CN106443833B - 一种基于云计算的数值天气预报方法 - Google Patents
一种基于云计算的数值天气预报方法 Download PDFInfo
- Publication number
- CN106443833B CN106443833B CN201510478584.8A CN201510478584A CN106443833B CN 106443833 B CN106443833 B CN 106443833B CN 201510478584 A CN201510478584 A CN 201510478584A CN 106443833 B CN106443833 B CN 106443833B
- Authority
- CN
- China
- Prior art keywords
- data
- child node
- forecast
- primary data
- weather forecast
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000011218 segmentation Effects 0.000 claims description 27
- 239000012634 fragment Substances 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 12
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000003993 interaction Effects 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000002203 pretreatment Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- SUBDBMMJDZJVOS-UHFFFAOYSA-N 5-methoxy-2-{[(4-methoxy-3,5-dimethylpyridin-2-yl)methyl]sulfinyl}-1H-benzimidazole Chemical compound N=1C2=CC(OC)=CC=C2NC=1S(=O)CC1=NC=C(C)C(OC)=C1C SUBDBMMJDZJVOS-UHFFFAOYSA-N 0.000 description 1
- 101001089248 Homo sapiens Receptor-interacting serine/threonine-protein kinase 4 Proteins 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 102100033734 Receptor-interacting serine/threonine-protein kinase 4 Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000000926 atmospheric chemistry Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Abstract
本发明提供一种基于云计算的数值天气预报方法,该方法在WRF模式系统中采用远程交互并行网格嵌套计算方案,通过在数值天气预报中心和用户端之间合理地分配计算任务,实现了计算节点间文件的高效传输和管理,得到了一种基于云计算的数值天气预报架构方法。该方案适用于主节点和子节点计算任务重,计算时间相差不多,且计算时间之和超过了要求的情况。本发明提出的方法能够将主节点和子节点计算时间进行重叠,使总计算时间有效缩短。将数值天气预报作为云计算服务提供给开发人员使用,使得科研、商业领域可以充分利用云计算平台的计算资源,开展数值天气预报工作,不但提高了高性能计算机的利用率,而且有效提高了数值天气预报的计算效率。
Description
技术领域
本发明涉及电力气象技术领域,具体涉及一种基于云计算的数值天气预报方法。
背景技术
数值天气预报综合了当前科学技术发展的最新成果,应用了当前最新的大气科学理论、数值计算方法和高性能计算机技术,通过高性能计算平台的模拟计算得到定量客观的预报结果。数值天气预报已成为当前气象部门制作天气预报的重要基础和根本途径,具有其他预报方法不可替代的地位和重要作用。
中尺度数值天气预报模式WRF是目前气象领域应用最广泛的区域预报模式之一,它的设计主要用于1-10km格距的模拟和预报。WRF模式为理想化的动力研究、完整的数值天气预报及区域气候模拟提供了共同的动力框架。WRF模式相比于之前的中尺度模式,具有更为先进的数值计算和资料同化技术、多重移动嵌套网格性能以及更为完善的物理过程。因此,WRF模式有着广阔的应用前景,包括在天气预报、大气化学、区域气候、纯粹的模拟研究等方面的应用,有助于开展针对我国不同类型、不同地域天气过程的高分辨率数值模拟,提高我国天气预报的分辨率和准确性。WRF运行过程具有如下特点:计算量巨大、通讯极为密集及实时性强、定时运行。基于以上三个特点,在构建一个WRF中尺度气象预报系统时,基础硬件环境方面必须要具备高性能的计算能力和网络环境,以及高稳定性的系统。也就是说,WRF模式的计算需要高性能计算机资源的支撑,这对于很多研究机构和组织来说,是一个难以承受的负担。一方面没有充足的经费支持该方面的建设,另一方面购置设备以后,模式计算时间集中在特定时刻,定时进行气象资料处理及数值模拟,其他时间计算机资源空闲,资源整体效益不高。
因此,如何设计一种既可以节省用户的投入,又可以提高资源的利用率,同时还可以方便资源的管理的数值天气预报方法,是本领域的技术人员亟待解决的问题。
发明内容
有鉴于此,本发明提供的一种基于云计算的数值天气预报方法,该方法既可以节省用户的投入,又可以提高资源的利用率,同时还可以方便资源的管理。将数值天气预报作为云计算的一种服务提供给开发人员使用,使得科学研究、产业应用及商业领域可以充分利用云计算平台的计算资源,开展数值天气预报工作,一方面可以提高高性能计算机的利用率增加效益,另一方面在支付价格较为低廉的情况下,大大提高了数值天气预报的计算效率。
本发明的目的是通过以下技术方案实现的:
一种基于云计算的数值天气预报方法,所述方法在WRF模式系统中对模拟区域进行数值天气预报预测;并以数值天气预报中心为云平台的主节点、以用户端服务器作为子节点;所述方法包括如下步骤:
步骤1.采集并预处理所述模拟区域中的初始数据;
步骤2.根据所述初始数据,计算得到子区域的且分辨率高的初始文件、及大区域的且分辨率低的预报结果;
步骤3.以相同的时间间隔将所述子节点分段;
步骤4.根据所述子区域的且分辨率高的初始文件、及大区域的且分辨率低的预报结果,计算得到所述分段后的子节点中的首段运行所需要的初始数据和边界数据;
步骤5.所述子节点根据其当前分段的初始数据和边界数据,计算得到其当前分段的高分辨率预报结果,同时将当前分段的最后一个时刻的预报数据输出为其下一个分段计算的输入格式;
步骤6.根据所述子节点的下一分段计算的输入格式及所述大区域的且分辨率低的预报结果,计算得到下一时段运行所需要的初始数据和边界数据;并将这两个数据发送至所述子节点;
步骤7.判断所述子节点是否计算得到其全部分段的高分辨率预报结果;
若是,则进入步骤8;
若否,则返回步骤5;
步骤8.输出所述子节点的全部分段的高分辨率预报结果,预报结束。
优选的,所述步骤1,包括:
1-1.所述WRF模式系统中的输入数据预处理模块从所述主节点中采集所述模拟区域中的初始数据;
1-2.所述输入数据预处理模块预处理所述初始数据,使所述初始数据按类型分为静态数据、背景场数据、常规气象观测数据及非常规气象观测数据。
优选的,所述背景场数据,包括:GFS数据、JSM数据、GEM数据及RUC网格数据;
所述静态数据,包括:所述模拟区域的地形数据、植被数据、地势数据、土地类型数据以及土壤类型数据;
所述常规气象观测数据,包括:气象观测站、测风塔、系留气球等常规观测手段测量的气温、气压、风速、风向、长波辐射、短波辐射、相对湿度及降水数据;
所述非常规气象观测数据,包括:由气象卫星和雷达遥测获得的无法直接表征气象要素的变化的卫星辐射率及雷达回波的数据。
优选的,所述步骤2之前,包括:
a.所述WRF模式系统中的WPS前处理模块将所述初始数据插值到所述WPS前处理模块中;
b.定义占所述模拟区域的总面积的60%至100%的区域为大区域;并定义将所述模拟区域划分为多个相同面积的区域为子区域;所述大区域的面积为所述子区域的5至20倍。
优选的,所述步骤2,包括:
2-1.所述主节点运行所述WRF模式系统中的主体计算模块;
2-2.所述主体计算模块根据所述WPS前处理模块中的插值后的所述初始数据,计算得到所述子区域的且分辨率高的初始文件;
2-3.所述主体计算模块根据所述WPS前处理模块中的插值后的所述初始数据,计算得到所述大区域的且分辨率低的预报结果。
优选的,所述步骤4,包括:
4-1.所述主节点根据所述子区域的且分辨率高的初始文件、及大区域的且分辨率低的预报结果,计算得到所述分段后的子节点中的首段运行所需要的初始数据和边界数据;
4-2.所述主节点将首段的初始数据和边界数据发送给所述子节点。
优选的,所述步骤5,包括:
5-1.所述子节点接收所述主节点发送的当前分段的初始数据和边界数据;
5-2.所述子节点根据所述当前分段的初始数据和边界数据,计算得到当前分段的高分辨率预报结果;
5-3.所述子节点将当前分段的最后一个时刻的预报数据输出为其下一分段计算的输入格式;
5-4.所述子节点将所述其下一分段计算的输入格式发送至所述主节点。
优选的,所述步骤6,包括:
6-1.所述主节点接收所述子节点发送的所述下一分段计算的输入格式;
6-2.所述主节点根据所述下一分段计算的输入格式及所述大区域的且分辨率低的预报结果,计算得到所述子节点的下一时段计算所需的初始数据和边界数据;
6-3.所述主节点将所述子节点的下一时段计算所需的初始数据和边界数据发送至所述子节点。
优选的,所述步骤8,包括:
所述WRF模式系统中后处理模块将所述子节点的全部分段的高分辨率预报结果以文字及图表的形式输出显示。
从上述的技术方案可以看出,本发明提供了一种基于云计算的数值天气预报方法,该方法在WRF模式系统中采用远程交互并行网格嵌套计算方案,通过在数值天气预报中心和用户端之间合理地分配计算任务,实现了计算节点间文件的高效传输和管理,得到了一种基于云计算的数值天气预报架构方法。该方案适用于主节点和子节点计算任务重,计算时间相差不多,且计算时间之和超过了要求的情况。本发明提出的方法能够将主节点和子节点计算时间进行重叠,使总计算时间有效缩短。将数值天气预报作为云计算服务提供给开发人员使用,使得科研、商业领域可以充分利用云计算平台的计算资源,开展数值天气预报工作,不但提高了高性能计算机的利用率,而且有效提高了数值天气预报的计算效率。
与最接近的现有技术比,本发明提供的技术方案具有以下优异效果:
1、本发明所提供的技术方案中,在WRF模式系统中采用远程交互并行网格嵌套计算方案,通过在数值天气预报中心和用户端之间合理地分配计算任务,实现了计算节点间文件的高效传输和管理,得到了一种基于云计算的数值天气预报架构方法。该方案适用于主节点和子节点计算任务重,计算时间相差不多,且计算时间之和超过了要求的情况。本发明提出的方法能够将主节点和子节点计算时间进行重叠,使总计算时间有效缩短。将数值天气预报作为云计算服务提供给开发人员使用,使得科研、商业领域可以充分利用云计算平台的计算资源,开展数值天气预报工作,不但提高了高性能计算机的利用率,而且有效提高了数值天气预报的计算效率。
2、本发明所提供的技术方案,将数值天气预报中心和用户端分别作为主节点和子节点,主节点计算全局粗网格的任务,子节点计算局部嵌套细致网格的任务,主节点与子节点间采用远程交互并行网格嵌套计算方案;既可以节省用户的投入,又可以提高资源的利用率,同时还可以方便资源的管理。将数值天气预报作为云计算的一种服务提供给开发人员使用,使得科学研究、产业应用及商业领域可以充分利用云计算平台的计算资源,开展数值天气预报工作,一方面可以提高高性能计算机的利用率增加效益,另一方面在支付价格较为低廉的情况下,大大提高了数值天气预报的计算效率。
3、本发明所提供的技术方案,由主节点驱动子节点进行局部计算,计算过程中子节点向主节点进行交叉反馈;解决了主节点和子节点计算任务重,计算时间相差不多,且计算时间之和严重超过了预报要求的问题。
4、本发明提供的技术方案,应用广泛,具有显著的社会效益和经济效益。
附图说明
图1是本发明的一种基于云计算的数值天气预报方法的流程示意图;
图2是本发明的数值天气预报方法的步骤1的流程示意图;
图3是本发明的数值天气预报方法的步骤2的流程示意图;
图4是本发明的数值天气预报方法的步骤4的流程示意图;
图5是本发明的数值天气预报方法的步骤5的流程示意图;
图6是本发明的数值天气预报方法的步骤6的流程示意图;
图7是本发明的一种基于云计算的数值天气预报方法的应用例中的WRF云计算运行时序图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种基于云计算的数值天气预报方法,方法在WRF模式系统中对模拟区域进行数值天气预报预测;并以数值天气预报中心为云平台的主节点、以用户端服务器作为子节点;方法包括如下步骤:
步骤1.采集并预处理模拟区域中的初始数据;
步骤2.根据初始数据,计算得到子区域的且分辨率高的初始文件、及大区域的且分辨率低的预报结果;
步骤3.以相同的时间间隔将子节点分段;
步骤4.根据子区域的且分辨率高的初始文件、及大区域的且分辨率低的预报结果,计算得到分段后的子节点中的首段运行所需要的初始数据和边界数据;
步骤5.子节点根据其当前分段的初始数据和边界数据,计算得到其当前分段的高分辨率预报结果,同时将当前分段的最后一个时刻的预报数据输出为其下一个分段计算的输入格式;
步骤6.根据子节点的下一分段计算的输入格式及大区域的且分辨率低的预报结果,计算得到下一时段运行所需要的初始数据和边界数据;并将这两个数据发送至子节点;
步骤7.判断子节点是否计算得到其全部分段的高分辨率预报结果;
若是,则进入步骤8;
若否,则返回步骤5;
步骤8.输出子节点的全部分段的高分辨率预报结果,预报结束
如图2所示,步骤1,包括:
1-1.WRF模式系统中的输入数据预处理模块从主节点中采集模拟区域中的初始数据;
1-2.输入数据预处理模块预处理初始数据,使初始数据按类型分为静态数据、背景场数据、常规气象观测数据及非常规气象观测数据。
背景场数据,包括:GFS数据、JSM数据、GEM数据及RUC网格数据;其中,GFS(GlobalForecast System)数据为全球预报系统数据;JSM(Japan Spectrum Model)数据为日本光谱模型数据;GEM(Global Environment Multi-scale model)数据为全球环境多重尺度模型数据;RUC(Rapid Update Cycle)网格数据为快速更新循环数据:
静态数据,包括:所述模拟区域的地形数据、植被数据、地势数据、土地类型数据以及土壤类型数据;
所述常规气象观测数据,包括:气象观测站、测风塔、系留气球等常规观测手段测量的气温、气压、风速、风向、长/短波辐射、相对湿度及降水等气象要素;
所述非常规气象观测数据,包括:由气象卫星和雷达遥测获得的卫星辐射率及雷达回波等数据,由于其无法直接表征气象要素的变化,因此称为非常规气象观测数据。
步骤2之前,包括:
a.WRF模式系统中的WPS前处理模块将初始数据插值到WPS前处理模块中;
b.定义占模拟区域的总面积的60%至100%的区域为大区域;并定义将模拟区域划分为多个相同面积的区域为子区域;大区域的面积为子区域的5至20倍。
如图3所示,步骤2,包括:
2-1.主节点运行WRF模式系统中的主体计算模块;
2-2.主体计算模块根据WPS前处理模块中的插值后的初始数据,计算得到子区域的且分辨率高的初始文件;
2-3.主体计算模块根据WPS前处理模块中的插值后的初始数据,计算得到大区域的且分辨率低的预报结果。
如图4所示,步骤4,包括:
4-1.主节点根据子区域的且分辨率高的初始文件、及大区域的且分辨率低的预报结果,计算得到分段后的子节点中的首段运行所需要的初始数据和边界数据;
4-2.主节点将首段的初始数据和边界数据发送给子节点。
如图5所示,步骤5,包括:
5-1.子节点接收主节点发送的当前分段的初始数据和边界数据;
5-2.子节点根据当前分段的初始数据和边界数据,计算得到当前分段的高分辨率预报结果;
5-3.子节点将当前分段的最后一个时刻的预报数据输出为其下一分段计算的输入格式;
5-4.子节点将其下一分段计算的输入格式发送至主节点。
如图6所示,步骤6,包括:
6-1.主节点接收子节点发送的下一分段计算的输入格式;
6-2.主节点根据下一分段计算的输入格式及大区域的且分辨率低的预报结果,计算得到子节点的下一时段计算所需的初始数据和边界数据;
6-3.主节点将子节点的下一时段计算所需的初始数据和边界数据发送至子节点。
步骤8,包括:
WRF模式系统中后处理模块将子节点的全部分段的高分辨率预报结果以文字及图表的形式输出显示。
如图7所示,本发明提供一种基于云计算的数值天气预报方法的应用例;
本应用例基于WRF数值模式,以数值天气预报中心为云平台,用户端服务器作为子节点,采用远程交互并行网格嵌套计算方案,实现了一种基于云计算的数值天气预报架构方法。具体步骤如下:
步骤1:所需要的初始数据在主节点上采集;
步骤2:主节点通过运行WPS,real.exe得到子节点计算所需要的子区域、高分辨率计算的初始文件wrfinput_d02;
步骤3:主节点进行大范围、低分辨率计算,运行WPS、real.exe和wrf.exe,得到大区域、较低分辨率的预报结果wrfout_d01*;
步骤4:将子节点计算按时间段均匀分成N段;
步骤5:在主节点运行中间产生部分预报结果wrfout_d01*,能满足子节点第1段运行需要,主节点根据wrfinput_d02,部分wrfout_d01*,通过运行ndown.exe,得到子节点第1段运行所需要的初始和边界数据wrfinput_d01和wrfbyd_d01,并将这两个数据文件发送给子节点;
步骤6:子节点在接收完上述数据文件以后,子节点进行第1分段计算,产生第1段高分辨率预报结果wrfout_d01,并同时将最后一个时刻的预报数据输出成第2分段计算的输入格式wrfvarinput_d01*;
步骤7:子节点将wrfvarinput_d01*发送给主节点;
步骤8:主节点在得到wrfvarinput_d01*以后,同时主节点运行中间产生部分预报结果wrfout_d01*能满足下一段时间n+1运行需要,主节点依据数据wrfout_d01*,wrfvarinput_d01,通过运行ndown.exe,得到第n+1时段运行所需要的初始和边界数据wrfinput_d01,wrfbyd_d01。并将这两个数据文件发送给子节点;
步骤9:子节点在接收完上述数据文件以后,子节点进行第n+1时段计算,产生第n+1时段高分辨率预报结果wrfout_d01,并同时将最后一个时刻的预报数据输出成第n+2分段计算的输入格式wrfvarinput_d01*;
步骤10:反复运行6-9步骤,直到完成全部N段计算。
其中,云计算是由因特网上广泛分布的高性能计算机、数据库以及各种资源整合而成,包括计算资源、存储资源、通信资源、软件资源等,能够有效地提供计算服务、存储服务、信息服务等,最终实现网络虚拟环境上的资源共享和协同工作。通过将各种资源进行整合,以Web服务的形式提供给各用户,用户只需为使用的计算和存储资源进行付费即可。
其中,WRF(Weather Research and Forecast)模式是由许多美国研究部门及大学共同参与进行开发研究的新一代中尺度数值预报模式和同化系统。WRF模式系统的开发计划是在1997年由NCAR中小尺度气象处、NCEP的环境模拟中心、FSL的预报研究处和奥克拉荷马大学的风暴分析预报中心四部门联合发起建立的,并由国家自然科学基金和NOAA共同支持。现在,这项计划得到了许多其它研究部门及大学的科学家共同参与进行开发研究。WRF模式系统具有可移植、易维护、可扩充、高效率、方便的等诸多特性,使新的科研成果更为便捷地运用于业务预报,并使得科技人员在大学、科研单位及业务部门之间的交流变得更加容易。
WRF模式系统成为改进从云尺度到天气尺度等不同尺度重要天气特征预报精度的工具。重点考虑1-10公里的水平网格。模式结合先进的数值方法和资料同化技术,采用经过改进的物理过程方案,同时具有多重嵌套及易于定位于不同地理位置的能力,很好地适应从理想化研究到业务预报等不同应用的需要。
WRF模式系统分为四个部分:输入数据预处理、模式系统的前处理,模式系统的主体计算部分和模式后处理部分。输入数据预处理部分主要是指模式运行所必需的静态数据(如模拟区域的地形植被数据等),以及背景场数据,还包括常规及非常规气象观测资料。模式系统前处理(WPS)部分包括:定义模拟区域;插值地形数据(如地势,土地类型,以及土壤类型)到模拟区域;从其他模式结果中细致化网格以及插值气象数据到此模拟区域。WRF模式主体计算(ARW model)部分是模式系统的核心,它由若干理想化、实时同化以及数值积分的初始化程序组成,根据不同的物理过程选择适当的方案进行预报或模拟。WRF模式后处理部分将模式系统的结果进行处理、诊断并显示出来,包括了RIP4,NCAR图形命令语言NCL,以及为使用其它作图软件包如GrADS以及Vis5D的转换程序。
WRF模式常规运行流程为:经过模式输入数据预处理部分,WPS完整生成met_em.d0*文件后,经real.exe模块产生初始场wrfinput_d0*以及边界场wrfbdy_d0*文件,再经wrf.exe模块生成逐时刻的wrfout_d0*文件。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,而这些未脱离本发明精神和范围的任何修改或者等同替换,其均在申请待批的本发明的权利要求保护范围之内。
Claims (9)
1.一种基于云计算的数值天气预报方法,其特征在于,所述方法在WRF模式系统中对模拟区域进行数值天气预报预测;并以数值天气预报中心为云平台的主节点、以用户端服务器作为子节点;所述方法包括如下步骤:
步骤1.采集并预处理所述模拟区域中的初始数据;
步骤2.根据所述初始数据,计算得到子区域的且分辨率高的初始文件、及大区域的且分辨率低的预报结果;
步骤3.以相同的时间间隔将所述子节点分段;
步骤4.根据所述子区域的且分辨率高的初始文件、及大区域的且分辨率低的预报结果,计算得到所述分段后的子节点中的首段运行所需要的初始数据和边界数据;
步骤5.所述子节点根据其当前分段的初始数据和边界数据,计算得到其当前分段的高分辨率预报结果,同时将当前分段的最后一个时刻的预报数据输出为其下一个分段计算的输入格式;
步骤6.根据所述子节点的下一分段计算的输入格式及所述大区域的且分辨率低的预报结果,计算得到下一时段运行所需要的初始数据和边界数据;并将这两个数据发送至所述子节点;
步骤7.判断所述子节点是否计算得到其全部分段的高分辨率预报结果;
若是,则进入步骤8;
若否,则返回步骤5;
步骤8.输出所述子节点的全部分段的高分辨率预报结果,预报结束。
2.如权利要求1所述的方法,其特征在于,所述步骤1,包括:
1-1.所述WRF模式系统中的输入数据预处理模块从所述主节点中采集所述模拟区域中的初始数据;
1-2.所述输入数据预处理模块预处理所述初始数据,使所述初始数据按类型分为静态数据、背景场数据、常规气象观测数据及非常规气象观测数据。
3.如权利要求2所述的方法,其特征在于,所述背景场数据,包括:GFS数据、JSM数据、GEM数据及RUC网格数据;
所述静态数据,包括:所述模拟区域的地形数据、植被数据、地势数据、土地类型数据以及土壤类型数据;
所述常规气象观测数据,包括:气象观测站、测风塔、系留气球测量的气温、气压、风速、风向、长波辐射、短波辐射、相对湿度及降水数据;
所述非常规气象观测数据,包括:由气象卫星和雷达遥测获得的无法直接表征气象要素的变化的卫星辐射率及雷达回波的数据。
4.如权利要求2所述的方法,其特征在于,所述步骤2之前,包括:
a.所述WRF模式系统中的WPS前处理模块将所述初始数据插值到所述WPS前处理模块中;
b.定义占所述模拟区域的总面积的60%至100%的区域为大区域;并定义将所述模拟区域划分为多个相同面积的区域为子区域;所述大区域的面积为所述子区域的5至20倍。
5.如权利要求4所述的方法,其特征在于,所述步骤2,包括:
2-1.所述主节点运行所述WRF模式系统中的主体计算模块;
2-2.所述主体计算模块根据所述WPS前处理模块中的插值后的所述初始数据,计算得到所述子区域的且分辨率高的初始文件;
2-3.所述主体计算模块根据所述WPS前处理模块中的插值后的所述初始数据,计算得到所述大区域的且分辨率低的预报结果。
6.如权利要求5所述的方法,其特征在于,所述步骤4,包括:
4-1.所述主节点根据所述子区域的且分辨率高的初始文件、及大区域的且分辨率低的预报结果,计算得到所述分段后的子节点中的首段运行所需要的初始数据和边界数据;
4-2.所述主节点将首段的初始数据和边界数据发送给所述子节点。
7.如权利要求6所述的方法,其特征在于,所述步骤5,包括:
5-1.所述子节点接收所述主节点发送的当前分段的初始数据和边界数据;
5-2.所述子节点根据所述当前分段的初始数据和边界数据,计算得到当前分段的高分辨率预报结果;
5-3.所述子节点将当前分段的最后一个时刻的预报数据输出为其下一分段计算的输入格式;
5-4.所述子节点将所述其下一分段计算的输入格式发送至所述主节点。
8.如权利要求7所述的方法,其特征在于,所述步骤6,包括:
6-1.所述主节点接收所述子节点发送的所述下一分段计算的输入格式;
6-2.所述主节点根据所述下一分段计算的输入格式及所述大区域的且分辨率低的预报结果,计算得到所述子节点的下一时段计算所需的初始数据和边界数据;
6-3.所述主节点将所述子节点的下一时段计算所需的初始数据和边界数据发送至所述子节点。
9.如权利要求8所述的方法,其特征在于,所述步骤8,包括:
所述WRF模式系统中后处理模块将所述子节点的全部分段的高分辨率预报结果以文字及图表的形式输出显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510478584.8A CN106443833B (zh) | 2015-08-06 | 2015-08-06 | 一种基于云计算的数值天气预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510478584.8A CN106443833B (zh) | 2015-08-06 | 2015-08-06 | 一种基于云计算的数值天气预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106443833A CN106443833A (zh) | 2017-02-22 |
CN106443833B true CN106443833B (zh) | 2019-02-19 |
Family
ID=58092926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510478584.8A Active CN106443833B (zh) | 2015-08-06 | 2015-08-06 | 一种基于云计算的数值天气预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106443833B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108169824A (zh) * | 2018-02-12 | 2018-06-15 | 安徽千云度信息技术有限公司 | 基于大数据的降水量分布预测系统 |
CN109002909B (zh) * | 2018-06-28 | 2022-06-14 | 中国人民解放军国防科技大学 | 大气谱模式动力框架高可扩展并行优化方法及系统 |
CN109447315A (zh) * | 2018-09-18 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
CN110275224A (zh) * | 2019-05-24 | 2019-09-24 | 兰州大学 | 精细化近地层气象要素预报系统及其预报方法 |
CN110555616B (zh) * | 2019-09-05 | 2021-12-14 | 中国气象局广州热带海洋气象研究所 | 一种数值天气模式同化系统的稠密观测资料优化调度方法 |
CN110569595B (zh) * | 2019-09-06 | 2020-09-22 | 中国水利水电科学研究院 | 一种基于数值模拟的无资料地区雨量站网选址方法 |
CN110852523A (zh) * | 2019-11-19 | 2020-02-28 | 上海眼控科技股份有限公司 | 基于数值模式的天气预报方法、装置、设备和存储介质 |
CN111178635A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备和计算机可读存储介质 |
CN111401632B (zh) * | 2020-03-13 | 2023-07-21 | 华润电力技术研究院有限公司 | 天气预报方法以及相关装置 |
CN113641497A (zh) * | 2021-08-03 | 2021-11-12 | 北京三易思创科技有限公司 | 基于降维切分技术实现分布式高并发数据汇总的方法 |
CN114880848A (zh) * | 2022-04-28 | 2022-08-09 | 成都信息工程大学 | 基于移动网格的低空气象要素信息处理方法 |
CN115657166A (zh) * | 2022-12-09 | 2023-01-31 | 中科星图维天信(北京)科技有限公司 | 跨多气候区域的天气预报数值确定方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120065788A1 (en) * | 2010-09-14 | 2012-03-15 | Microsoft Corporation | Managing computational workloads of computing apparatuses powered by renewable resources |
WO2014181572A1 (ja) * | 2013-05-10 | 2014-11-13 | 株式会社 東芝 | 情報変換装置及び気象予測システム |
TWI474033B (zh) * | 2011-12-28 | 2015-02-21 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0110153D0 (en) * | 2001-04-25 | 2001-06-20 | Isis Innovation | Improvements in or relating to forecasting |
-
2015
- 2015-08-06 CN CN201510478584.8A patent/CN106443833B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120065788A1 (en) * | 2010-09-14 | 2012-03-15 | Microsoft Corporation | Managing computational workloads of computing apparatuses powered by renewable resources |
TWI474033B (zh) * | 2011-12-28 | 2015-02-21 | ||
WO2014181572A1 (ja) * | 2013-05-10 | 2014-11-13 | 株式会社 東芝 | 情報変換装置及び気象予測システム |
Non-Patent Citations (4)
Title |
---|
"Compute cloud based weather detection and warming system";DK Krishnappa等;《Geoscience & Remote Sensing Symposium》;20121231;第2430-2433页 * |
"基于云计算的天气预报系统实现";唐东军;《科学之友》;20090210(第2期);第141-143页 * |
"数值天气预报云计算环境关键技术研究与实现";贾雄;《中国优秀硕士学位论文全文数据库信息科技辑》;20120715;全文 * |
数值天气预报云计算服务应用系统研究与实现;孙长征;《中国优秀硕士学位论文全文数据库基础科学辑》;20091101(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106443833A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106443833B (zh) | 一种基于云计算的数值天气预报方法 | |
Sharma et al. | Forecasting daily global solar irradiance generation using machine learning | |
Huang et al. | A semi-empirical approach using gradient boosting and k-nearest neighbors regression for GEFCom2014 probabilistic solar power forecasting | |
Ciscar et al. | Integrated assessment of climate impacts and adaptation in the energy sector | |
Gall et al. | The hurricane forecast improvement project | |
da Costa et al. | Computer simulation of atmospheric flows over real forests for wind energy resource evaluation | |
Weekes et al. | Long-term wind resource assessment for small and medium-scale turbines using operational forecast data and measure–correlate–predict | |
CN107784165A (zh) | 基于光伏电站的地表温度场多尺度资料同化方法 | |
CN109583096A (zh) | 一种基于中尺度模型和微尺度模型结合的风资源计算方法 | |
Hanslian et al. | Combining the VAS 3D interpolation method and Wind Atlas methodology to produce a high-resolution wind resource map for the Czech Republic | |
Sachit et al. | Combining re-analyzed climate data and landcover products to assess the temporal complementarity of wind and solar resources in Iraq | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
CN115048790A (zh) | 一种风功率预测快速降尺度的方法和系统 | |
Wang et al. | Initial perturbations based on ensemble transform Kalman filter with rescaling method for ensemble forecasting | |
CN104008284A (zh) | 测风塔在数值天气预报中的校正方法 | |
Chaudhuri et al. | Long-range forecast of all India summer monsoon rainfall using adaptive neuro-fuzzy inference system: skill comparison with CFSv2 model simulation and real-time forecast for the year 2015 | |
CN103336778B (zh) | 一种面向并行poi简化的任务拆分与分发方法 | |
Leng et al. | Development of a micro-in-meso-scale framework for simulating pollutant dispersion and wind environment in building groups | |
CN115983104A (zh) | 风速预测方法、装置、存储介质和电子设备 | |
Chang et al. | Exploring the Use of European Weather Regimes for Improving User-Relevant Hydrological Forecasts at the Subseasonal Scale in Switzerland | |
Pang et al. | Calculating optimal scale of urban green space in Xi'an, China | |
Jia et al. | Particle swarm optimization algorithm with Gaussian exponential model to predict daily and monthly global solar radiation in Northeast China | |
CN113592235A (zh) | 一种基于土地配置模型的村庄规划方法和系统 | |
Roe et al. | Maximizing multi-core performance of the weather research and forecast model over the Hawaiian Islands | |
Zhang et al. | On building a big data analysis system for california drought |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |