CnOpenData 全球逐日气象站点数据

全球逐日气象站点数据是覆盖全球的天气数据的宝贵来源,从1929年至今,并以1973年至今的数据最为完整,最新每日数据摘要观测日期时间之后的1-2天发布。每日数据类型除降水量(0.01英寸),还包括:平均温度(0.1华氏度)、最高温度(0.1华氏度)、最低温度(0.1华氏度)、平均风速(0.1节)、最大持续风速(0.1节)、最大阵风(0.1节)和积雪深度(0.1英寸)等。

  CnOpenData推出的全球逐日气象站点数据包括全球超9000个站点的气象观测数据,数据规模相当于一次气候普查,这对于监测气候变化和气候敏感的部门而言至关重要。


时间区间

1929-2023.7


字段展示及说明

中文字段 英文字段 单位及说明
气象站代码 STATION WMO/DATSAV3合并w/WBAN码
日期 DATE mm/dd/yyyy格式
纬度 LATITUDE 南半球负值
经度 LONGITUDE 西半球负值
气象站高程 ELEVATION 单位米
气象站名称 NAME
平均气温 TEMP 单位Fahrenheit华氏度,精确到一位小数,缺失值9999.9
平均气温属性 TEMP_ATTRIBUTES 参与平均温度计算的观测值个数
平均露点 DEWP 单位Fahrenheit华氏度,缺失值9999.9
平均露点属性 DEWP_ATTRIBUTES 参与平均露点计算的观测值个数
平均海平面压强 SLP 单位mb毫巴mbar,缺失值9999.9
平均海平面压强属性 SLP_ATTRIBUTES 参与平均海平面压强计算的观测值个数
平均观测站压强 STP 单位mb毫巴mbar,缺失值9999.9
平均观测站压强属性 STP_ATTRIBUTES 参与平均测站压强计算的观测值个数
平均能见度 VISIB 单位miles英里,缺失值999.9
平均能见度属性 VISIB_ATTRIBUTES 参与平均能见度计算的观测值个数
平均风速 WDSP 单位knots节(海里/小时),缺失值999.9
平均风速属性 WDSP_ATTRIBUTES 参与平均风速计算的观测值个数
最大持续风速 MXSPD 单位knots节,缺失值999
最大持续风速属性 GUST 单位knots节,缺失值999.9
最高气温 MAX 单位Fahrenheit华氏度,缺失值9999.9
最高气温属性 MAX_ATTRIBUTES 空值,自动观测到的最高温度;星号,从逐小时数据中提取得到的最高温度
最低气温 MIN 单位Fahrenheit华氏度
最低气温属性 MIN_ATTRIBUTES 空值,自动观测到的最低温度;星号,从逐小时数据中提取得到的最低温度
降水量 PRCP 单位inches英寸,缺失值99.99,“0”值表示当日没有测量到降水
降水量属性 PRCP_ATTRIBUTES A,1 report of 6-hour precipitation amount.;B,Summation of 2 reports of 6-hour precipitation amount.;C,3次报告6小时降水量的和;D,4次报告6小时降水量的和;E,1次报告12小时降水量;F,2次报告12小时降水量;G,1次报告24小时降水量;H,气象站报告当日降水量为0,但是在逐小时观测中报告了至少一次降水,可能是当日数据不完整;I,气象站当日没有报告任何降水,逐日观测中也没有报告任何降水,但是仍然可能存在降水只是没有被报告
积雪深度 SNDP 单位inches英寸,取当日最后一次观测值(如果观测了多次),缺失值999.9
指示器 FRSHTT 1,有;0,没有。当日报告的天气情况,是否有雾Fog ('F' - 1st digit)、雨Rain or Drizzle ('R' - 2nd digit)、雪Snow or Ice Pellets ('S' - 3rd digit)、冰雹Hail ('H' - 4th digit)、雷Thunder ('T' - 5th digit)、龙卷风或漏斗云Tornado or Funnel Cloud ('T' - 6th digit)。

样本数据

气象站代码 日期 纬度 经度 气象站高程 气象站名称 平均气温 平均气温属性 平均露点 平均露点属性 平均海平面压强 平均海平面压强属性 平均观测站压强 平均观测站压强属性 平均能见度 平均能见度属性 平均风速 平均风速属性 最大持续风速 最大持续风速属性 最高气温 最高气温属性 最低气温 最低气温属性 降水量 降水量属性 积雪深度 指示器
2199099999 2018/1/1 66.6166666 23.4666666 132 YLINENJARVI,SW 26.6 24 25.7 24 9999.9 0 999.9 0 8.1 24 5.7 24 9.7 999.9 29.3 14.7 0.04 G 999.9 1000
2199099999 2018/1/2 66.6166666 23.4666666 132 YLINENJARVI,SW 25.9 24 25.2 24 9999.9 0 999.9 0 7.2 24 2.4 17 3.9 999.9 26.6 25 * 0.06 G 999.9 0
2199099999 2018/1/3 66.6166666 23.4666666 132 YLINENJARVI,SW 24.8 24 23.9 24
### 使用Matlab处理逐日气象数据中的缺失值 对于逐日气象数据中存在的缺失值,可以采用多种方法来处理这些缺失的数据。常用的方法包括删除含有缺失值的记录、填充缺失值以及插补法。 #### 删除含有缺失值的记录 如果数据集中存在少量的缺失值,并且这些缺失值不会显著影响分析的结果,可以选择直接移除包含缺失值的数据行或列。这可以通过`rmmissing`函数实现: ```matlab data_cleaned = rmmissing(data); ``` 这种方法简单有效,但在实际应用中可能会导致样本量减少,从而影响统计结果的有效性和可靠性[^1]。 #### 填充缺失值 当不希望丢失任何观测数据时,可以用特定数值代替缺失位置上的NaN(Not a Number)。最简单的做法是以常数替换所有缺失值;更合理的方式则是利用前后相邻的时间来进行线性内插或其他形式的估计填补空白处。例如: - **使用前一时刻的数据进行填充** ```matlab data_filled_previous = fillmissing(data,'previous'); ``` - **通过后续时间数据向前填充** ```matlab data_filled_next = fillmissing(data,'next'); ``` - **基于最近邻近似原则填充** ```matlab data_filled_nearest = fillmissing(data,'nearest'); ``` 上述几种方式适用于不同场景下的需求选择合适的一种即可满足初步的要求[^2]。 #### 插补法 为了获得更加精确和平滑的结果,在很多情况下会考虑采用更为复杂的算法对缺失部分做预测性的补充。MATLAB提供了内置的功能强大的工具箱支持各种类型的插值操作,比如样条曲线拟合(`spline`)、三次多项式回归(`pchip`)等高级技术手段完成高质量的数据修复工作: - **线性插值** ```matlab data_interpolated_linear = interp1(1:length(data), data, 1:length(data),'linear','extrap'); ``` - **样条插值** ```matlab data_interpolated_spline = interp1(1:length(data), data, 1:length(data),'spline','extrap'); ``` - **PCHIP (Piecewise Cubic Hermite Interpolating Polynomial)** ```matlab data_interpolated_pchip = interp1(1:length(data), data, 1:length(data),'pchip','extrap'); ``` 以上三种插值方法各有优劣之处,具体选用哪一种取决于待解决问题的特和个人偏好等因素综合考量之后决定。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值