1980 年至今全球高分辨率降水分析(0.5度) 空间分辨率

简介: 1980 年至今全球高分辨率降水分析(0.5度) 空间分辨率

气候预测中心 (CPC) 变形技术 (MORPH)

卫星降水 - CMORPH 气候数据记录 (CDR) 由卫星降水估计组成,这些估计已使用气候预测中心 (CPC) 变形技术 (MORPH) 进行偏差校正和重新处理,以形成 25 公里范围内的全球高分辨率降水分析(1/2 度 x 1/2 度) 空间分辨率从 1980 年至今每天更新。数据在全球网格上以每日时间分辨率进行重新处理。前言 – 人工智能教程您可以在此处或在气候引擎组织页面上获取更多信息。

卫星降水--CMORPH 气候数据记录(CDR)由卫星降水估算值组成,这些估算值已经过偏差校正,并利用气候预测中心(CPC)的变形技术(MORPH)进行了再处理,以形成全球高分辨率降水分析。数据在空间分辨率为 8 千米乘 8 千米的全球网格上进行再处理。在 20 年的记录期间(1998 年 1 月至今),时间分辨率为 30 分钟。输出的降水量场按三种不同的时空分辨率生成,以满足用户的各种要求。

CMORPH(Climate Prediction Center MORPHing technique)是一种基于多种观测数据源(如卫星、雷达、地面观测等)整合生成的高分辨率降水数据产品。CMORPH气候数据可以提供全球范围内的高时空分辨率的降水数据,其时间分辨率为每小时,空间分辨率为0.25度(约28公里)。CMORPH气候数据主要用于气候监测、水文预报、极端天气事件预警等领域。该数据可通过国家气象信息中心等渠道获取。

数据集描述

空间信息

范围 价值
空间范围 全球的
空间分辨率 25 公里(1/2 度 x 1/2 度)
时间分辨率 日常的
时间跨度 1998年1月1日至今
更新频率 每日更新,滞后 2 天

变量

多变的 细节
降水(“降水”) - 单位:毫米
- 比例因子:1.0
引文

Xie, Pingping; Joyce, Robert; Wu, Shaorong; Yoo, S.-H.; Yarosh, Yelena; Sun, Fengying; Lin, Roger, NOAA CDR Program (2019): NOAA Climate Data Record

(CDR) of CPC Morphing Technique (CMORPH) High Resolution Global Precipitation Estimates, Version 1 [indicate subset].

NOAA National Centers for Environmental Information.

地球引擎片段
// Read in Image Collections and get single image
var cmorph_ic = ee.ImageCollection('projects/climate-engine-pro/assets/noaa-cpc-cmorph/daily')
var cmorph_i = cmorph_ic.first()
// Print single image to see bands
print(cmorph_i)
// Visualize precipitation for single image
var prec_palette = ["#ffffcc", "#c7e9b4", "#7fcdbb", "#41b6c4", "#1d91c0", "#225ea8", "#0c2c84"]
Map.addLayer(cmorph_i.select('precip'), {min: 0, max: 200, palette: prec_palette}, 'precip')

结果:

Image projects/climate-engine-pro/assets/noaa-cpc-cmorph/daily/19980101 (1 band)

type:

Image

id:

projects/climate-engine-pro/assets/noaa-cpc-cmorph/daily/19980101

version:

1680034865066718

bands:

List (1 element)

0:

"precip", float, EPSG:4326, 1440x480 px

properties:

Object (8 properties)

google_bucket_url:

https://console.cloud.google.com/storage/browser/noaa-cpc-cmorph

system:asset_size:

545611

system:footprint:

LinearRing, 5 vertices

system:index:

19980101

system:time_end:

883612800000

system:time_start:

883612800000

upload_date:

2023-03-28

uri:

gs://noaa-cpc-cmorph/cog/1998/CMORPH_V1.0_ADJ_0.25deg-DLY_00Z_19980101.tif

 

示例代码:https://code.earthengine.google.com/? scriptPath=users/sat-io/awesome-gee-catalog-examples:/weather-climate/CPC-MORPH

执照

NOAA 数据、信息和产品,无论采用何种交付方式,均不受版权保护,并且公众后续使用不受限制。一旦获得,它们就可以用于任何合法用途。上述数据属于公共领域,提供时不受使用和分发限制。欲了解更多信息,请访问 NWS 免责声明网站。

关键词:NOAA、全球、降水、气候、近实时、NWS、CPC、MORPH、CMORPH

数据集提供:NOAA

GEE 中的数据集 curatd,作者:Climate Engine Org

相关文章
|
SQL 数据可视化 关系型数据库
5个实用的SQLite数据库可视化工具(GUI)
5个实用的SQLite数据库可视化工具(GUI)
4192 3
|
缓存 运维 Linux
Linux系统调优详解(十二)——IO调优之磁盘测速
Linux系统调优详解(十二)——IO调优之磁盘测速
659 1
|
10月前
|
存储 人工智能 缓存
阿里云服务器计算型、通用型、内存型主要实例规格技术架构、性能亮点、适用场景解析与选型指南
阿里云服务器ECS的计算型、通用型、内存型实例,独享云服务器资源,在高负载下可避免资源争夺。计算型实例采用高性能处理器架构,适用于AI训练、科学计算等场景,有c9a、c9i等实例类型。通用型实例适合Web应用、数据分析等场景,内存型实例则专为内存密集型应用设计,如大型数据库、实时数据分析。选型时,需考虑应用场景、成本预算,可用阿里云性能测试PTS工具验证,确保实例持续支撑业务增长。
|
SQL NoSQL Java
JAVA使用Apcahe Calcite 解析sql
JAVA使用Apcahe Calcite 解析sql
4708 0
|
机器学习/深度学习 人工智能 算法
快瞳犬种识别效果图示,120种狗品种精准覆盖
犬种识别技术已从实验室走向大众,基于深度学习的卷积神经网络(CNN)和YOLO系列算法,可高效实现犬种分类与目标检测。本文介绍了快瞳犬种识别的技术原理、训练代码及应用场景,包括宠物管理、遗传疾病研究、公共安全、城市管理及遗失宠物寻找等。通过Python代码加载YOLOv8模型并进行训练,模型能在图像中标注犬种及其边界框,为智慧生活提供技术支持。
1201 33
|
机器学习/深度学习 数据采集 算法
Machine Learning机器学习之K近邻算法(K-Nearest Neighbors,KNN)
Machine Learning机器学习之K近邻算法(K-Nearest Neighbors,KNN)
|
8月前
|
JSON 编解码 前端开发
《QX 游戏商城商品详情页前端性能优化实战》
《QX游戏商城详情页前端性能优化实战》聚焦“强视觉+重交互+高并发”场景,通过分层加载、视频/GIF懒处理、SKU O(1)查找、虚拟滚动、BFF聚合等策略,实现FCP<1.2s、SKU响应<50ms,转化率提升6.8%。
|
8月前
|
人工智能 数据可视化 Linux
阿里云无影云电脑部署OpenClaw+WhatsApp接入全流程+避坑指南
2026年,阿里云无影云电脑凭借**可视化桌面环境、开箱即用的应用镜像、全球网络加速**三大优势,成为零基础用户部署OpenClaw(Clawdbot)的首选方案。相比传统云服务器,无影云电脑无需掌握复杂Linux命令,通过桌面化操作即可完成部署;搭配OpenClaw原生WhatsApp接入能力,可快速搭建专属AI聊天助手,实现跨境消息收发、智能回复、任务自动化等功能,满足个人与跨境场景的实时交互需求。
620 0
|
8月前
|
Java 数据库连接 数据格式
【注解】常见 Java 注解系统性知识体系总结(附《全方位对比表》+ 思维导图)
本文系统梳理Java主流注解体系,涵盖Spring核心组件(@Component、@Service等)、依赖注入(@Autowired、@Resource)、Web开发(@RestController、@PathVariable)、配置启动(@SpringBootApplication、@Configuration)、MyBatis/Plus、事务AOP(@Transactional、@Aspect)及测试等八大类,辅以对比表格及思维导图。
【注解】常见 Java 注解系统性知识体系总结(附《全方位对比表》+ 思维导图)
|
8月前
|
人工智能 搜索推荐 SEO
抓词 GEO 与东茅街茶馆达成战略合作,AI 搜索时代登顶长沙茶馆推荐榜首
抓词GEO与长沙东茅街茶馆达成战略合作,依托自研QUAI N7引擎及“速赢螺旋模型”,聚焦“长沙茶馆推荐”核心词,全力抢占豆包、DeepSeek等大模型首位推荐,打造AI时代实体品牌精准获客新范式。