基于加拿大降水分析 (CaPA) 系统的北美区域确定性降水数据集

此星光明

发布于 2024-02-02 09:17:53

1430

发布于 2024-02-02 09:17:53

区域确定性降水分析 (RDPA)¶

基于加拿大降水分析 (CaPA) 系统的区域确定性降水分析 (RDPA) 的域与业务区域模式相对应，即区域确定性预报系统 (RDPS-LAM3D)，但太平洋地区除外其中 RDPA 域的西边边界相对于区域模型域稍微向东移动。RDPA 分析的分辨率与运行区域系统 RDPS LAM3D 的分辨率相同。RDPA GRIB2 数据集中的字段位于覆盖北美和邻近水域的极地立体 (PS) 网格上，分辨率为 10 公里，北纬 60 度，2003 年至今。您可以在此处找到有关该数据集的其他信息，此外，除了气候引擎组织页面之外，您还可以在此处找到有关该数据集的更多信息。前言 – 人工智能教程

区域确定性降水分析（RDPA）是对最近 6 或 24 小时降水量的最佳估计。该估算综合了现场降水量计测量、天气雷达、卫星图像和数值天气预报模型的数据。地理覆盖范围为北美洲（加拿大、美国和墨西哥）。数据的水平分辨率为 10 公里。仅提供地表数据。分析数据每天提供四次，每次间隔 6 小时，每天提供两次，每次间隔 24 小时。在累积期结束约 1 小时后可提供初步估计数据，并在 7 小时后进行修订，以吸收随后到达的测量数据。

10公里分辨率的降水数据是大气科学、气象学、水文学等领域中重要的数据之一，它具有以下作用：

1. 气象预报和预警：降水是天气预报和预警中的重要因素之一。10公里分辨率的降水数据可以提供地面降水的实时监测和预测，从而帮助决策者制定有效的应对措施。

2. 水文预测和水资源管理：降水是地表径流的主要来源，对水文过程和水资源管理具有重要影响。10公里分辨率的降水数据可以用于水文模型的参数输入和水资源评估。

3. 灾害监测和救援：降水过多或过少都会引发灾害，如洪涝、干旱等。10公里分辨率的降水数据可以用于监测和预测降雨量，及时进行灾害预警和救援。

4. 气候变化研究：降水是气候变化的重要指标之一。10公里分辨率的降水数据可以用于分析和预测全球和区域气候的变化规律，为应对气候变化制定政策提供科学依据。

综上所述，10公里分辨率的降水数据在气象、水文、环境和气候等领域中具有广泛的应用和重要的作用。

空间范围	空间分辨率	时间分辨率	时间跨度	更新频率
美国和加拿大	10.0公里网格（1/11度）	日常的	2003年1月1日至今	每日更新，滞后 5 个月

变量

多变的	单位	比例因子
降水（“降水”）	毫米	1.0

引文¶

[Canadian Precipitation Analysis (CaPA)](https://collaboration.cmc.ec.gc.ca/cmc/cmoi/product_guide/docs/lib/capa_information_leaflet_20141118_en.pdf) Methodology system

Fillion, Luc, Monique Tanguay, Ervig Lapalme, Bertrand Denis, Michel Desgagne, Vivian Lee, Nils Ek et al. "The Canadian regional data assimilation and forecasting system." Weather and Forecasting 25, no. 6 (2010): 1645-1669.

Environment and Climate Change Canada. (2023). Regional Deterministic Precipitation Analysis (RDPA) dataset [Version 2.0]. [Dataset]. Retrieved from https://open.canada.ca/data/en/dataset/fdd3446a-dc20-5bad-9755-0855e3ec9b19

地球引擎片段¶

// Read in Image Collections and get single image
var rdpa_ic = ee.ImageCollection('projects/climate-engine-pro/assets/ce-rdpa-daily')
var rdpa_i = rdpa_ic.first()

// Print single image to see bands
print(rdpa_i)

// Visualize precipitation for single image
var prec_palette = ["#ffffcc", "#c7e9b4", "#7fcdbb", "#41b6c4", "#1d91c0", "#225ea8", "#0c2c84"]
Map.addLayer(rdpa_i.select('precip'), {min: 0, max: 200, palette: prec_palette}, 'precip')