气象相关基本知识

简介: 一、风力(风速)等级表等级    名称                               陆地上地物特征                                             风速(米/秒) 0         无风                    静,烟直上。

一、风力(风速)等级表

等级    名称                               陆地上地物特征                                             风速(米/秒)

0         无风                    静,烟直上。                                                                  0.0—0.2 0

1         软风              烟能表示风向,树叶略有摇动。                                            0.3—1.5 

2         轻风     人面感觉有风,树叶有微响,旗子开始飘动,高的草开始摇动。       1.6—3.3                              

3         微风     树叶及小枝摇动不息,旗子展开,高的草摇动不息。                  3.4—5.4

4         和风     能吹起地面灰尘和纸张,树枝动摇,高的草呈波浪 起伏。             5.5—7.9                             

5         清劲风   有叶的小树摇摆,内陆的水面有小波,高的草波 浪起伏明显。 8.0—10.7                             

6         强风   大树枝摇动,电线呼呼有声,撑伞困难,高的草不时倾伏于地。  10.8—13.8                          

7         疾风       全树摇动,大树枝弯下来,迎风步行感觉不便                           13.9—17.1  

8         大风        可折毁小树枝,人迎风前行感觉阻力很大。                              17.2—20.7 

9         烈风       草房遭受破坏,屋瓦被掀起,大树枝可折断。                            20.8—24.4  

10       狂风       树木可被吹倒,一般建筑物遭破坏。                                          24.5—28.4 

11       暴风       大树可被吹倒,一般建筑物遭严重破坏。                                   28.5—32.6 

12       飓风           陆上少见,其摧毁力极大。                                                     >32.6 

 

二、风向计算

在实时显示风向时,采用16方位的方式,即将采集到的风向角度值经过16方位变换处理得到相应的方位,变换公示如下:

   K=(wd+11.25)/22.5;

其中,变量k用来表示方位,在程序设计中获取的k值为1-16的整数;变量wd为实时采集到的风向角度值。

16方位变换即将全方位360°进行16等分,则每等分为22.5°,由于采集风向数据进度为1°,所以在变换为16方位时,需要加上一个辅助值11.25,这样才能是角度值范围与方位一一对应。


相关文章
|
数据挖掘 算法 编解码
带你读《数据挖掘导论(原书第2版)》之二:数据
本书所涵盖的主题包括:数据预处理、预测建模、关联分析、聚类分析、异常检测和避免错误发现。通过介绍每个主题的基本概念和算法,为读者提供将数据挖掘应用于实际问题所需的必要背景。
|
4月前
|
数据采集 数据可视化 数据挖掘
使用R语言进行生物统计分析:探索生命科学的奥秘
【9月更文挑战第1天】通过上述实例,我们可以看到R语言在生物统计分析中的强大功能。从数据准备、差异表达分析到结果可视化,R语言提供了一整套完整的解决方案。随着生物数据的不断积累和分析技术的不断进步,R语言在生物统计分析中的应用前景将更加广阔。我们相信,通过不断学习和实践,R语言将成为每一位生物统计学家不可或缺的工具。
|
5月前
|
数据采集 JSON 数据可视化
【数据采集与可视化案例】基于python的国家级非物质文化遗产数据采集与可视化分析
本文介绍了一个基于Python的数据采集与可视化分析项目,该项目通过爬虫技术从国家级非物质文化遗产代表性项目名录网站获取数据,并运用数据清洗、转换、集成和规约等方法处理数据,最终利用pyecharts库进行多种数据可视化展示,包括分布地、类别、时间趋势等,以直观呈现非物质文化遗产的相关信息。
251 0
|
7月前
|
机器学习/深度学习 数据采集 算法
数据科学基础:数据挖掘与分析的技术探讨
【6月更文挑战第15天】本文探讨数据科学中的数据挖掘与分析技术,阐述其基础理论,包括数据预处理、探索和模型建立,并介绍统计分析、机器学习、深度学习等方法。面对数据质量、算法选择等挑战,数据挖掘在智能决策、个性化服务、预测等方面展现广阔前景,将在跨领域融合中发挥更大作用,同时也需关注隐私安全与技术伦理。
|
8月前
|
传感器 数据采集 数据可视化
探究物联网技术的核心知识点:传感器、嵌入式系统和数据分析
探究物联网技术的核心知识点:传感器、嵌入式系统和数据分析
202 0
|
传感器 数据格式
遥感原理与应用:绪论基础知识
遥感原理与应用:绪论基础知识
235 0
|
算法 机器人 数据挖掘
带你读《数据挖掘导论(原书第2版)》之三:分类:基本概念和技术
本书所涵盖的主题包括:数据预处理、预测建模、关联分析、聚类分析、异常检测和避免错误发现。通过介绍每个主题的基本概念和算法,为读者提供将数据挖掘应用于实际问题所需的必要背景。
|
新零售 大数据 数据挖掘
黑科技!一个工具玩转大数据挖掘
电商价格、网络舆情,互联网20亿网页中难以量计的网页数据如何被我们触及?教你一招黑科技,一个工具搞定大数据挖掘!
2785 0
|
机器学习/深度学习 大数据 Apache
分类推荐&通俗易懂:数据科学与大数据技术专业领域的实用工具
数据科学与大数据技术是一门偏向应用的学科领域,因此工具就成为重要的组成部分。
2197 0

热门文章

最新文章