的比湿
dew_point_temperature_2m_above_ground °C -81.05* 29.05* 27,830 米

距地面 2 米处的温度（自 2025 年 1 月 15 日起提供）
relative_humidity_2m_above_ground % 1* 100.05* 27,830 米

地面上方 2 米处的相对湿度
maximum_temperature_2m_above_ground °C -60.73* 59.28* 27,830 米

地面以上 2 米处的最高温度（自 2025 年 1 月 15 日起提供，但仅适用于 forecast_hours > 0 的资产）
minimum_temperature_2m_above_ground °C -63.78* 59.39* 27,830 米

地面以上 2 米处的最低温度（自 2025 年 1 月 15 日起提供，但仅适用于 forecast_hours > 0 的资产）
u_component_of_wind_10m_above_ground m/s -60.73* 59.28* 27,830 米

地面以上 10 米处的风的 U 分量
v_component_of_wind_10m_above_ground m/s -63.78* 59.39* 27,830 米

地面上方 10 米处的风的 V 分量
total_precipitation_surface kg/m^2 0* 626.75* 27,830 米

前 1-6 小时的地面累积降水量，具体取决于“forecast_hours”属性的值，计算公式为 ((F - 1) % 6) + 1（仅适用于 forecast_hours > 0 的资源）。

因此，为了计算 X 小时内的总降水量，应避免重复统计，只需将 forecast_hours 为 6 的倍数的值加上达到 X 的任何余数相加即可。这也意味着，如需确定仅 X 小时的降水量，必须减去前一小时的值，除非 X 是 6 小时窗口中的第一个小时。
precipitable_water_entire_atmosphere kg/m^2 0* 100* 27,830 米

整个大气层的可降水量
u_component_of_wind_planetary_boundary_layer m/s -66.8* 62.18* 27,830 米

行星边界层风速的 U 分量（自 2025 年 1 月 15 日起提供）
v_component_of_wind_planetary_boundary_layer m/s -63.08* 57.6* 27,830 米

风的行星边界层 V 分量（自 2025 年 1 月 15 日起提供）
gust m/s 0* 57.41* 27,830 米

风速（阵风）（自 2025 年 1 月 15 日起提供）
precipitation_rate kg/m^2/s 0* 0.032* 27,830 米

降水率（自 2025 年 1 月 15 日起提供）
haines_index 2* 6* 27,830 米

Haines 指数（自 2025 年 1 月 15 日起提供）
ventilation_rate m^2/s 0* 234000* 27,830 米

通风率（自 2025 年 1 月 15 日起提供）
total_cloud_cover_entire_atmosphere % 0* 100* 27,830 米

整个大气层的总云量（之前仅适用于 forecast_hours > 0 的资产，但从 2025 年 1 月 15 日起，也适用于 forecast_hours == 0 的资产）
downward_shortwave_radiation_flux W/m^2 0* 1230* 27,830 米

向下短波辐射通量（仅适用于 forecast_hours > 0 的资产）
downward_longwave_radiation_flux W/m^2 0* 100* 27,830 米

向下长波辐射通量（自 2025 年 1 月 15 日起提供，但仅适用于 forecast_hours > 0 的资产）
upward_shortwave_radiation_flux W/m^2 0* 1230* 27,830 米

向上短波辐射通量（自 2025 年 1 月 15 日起提供，但仅适用于 forecast_hours > 0 的资产）
upward_longwave_radiation_flux W/m^2 0* 100* 27,830 米

向上长波辐射通量（自 2025 年 1 月 15 日起提供，但仅适用于 forecast_hours > 0 的资产）
planetary_boundary_layer_height m 7.77* 6312.67* 27,830 米

行星边界层高度（自 2025 年 1 月 15 日起提供）
* 预估的最小值或最大值

图片属性

图像属性

名称 类型 说明
creation_time DOUBLE

创建时间
forecast_hours 双精度

预测的小时数
forecast_time DOUBLE

预报时间

使用条款

使用条款

NOAA 的数据、信息和产品，无论通过何种方式提供，均不受版权保护，且公众后续使用不受限制。一旦获取，即可用于任何合法用途。上述数据属于公共领域，使用和分发不受限制。

引用

引用：

  • Alpert, J.，2006 年，NCEP 的次网格尺度山脉阻塞，第 20 届 WAF/16 会议 NWP P2.4。

  • Alpert, J. C. S-Y. Hong 和 Y-J. Kim: 1996, Sensitivity of cyclogenesis to lower troposphere enhancement of gravity wave drag using the EMC MRF", Proc. 11 Conf. On NWP, Norfolk, 322-323.

  • Alpert,J,, M. Kanamitsu, P. M. Caplan, J. G. Sela, G. H. White 和 E. Kalnay，1988 年：NMC 中程预报模型中由山脉引起的重力波阻力形参化。预印本，第八届数值天气预报会议，马里兰州巴尔的摩，美国气象学会，Meteor. Soc., 726-733。

  • Buehner, M.、J. Morneau, and C. Charette, 2013: Four-dimensional ensemble-variational data assimilation for global deterministic weather prediction. Nonlinear Processes Geophys., 20, 669-682.

  • Chun, H.-Y. 和 J.-J. Baik, 1998: Momentum Flux by Thermally Induced Internal Gravity Waves and Its Approximation for Large-Scale Models. J. Atmos。Sci., 55, 3299-3310.

  • Chun, H.-Y.、Song, I.-S.、Baik, J.-J. 和 Y.-J. Kim. 2004 年：NCAR CCM3 中对流强迫重力波阻力参数化的影响。 J. Climate, 17, 3530-3547.

  • Chun, H.-Y.、Song, M.-D.、Kim, J.-W. 和 J.-J. Baik, 2001: Effects of Gravity Wave Drag Induced by Cumulus Convection on the Atmospheric General Circulation. J. Atmos。Sci., 58, 302-319.

  • Clough, S.A.、M.W. Shephard、E.J. Mlawer、J.S. Delamere、M.J. Iacono、K.Cady-Pereira、S. Boukabara 和 P.D. Brown，2005 年：大气辐射传输建模：AER 代码摘要，J. Quant. Spectrosc. Radiat. Transfer, 91, 233-244. doi:10.1016/j.jqsrt.2004.05.058

  • Ebert, E.E., and J.A. Curry, 1992: A parameterization of ice cloud optical properties for climate models. J. Geophys. Res., 97, 3831-3836.

  • Fu, Q.、1996: An Accurate Parameterization of the Solar Radiative Properties of Cirrus Clouds for Climate Models. J. Climate, 9, 2058-2082.

  • Han, J. 和 H.-L. Pan, 2006: Sensitivity of hurricane intensity forecast to convective momentum transport parameterization. 周一。天气。Rev.， 134, 664-674。

  • Han, J. 和 H.-L. Pan，2011 年：NCEP 全球预报系统中对流和垂直扩散方案的修订。Weather and Forecasting, 26, 520-533.

  • Han, J.、M. Witek, J. Teixeira, R. Sun, H.-L. Pan, J. K. Fletcher 和 C. 韩Bretherton, 2016: Implementation in the NCEP GFS of a hybrid eddy-diffusivity mass-flux (EDMF) boundary layer parameterization with dissipative heating and modified stable boundary layer mixing. Weather and Forecasting, 31, 341-352.

  • Hou, Y.、韩Moorthi and K. Campana，2002 年：NCEP 模型中太阳辐射传输的形参化，NCEP Office Note #441，第 46 页。 点击此处获取

  • Hu, Y.X., and K. Stamnes, 1993: An accurate parameterization of the radiative properties of water clouds suitable for use in climate models. J. Climate, 6, 728-74.

  • Iacono, M.J.、E.J. Mlawer、S.A. Clough 和 J.-J. Morcrette，2000 年：改进的长波辐射模型 RRTM 对 NCAR 社区气候模型 CCM3 的能量收支和热力学性质的影响，J. 地球物理学Res., 105(D11), 14,873-14,890.2.

  • Johansson, Ake, 2008: Convectively Forced Gravity Wave Drag in the NCEP Global Weather and Climate Forecast Systems, SAIC/Environmental Modelling Center internal report.

  • Juang, H-M, et al. 2014:Regional Spectral Model workshop in memory of John Roads and Masao Kanamitsu, BAMS, A. Met。Soc, ES61-ES65.

  • Kim, Y.-J., and A. Arakawa (1995), Improvement of orographic gravity wave parameterization using a mesoscale gravity-wave model, J. Atmos。Sci.,52, 875-1902.

  • Kleist, D. T., 2012: An evaluation of hybrid variational-ensemble data assimilation for the NCEP GFS , Ph.D. Thesis, Dept. of Atmospheric and Oceanic Science, University of Maryland-College Park, 149 pp.

  • Lott, F 和 M. J. Miller：1997 年，“A new subgrid-scale orographic drag parameterization: Its formulation and testing”，QJRMS，123，第 101-127 页。

  • Mlawer, E.J.、S.J. Taubman、P.D. Brown、M.J. Iacono 和 S.A. Clough，1997 年：非均匀大气的辐射传输：RRTM，一种经过验证的长波相关 k 模型。J. 地球物理学Res., 102, 16663-16682.

  • Sela, J., 2009 年：在 GFS 中实现 sigma-压力混合坐标。NCEP Office Note #461，第 25 页。

  • Sela, J.、2010：GFS 的 sigma-pressure 混合坐标半拉格朗日模型方程的推导。NCEP Office Note #462 pp31.

  • Yang, F.、2009：NCEP GFS 中的负水汽：来源和解决方案。第 23 届天气分析与预报会议/第 19 届数值天气预报会议，2009 年 6 月 1 日至 5 日，内布拉斯加州奥马哈。

  • Yang, F.、K. Mitchell, Y. Hou, Y. Dai, X. Zeng, Z. Wang 和 X. Liang，2008 年：地表反照率对太阳天顶角的依赖性：观测和模型形参化。Journal of Applied Meteorology and Climatology.No.11, Vol 47, 2963-2982.

DOI

通过 Earth Engine 探索

代码编辑器 (JavaScript)

var dataset = ee.ImageCollection('NOAA/GFS0P25')
                  .filter(ee.Filter.date('2018-03-01', '2018-03-02'));
var temperatureAboveGround = dataset.select('temperature_2m_above_ground');
var visParams = {
  min: -40.0,
  max: 35.0,
  palette: ['blue', 'purple', 'cyan', 'green', 'yellow', 'red'],
};
Map.setCenter(71.72, 52.48, 3.0);
Map.addLayer(temperatureAboveGround, visParams, 'Temperature Above Ground');

Python 设置

如需了解 Python API 和如何使用 geemap 进行交互式开发，请访问 Python 环境页面。

import ee
import geemap.core as geemap

Colab (Python)

dataset = ee.ImageCollection('NOAA/GFS0P25').filter(
    ee.Filter.date('2018-03-01', '2018-03-02')
)

temperature_above_ground = dataset.select('temperature_2m_above_ground')

vis_params = {
    'min': -40.0,
    'max': 35.0,
    'palette': ['blue', 'purple', 'cyan', 'green', 'yellow', 'red'],
}

m = geemap.Map()
m.set_center(71.72, 52.48, 3.0)
m.add_layer(temperature_above_ground, vis_params, 'Temperature Above Ground')
m
在代码编辑器中打开
全球预报系统 (GFS) 是由美国国家环境预报中心 (NCEP) 生成的天气预报模型。GFS 数据集由选定的模型输出（如下所述）组成，这些输出作为网格化预测变量。384 小时天气预报的预报间隔为 1 小时（最长 120 小时）和 3 小时（120 小时后），…
NOAA/GFS0P25, climate,cloud,flux,forecast,geophysical,humidity,ncep,noaa,precipitation,radiation,temperature,vapor,weather,weather-and-climate,wind
2015-07-01T00:00:00Z/2026-10-15T00:00:00Z
-90 -180 90 180
Google Earth Engine