GFS: Global Forecast System 384-Hour Predicted Atmosphere Data

Dostępność zbioru danych

2015-07-01T00:00:00Z–2026-10-14T06:00:00Z

Producent zbioru danych

NOAA/NCEP/EMC

Fragment kodu Earth Engine

ee.ImageCollection("NOAA/GFS0P25")

Częstotliwość

6 godzin

Tagi

klimat chmura strumień prognoza geofizyczne wilgotność ncep noaa opady promieniowanie temperatura para pogoda pogoda-i-klimat wiatr

emc

gfs

Opis

Global Forecast System (GFS) to model prognozowania pogody opracowany przez National Centers for Environmental Prediction (NCEP). Zbiór danych GFS zawiera wybrane dane wyjściowe modelu (opisane poniżej) w postaci siatkowych zmiennych prognozy. Prognozy 384-godzinne z interwałami 1-godzinnymi (do 120 godzin) i 3-godzinnymi (po 120 godzinach) są tworzone z 6-godzinną rozdzielczością czasową (czyli aktualizowane 4 razy dziennie). Użyj właściwości „creation_time” i „forecast_time”, aby wybrać dane, które Cię interesują.

GFS to model sprzężony, który składa się z modelu atmosfery, modelu oceanu, modelu lądu/gleby i modelu lodu morskiego. Te modele współpracują ze sobą, aby zapewnić dokładny obraz warunków pogodowych. Pamiętaj, że ten model może się zmienić. Więcej informacji znajdziesz w historii ostatnich modyfikacji globalnego systemu prognozowania i analiz oraz w dokumentacji. Mogą występować znaczne wahania z godziny na godzinę i z dnia na dzień, które wymagają zastosowania technik redukcji szumów w pasmach przed analizą.

Pamiętaj, że dostępne godziny i interwały prognozy dostępności zmieniały się w czasie:

• Od 1 kwietnia 2015 r. do 9 lipca 2017 r.: prognozy 36-godzinne, z wyłączeniem godziny 0, w odstępach 3-godzinnych.
• Od 9.07.2017 r. do 11.06.2021 r.: prognozy 384-godzinne, w odstępach 1-godzinnych od 0 do 120 godziny, w odstępach 3-godzinnych od 120 do 240 godziny i w odstępach 12-godzinnych od 240 do 384 godziny.
• Od 12 czerwca 2021 r.: prognozy 384-godzinne w odstępach 1-godzinnych od 0 do 120 godziny i w odstępach 3-godzinnych od 120 do 384 godziny.

Niektóre pasma są dostępne dopiero od 15 stycznia 2025 r., co zaznaczono w ich opisach.

Pasma

Pasma

Rozmiar piksela: 27 830 metrów (wszystkie pasma)

Nazwa	Jednostki	Min.	Maks.	Rozmiar piksela	Opis
temperature_2m_above_ground	°C	–69,18*	52,25*	27 830 metrów	Temperatura 2 m nad ziemią
specific_humidity_2m_above_ground	Ułamek masowy	0*	0,03*	27 830 metrów	Wilgotność właściwa 2 m nad powierzchnią gruntu
dew_point_temperature_2m_above_ground	°C	–81,05*	29,05*	27 830 metrów	Temperatura punktu rosy 2 m nad powierzchnią gruntu (dostępna od 15 stycznia 2025 r.)
relative_humidity_2m_above_ground	%	1*	100,05*	27 830 metrów	Wilgotność względna 2 m nad powierzchnią gruntu
maximum_temperature_2m_above_ground	°C	–60,73*	59,28*	27 830 metrów	Maksymalna temperatura 2 m nad powierzchnią gruntu (dostępna od 15 stycznia 2025 r., ale tylko w przypadku zasobów z forecast_hours > 0)
minimum_temperature_2m_above_ground	°C	–63,78*	59,39*	27 830 metrów	Minimalna temperatura 2 m nad ziemią (dostępna od 15 stycznia 2025 r., ale tylko w przypadku komponentów z wartością forecast_hours > 0)
u_component_of_wind_10m_above_ground	m/s	–60,73*	59,28*	27 830 metrów	Składowa U wiatru 10 m nad powierzchnią gruntu
v_component_of_wind_10m_above_ground	m/s	–63,78*	59,39*	27 830 metrów	Składowa V wiatru 10 m nad ziemią
total_precipitation_surface	kg/m^2	0*	626,75*	27 830 metrów	Skumulowane opady na powierzchni w ciągu ostatnich 1–6 godzin, w zależności od wartości właściwości „forecast_hours” zgodnie ze wzorem ((F – 1) % 6) + 1 (i tylko w przypadku zasobów z forecast_hours > 0). W konsekwencji, aby obliczyć całkowite opady do godziny X, należy unikać podwójnego liczenia, sumując tylko wartości dla forecast_hours, które są wielokrotnościami 6, plus resztę, aby osiągnąć X. Oznacza to również, że aby określić opady dla godziny X, należy odjąć wartość dla poprzedniej godziny, chyba że X jest pierwszą godziną w 6-godzinnym oknie.
precipitable_water_entire_atmosphere	kg/m^2	0*	100*	27 830 metrów	Woda opadowa w całej atmosferze
u_component_of_wind_planetary_boundary_layer	m/s	–66,8*	62,18*	27 830 metrów	Składowa U wiatru w planetarnej warstwie granicznej (dostępna od 15 stycznia 2025 r.)
v_component_of_wind_planetary_boundary_layer	m/s	–63,08*	57,6*	27 830 metrów	Składowa V wiatru w planetarnej warstwie granicznej (dostępna od 15 stycznia 2025 r.)
gust	m/s	0*	57,41*	27 830 metrów	Prędkość wiatru (porywy) (dostępna od 15 stycznia 2025 r.)
precipitation_rate	kg/m^2/s	0*	0,032*	27 830 metrów	Wskaźnik opadów (dostępny od 15 stycznia 2025 r.)
haines_index		2*	6*	27 830 metrów	Indeks Hainesa (dostępny od 15 stycznia 2025 r.)
ventilation_rate	m^2/s	0*	234000*	27 830 metrów	Szybkość wentylacji (dostępna od 15 stycznia 2025 r.)
total_cloud_cover_entire_atmosphere	%	0*	100*	27 830 metrów	Całkowite zachmurzenie dla całej atmosfery (wcześniej tylko dla zasobów z forecast_hours > 0, ale od 15 stycznia 2025 r. dostępne dla zasobów z forecast_hours == 0)
downward_shortwave_radiation_flux	W/m^2	0*	1230*	27 830 metrów	Strumień promieniowania krótkofalowego w dół (tylko w przypadku zasobów z forecast_hours > 0)
downward_longwave_radiation_flux	W/m^2	0*	100*	27 830 metrów	Strumień promieniowania długofalowego skierowany w dół (dostępny od 15 stycznia 2025 r., ale tylko w przypadku zasobów z wartością forecast_hours > 0)
upward_shortwave_radiation_flux	W/m^2	0*	1230*	27 830 metrów	Strumień promieniowania krótkofalowego skierowany w górę (dostępny od 15 stycznia 2025 r., ale tylko w przypadku zasobów z wartością forecast_hours > 0)
upward_longwave_radiation_flux	W/m^2	0*	100*	27 830 metrów	Strumień promieniowania długofalowego skierowany w górę (dostępny od 15 stycznia 2025 r., ale tylko w przypadku zasobów z forecast_hours > 0)
planetary_boundary_layer_height	m	7,77*	6312,67*	27 830 metrów	Wysokość planetarnej warstwy granicznej (dostępna od 15 stycznia 2025 r.)

* Szacunkowa wartość minimalna lub maksymalna.

Właściwości obrazu

Właściwości obrazu

Nazwa	Typ	Opis
creation_time	LICZBA ZMIENNOPRZECINKOWA O PODWÓJNEJ PRECYZJI	Czas utworzenia
forecast_hours	LICZBA ZMIENNOPRZECINKOWA O PODWÓJNEJ PRECYZJI	Godziny prognozy
forecast_time	LICZBA ZMIENNOPRZECINKOWA O PODWÓJNEJ PRECYZJI	Czas prognozy

Warunki korzystania z usługi

Warunki usługi

Dane, informacje i produkty NOAA, niezależnie od sposobu ich udostępnienia, nie podlegają ochronie prawem autorskim i nie podlegają ograniczeniom w zakresie ich późniejszego publicznego wykorzystania. Po uzyskaniu można je wykorzystywać w dowolny zgodny z prawem sposób. Powyższe dane są dostępne w domenie publicznej i są udostępniane bez ograniczeń dotyczących ich wykorzystania i rozpowszechniania.

Cytaty

Cytowanie:

• Alpert, J., 2006 Sub-Grid Scale Mountain Blocking at NCEP, 20th Conf. WAF/16 Conf. NWP P2.4.

• Alpert, J. C., S-Y. Hong i 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, and E. Kalnay, 1988: Mountain induced gravity wave drag parameterization in the NMC medium-range forecast model. Pre-prints, Eighth Conf. on Numerical Weather Prediction, Baltimore, MD, Amer. 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., and 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. i Y.-J. Kim. 2004: Impact of a Convectively Forced Gravity Wave Drag Parameterization in NCAR CCM3. J. Climate, 17, 3530-3547.

• Chun, H.-Y., Song, M.-D., Kim, J.-W., and J.-J. Baik, 2001: Effects of<x0A>Gravity Wave Drag Induced by Cumulus Convection on the Atmospheric General<x0A>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, and P.D. Brown, 2005: Atmospheric radiative transfer modeling: A summary of the AER codes, 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., and H.-L. Pan, 2006: Sensitivity of hurricane intensity forecast to convective momentum transport parameterization. Pon. Wea. Rev., 134, 664–674.

• Han, J., and H.-L. Pan, 2011: Revision of convection and vertical diffusion schemes in the NCEP global forecast system. Weather and Forecasting, 26, 520-533.

• Han, J., M. Witek, J. Teixeira, R. Sun, H.-L. Pan, J. K. Fletcher, and C. S. 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., S. Moorthi i K. Campana, 2002: Parameterization of Solar Radiation Transfer in the NCEP Models, NCEP Office Note #441, pp46. Dostępne tutaj

• 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 i J.-J. Morcrette, 2000: Impact of an improved longwave radiation model, RRTM, on the energy budget and thermodynamic properties of the NCAR community climate model, CCM3, J. Geophys. 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. Spełnione. 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. i M. J. Miller: 1997, „A new subgrid-scale orographic drag parameterization: Its formulation and testing”, QJRMS, 123, s. 101–127.

• Mlawer, E.J., S.J. Taubman, P.D. Brown, M.J. Iacono, and S.A. Clough, 1997: Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated-k model for the longwave. J. Geophys. Res., 102, 16663-16682.

• Sela, J., 2009: wdrożenie hybrydowej współrzędnej sigma-ciśnienie w GFS. NCEP Office Note #461, s. 25.

• Sela, J., 2010: wyprowadzenie równań modelu półlagranżowskiego z hybrydowym układem współrzędnych sigmapressure na potrzeby GFS. NCEP Office Note #462 pp31.

• Yang, F., 2009: On the Negative Water Vapor in the NCEP GFS: Sources and Solution. 23rd Conference on Weather Analysis and Forecasting/19th Conference on Numerical Weather Prediction, 1–5 czerwca 2009 r., Omaha, Nebraska.

• Yang, F., K. Mitchell, Y. Hou, Y. Dai, X. Zeng, Z. Wang, and X. Liang, 2008: Dependence of land surface albedo on solar zenith angle: observations and model parameterizations. Journal of Applied Meteorology and Climatology.No.11, Vol 47, 2963–2982.

Identyfikatory DOI

• https://doi.org/10.1016/j.jqsrt.2004.05.058

Odkrywaj za pomocą Earth Engine

Ważne: Earth Engine to platforma do analizy naukowej i wizualizacji zbiorów danych geoprzestrzennych o rozmiarze petabajtów, która jest dostępna zarówno do publicznego użytku, jak i dla firm oraz organów administracji. Z Earth Engine można korzystać bezpłatnie w celach badawczych, edukacyjnych i non-profit. Aby rozpocząć, zarejestruj się w Earth Engine.

Edytor kodu (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');

Konfiguracja Pythona

Informacje o interfejsie API dla Pythona oraz o używaniu geemap do interaktywnego programowania znajdziesz na stronie środowiska Python.

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

Otwórz w edytorze kodu

GFS: Global Forecast System 384-Hour Predicted Atmosphere Data

Global Forecast System (GFS) to model prognozowania pogody opracowany przez National Centers for Environmental Prediction (NCEP). Zbiór danych GFS składa się z wybranych danych wyjściowych modelu (opisanych poniżej) jako zmiennych prognozy w postaci siatki. Prognozy na 384 godziny z 1-godzinnymi (do 120 godzin) i 3-godzinnymi (po 120 godzinach) interwałami prognozy to…

NOAA/GFS0P25, klimat,chmura,strumień,prognoza,dane geofizyczne,wilgotność,ncep,noaa,opady,promieniowanie,temperatura,para,pogoda,pogoda-i-klimat,wiatr

2015-07-01T00:00:00Z/2026-10-14T06:00:00Z

–90 –180 90 180

Google Earth Engine

https://developers.google.com/earth-engine/datasets

• https://doi.org/10.1016/j.jqsrt.2004.05.058
• https://doi.org/10.1016/j.jqsrt.2004.05.058