新手必看

我们收集整理了常用的数据集，经过我们处理后形成了统一的格式，可以按照经纬度、时间范围任意查询数据，大大降低了 使用数据的难度，无论你是科研用途还是开发用途，需求都得以满足！

数据集

我们提供了经过处理后的数据集，来自权威机构，例如NCEP/NOAA,ECMWF等。数据集可以分为两大类，一类是历史数据，一类是预报数据。

历史数据

对历史上已经发生的气象数据的观测，这类数据有两种来源，一是气象站点实测数据，二是再分析数据。

气象站实测数据

气象站实测数据是指由地面气象观测站、自动气象站等设备，按照统一的标准和时间间隔，直接观测并记录的气象要素数据，如气温、降水、风速、湿度等。这类数据具有以下特点：

• 高精度：数据来源于真实观测，误差较小，精度高。
• 时空分布有限：受限于气象站的分布，部分地区（如海洋、高原、沙漠等）观测站较少，数据覆盖不均匀。我国目前有两千多个自动气象站，其中两百多个属于国际交换站。
• 数据连续性强：观测站通常会持续多年观测，便于进行长期气候分析。

再分析数据

再分析数据是利用数值天气预报模式，将历史观测资料（包括地面、卫星、雷达等多种来源）与物理模型结合，通过数据同化技术，生成的全球或区域气象数据集。其主要特点有：

• 空间覆盖广：可以提供全球范围内的气象数据，包括观测稀缺的地区。
• 多变量统一：包含多种气象要素，且各要素之间物理一致性好。
• 时间分辨率高：通常以小时或更短时间间隔提供数据，适合多种气象分析需求。

区别

• 数据来源：实测数据直接来自观测站，再分析数据则是观测与模式结合的产物。
• 空间覆盖：实测数据受限于站点分布，再分析数据可覆盖全球。
• 精度与一致性：实测数据精度高但分布有限，再分析数据空间连续性好但精度受限于模式和观测质量。
• 适用场景：实测数据适合对某一具体地点的精细分析，再分析数据适合大范围、长时间序列的气象研究。

预报数据

预报数据是指通过数值天气预报模式计算得出的未来气象要素预测值。与历史数据不同，预报数据具有以下特点：

数值天气预报模式

数值天气预报模式是基于大气动力学和热力学方程，通过计算机数值求解来预测未来天气变化的数学模型。是目前气象预报数据生成的主要途径，目前国际上主要有以下几种模式：

• ECMWF（欧洲中期天气预报中心）：全球最先进的数值天气预报模式之一，预报精度高，时效性强
• GFS（全球预报系统）：美国国家气象局开发的全球数值天气预报模式，免费开放使用
• WRF（天气研究与预报模式）：中尺度数值天气预报模式，适合区域精细化预报

AI气象大模型

AI气象大模型是近年来气象领域的重大突破，利用深度学习和大模型技术对气象数据进行建模和预测。在运算速度方面有着巨大的优势，准确率相较于数值模式也有所提升。

但目前AI气象大模型也存在一些局限和挑战：

• 物理可解释性不足：AI模型主要依赖数据驱动，缺乏对大气物理过程的直接建模，难以解释模型输出的物理意义。
• 极端天气预报能力有限：对于罕见或极端天气事件，AI模型由于样本稀缺，预报准确率仍有待提升。
• 泛化能力挑战：模型在训练数据覆盖范围之外的地区或气候条件下，表现可能不稳定。
• 数据依赖性强：绝大多数模型都依赖ERA5再分析数据训练与推理。

AI气象大模型正成为气象科技创新的前沿方向，未来有望与传统数值模式深度融合，推动天气与气候预测进入智能化新时代。

预报数据特点

• 时效性：提供未来几小时到几天的天气预报，时效性要求高
• 不确定性：预报结果存在一定的不确定性，预报时间越长，不确定性越大
• 多时效：通常提供多个预报时效的数据，如3小时、6小时、12小时等

如果你处理过预报数据会发现它们提供的数据间隔还不一样，比如0-144提供1小时间隔，144-360是3小时间隔，这就是模型的步长，各个模型的步长设置都不一样。不过不用担心， 经过我们处理之后，无论原始数据的步长是多少，我们都提供统一的步长：1小时。

总结

相信经过前面的介绍，你已经了解了各种数据。接下来让我们学习如何使用我们的API来获取这些数据吧！