Чтобы переводить контент на ваш предпочитаемый язык, Google использует технологии на основе искусственного интеллекта. Переводы от ИИ могут содержать ошибки.

GFS: Global Forecast System 384-Hour Predicted Atmosphere Data

Доступность наборов данных: 2015-07-01T00:00:00Z–2026-10-07T18:00:00Z
Поставщик набора данных: NOAA/NCEP/EMC

Периодичность: 6 часов
Теги: climate cloud flux forecast geophysical humidity ncep noaa precipitation radiation temperature vapor weather wind
emc

gfs

Описание

Глобальная система прогнозирования (GFS) – это модель прогноза погоды, разработанная Национальными центрами прогнозирования окружающей среды (NCEP). Набор данных GFS состоит из выбранных выходных данных модели (описанных ниже) в виде переменных прогноза, представленных в виде сетки. Прогнозы на 384 часа с интервалами в 1 час (до 120 часов) и 3 часа (после 120 часов) составляются с временным разрешением в 6 часов (то есть обновляются четыре раза в день). Чтобы выбрать нужные данные, используйте свойства creation_time и forecast_time.

GFS – это связанная модель, состоящая из модели атмосферы, модели океана, модели суши/почвы и модели морского льда, которые работают вместе, чтобы обеспечить точную картину погодных условий. Обратите внимание, что эта модель может измениться. Подробнее об этом рассказывается в истории последних изменений глобальной системы прогнозирования и анализа и документации. Показатели могут значительно меняться от часа к часу и от дня к дню, поэтому перед анализом к диапазонам необходимо применять методы шумоподавления.

Обратите внимание, что доступные часы и интервалы прогноза менялись с течением времени:

С 01.04.2015 по 09.07.2017: 36-часовые прогнозы с интервалом в 3 часа, кроме нулевого часа.
С 09.07.2017 по 11.06.2021: прогнозы на 384 часа с интервалом в 1 час с 0 до 120 часов, с интервалом в 3 часа с 120 до 240 часов и с интервалом в 12 часов с 240 до 384 часов.
С 12 июня 2021 г.: прогнозы на 384 часа с интервалом в 1 час с 0 до 120 часов и с интервалом в 3 часа с 120 до 384 часов.

Некоторые диапазоны станут доступны только с 15 января 2025 г., как указано в описаниях диапазонов.

Диапазоны частот

Диапазоны частот

Размер пикселя: 27 830 метров (все диапазоны)

Название	Единицы	Мин.	Макс.	Размер пикселя	Описание
`temperature_2m_above_ground`	°C	-69,18*	52,25*	27 830 метров	Температура на высоте 2 м над землей
`specific_humidity_2m_above_ground`	Массовая доля	0*	0,03*	27 830 метров	Удельная влажность на высоте 2 м над землей.
`dew_point_temperature_2m_above_ground`	°C	-81,05*	29.05*	27 830 метров	Температура точки росы на высоте 2 м над землей (доступно с 15.01.2025)
`relative_humidity_2m_above_ground`	%	1*	100,05*	27 830 метров	Относительная влажность на высоте 2 м над землей
`maximum_temperature_2m_above_ground`	°C	-60,73*	59,28*	27 830 метров	Максимальная температура на высоте 2 м над землей (доступно с 15.01.2025, но только для объектов с forecast_hours > 0)
`minimum_temperature_2m_above_ground`	°C	-63.78*	59,39*	27 830 метров	Минимальная температура на высоте 2 м над землей (доступно с 15.01.2025, но только для объектов с forecast_hours > 0)
`u_component_of_wind_10m_above_ground`	м/с	-60,73*	59,28*	27 830 метров	U-компонент ветра на высоте 10 м над землей
`v_component_of_wind_10m_above_ground`	м/с	-63.78*	59,39*	27 830 метров	V-компонент ветра на высоте 10 м над землей
`total_precipitation_surface`	кг/м²	0*	626,75*	27 830 метров	Суммарное количество осадков на поверхности за последние 1–6 часов в зависимости от значения свойства forecast_hours по формуле ((F - 1) % 6) + 1 (только для объектов со значением forecast_hours > 0). Чтобы рассчитать общее количество осадков за час X, нужно избежать повторного учета, суммируя значения для forecast_hours, которые являются кратными 6, плюс остаток, чтобы достичь X. Это также означает, что для определения количества осадков за час X необходимо вычесть значение за предыдущий час, если только X не является первым часом в шестичасовом окне.
`precipitable_water_entire_atmosphere`	кг/м²	0*	100*	27 830 метров	Содержание воды в атмосфере
`u_component_of_wind_planetary_boundary_layer`	м/с	-66,8*	62,18*	27 830 метров	U-компонент ветра в планетарном пограничном слое (доступно с 15.01.2025)
`v_component_of_wind_planetary_boundary_layer`	м/с	-63,08*	57,6*	27 830 метров	V-компонент ветра в планетарном пограничном слое (доступно с 15.01.2025)
`gust`	м/с	0*	57,41*	27 830 метров	Скорость ветра (порывы) (доступно с 15.01.2025)
`precipitation_rate`	кг/м²/с	0*	0,032*	27 830 метров	Интенсивность осадков (доступно с 15.01.2025)
`haines_index`		2*	6*	27 830 метров	Индекс Хейнса (доступен с 15 января 2025 г.)
`ventilation_rate`	м²/с	0*	234000*	27 830 метров	Частота вентиляции (доступно с 15 января 2025 г.)
`total_cloud_cover_entire_atmosphere`	%	0*	100*	27 830 метров	Общая облачность для всей атмосферы (ранее только для объектов с forecast_hours > 0, но доступно для объектов с forecast_hours == 0 с 15.01.2025)
`downward_shortwave_radiation_flux`	Вт/м²	0*	1230*	27 830 метров	Поток коротковолнового излучения, направленный вниз (только для объектов с forecast_hours > 0)
`downward_longwave_radiation_flux`	Вт/м²	0*	100*	27 830 метров	Поток нисходящего длинноволнового излучения (доступен с 15 января 2025 г., но только для объектов с forecast_hours > 0)
`upward_shortwave_radiation_flux`	Вт/м²	0*	1230*	27 830 метров	Восходящий поток коротковолнового излучения (доступен с 15.01.2025, но только для объектов с forecast_hours > 0)
`upward_longwave_radiation_flux`	Вт/м²	0*	100*	27 830 метров	Восходящий поток длинноволнового излучения (доступен с 15.01.2025, но только для объектов с forecast_hours > 0)
`planetary_boundary_layer_height`	м	7,77*	6312.67*	27 830 метров	Высота планетарного пограничного слоя (доступно с 15.01.2025)

* расчетное минимальное или максимальное значение

Свойства изображения

Свойства изображения

Название	Тип	Описание
creation_time	DOUBLE	Время создания
forecast_hours	DOUBLE	Часы прогноза
forecast_time	DOUBLE	Время прогноза

Условия использования

Условия использования

Данные, информация и продукты NOAA, независимо от способа их доставки, не защищены авторским правом и не имеют ограничений на их последующее использование общественностью. После получения их можно использовать любым законным способом. Указанные выше данные находятся в открытом доступе и предоставляются без ограничений на использование и распространение.

Библиографические ссылки

Alpert, J., 2006 Sub-Grid Scale Mountain Blocking at NCEP, 20th Conf. WAF/16 Conf. NWP P2.4.
Alpert, J. C., S-Y. Hong и 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. and Y.-J. Ким. 2004: влияние параметризации сопротивления конвективно-вынужденной гравитационной волны в NCAR CCM3. J. Climate, 17, 3530-3547.
Chun, H.-Y., Song, M.-D., Kim, J.-W., and J.-J. Baik, 2001: Effects of Gravity Wave Drag Induced by Cumulus Convection on the Atmospheric General Circulation (Байк, 2001: Влияние сопротивления гравитационных волн, вызванного кучевой конвекцией, на общую циркуляцию атмосферы). 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. Кол-во 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. Mon. 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. К. Флетчер, и В. 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 and K. Campana, 2002: Parameterization of Solar Radiation Transfer in the NCEP Models, NCEP Office Note #441, pp46. Доступно здесь
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, and 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. Соблюдено. 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 and M. J. Miller: 1997, "A new subgrid-scale orographic drag parameterization: Its formulation and testing", QJRMS, 123, pp101-127.
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 г. Реализация гибридной системы координат "сигма-давление" в GFS. NCEP Office Note #461, pp25.
Sela, J., 2010 г. Вывод уравнений полулагранжевой модели с гибридными координатами сигма-давления для 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 June 2009, Omaha, NE.
Yang, F., К. Mitchell, Y. Hou, Y. Dai, X. Zeng, Z. Wang и 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.

DOI

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

Исследуйте данные с помощью Earth Engine

Редактор кода (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');

Настройка Python

Информацию о Python API и использовании geemap для интерактивной разработки можно найти на странице Среда 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

Открыть в редакторе кода

GFS: глобальная система прогнозирования, данные об атмосфере с прогнозом на 384 часа

NOAA/GFS0P25, climate,cloud,flux,forecast,geophysical,humidity,ncep,noaa,precipitation,radiation,temperature,vapor,weather,wind

2015-07-01T00:00:00Z/2026-10-07T18:00:00Z

-90 -180 90 180

Google Earth Engine

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

GFS: Global Forecast System 384-Hour Predicted Atmosphere Data Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.