天气研究和预报模式
WRF介绍
9.2.4.3 辐射
3-5 MM5 Dadhia短波辐射方案： 该方案来自于MM5模式，对短波辐射通量向下进行简单积分。 它能够反映晴空散射、水汽吸收和云的反射与吸收。另外，还考虑了 地形坡度和阴影对地表短波辐射通量影响。 3-6 Goddard短波辐射方案： 该方案共有11个谱段，采用二流近似方法计算太阳短波辐射的散 射和直接辐射分量，并且方案中考虑了已有臭氧垂直廓线的气候分布。 3-7 CAM短波辐射方案： 该方案也是用于NCAR大气环流模式的谱段处理方案，主要用来 气候模拟。它能够处理几种气溶胶和痕量气体的光学特征。该方案特 别适用于区域气候模拟。
9.2.4.3 辐射
3-1 快速辐射传输长波模式（RRTM)： 该模式来自MM5模式，采用谱段处理方案。它是利用一个预设好的 查算表准确地表示由于水汽、臭氧、二氧化碳和痕量气体（大气中含量极 少的气体）引起的长波辐射过程，同时也能表示云的光学厚度。 3-2 GFDL长波辐射方案： 该方案来自美国地球流体动力实验室，计算与二氧化碳、水汽、和 臭氧相关谱段上的长波辐射，采用简化的交换方法。该方案中云的重叠是 随机的。 3-3 CAM长波辐射方案： 该方案是用于NCAR大气环流模式的谱段处理方案，主要用来进行气 候模拟。它能够处理几种痕量气体，并与可分辨云和云量进行相互作用。 3-4 GFDL短波辐射方案： 该方案同样来自于美国地球流体动力实验室，考虑了二氧化碳、水 汽和臭氧的效应，采用积分时间间隔内日间平均的太阳天顶角余弦值计算 段波辐射。该方案中云的重叠是随机的。
9.2.4.1 微物理过程
1-1 Kessler暖云方案： 该方案来源于COMMAS模式，是一个简单的暖云降水方案，考虑的微 物理过程包括：雨水的产生、降落与蒸发，云水的碰并增长与自动转化， 以及由凝结产生云水的过程。该方案显式预报水汽、云水和雨水，无冰 相过程。 1-2 Purdue-Lin方案： 该方案包括了对水汽、云水、雨、云冰、雪和霰6种类型水成物的处理。 该方案是 WRF模式中相对比较复杂的微物理方案，更适合于理论研究 。 1-3 WRF单参数—3类水成物(WSM3)方案： 该方案包括冰沉降和新的冰相参数化。与其他方案最大的不同之处在于， 该方案是基于冰的质量含量而非利用温度的诊断关系计算冰粒子浓度。 假设高于冰点的水成物为云水和雨，冰点以下的为云冰和雪，对包含冰 过程的计算效率很高。可以对三类水成物（即水汽、云水或云冰、雨或雪） 进行预报，被称为简单冰方案。但要注意的是，该方案缺少过冷水和逐步 融化率过程。
《2024年数值天气预报业务模式现状与展望》范文
《数值天气预报业务模式现状与展望》篇一一、引言随着科技的飞速发展，数值天气预报已成为现代气象业务的核心组成部分。
数值天气预报通过运用先进的数学模型和计算机技术，对大气环境进行数值模拟和预测，为人们提供准确、及时的气象信息。
本文将重点探讨数值天气预报业务模式的现状及未来展望。
二、数值天气预报业务模式现状1. 技术发展目前，数值天气预报主要依赖于高性能计算机和先进的数值模拟技术。
通过建立大气环流模型，对大气中的物理过程进行数值求解，进而预测未来的天气变化。
此外，卫星遥感、雷达探测、地面观测等多种观测手段为数值天气预报提供了丰富的数据来源。
2. 业务流程数值天气预报的业务流程包括数据收集、模式运行、结果分析、预报发布等环节。
数据收集阶段，通过各种观测手段获取大气环境的相关数据；模式运行阶段，将收集到的数据输入到数值模式中，进行计算和模拟；结果分析阶段，对模拟结果进行解释和分析，提取有用的气象信息；预报发布阶段，将分析结果以适当的方式发布给用户。
3. 业务应用数值天气预报在气象业务中发挥着重要作用，广泛应用于农业、航空、航海、能源、城市规划等领域。
通过数值天气预报，人们可以提前了解天气变化，做好相应的防范和应对措施。
此外，数值天气预报还为气候预测和气候变化研究提供了重要的数据支持。
三、数值天气预报业务模式展望1. 技术创新未来，数值天气预报将更加依赖高性能计算机和先进的数值模拟技术。
随着人工智能、大数据等新兴技术的发展，数值天气预报的准确性和时效性将得到进一步提高。
同时，多元同化技术、高分辨率模拟等技术的发展将为数值天气预报提供更丰富的数据来源和更精细的预测结果。
2. 业务模式创新随着气象服务的不断发展，数值天气预报的业务模式也将不断创新。
一方面，气象部门将加强与相关行业的合作，推动数值天气预报在更多领域的应用；另一方面，气象部门将不断改进业务流程，提高预报的准确性和时效性。
此外，个性化、定制化的气象服务将成为未来数值天气预报业务模式的重要方向。
气象学中的预报模型
气象学中的预报模型气象现象复杂而瞬息万变，而预报模型则是气象学研究中的一种基础性工具，通过模拟运算等技术手段，提供未来天气的预报信息，是现代科技对天气预报的重要支撑。
本文将介绍气象学中预报模型的相关概念、应用、作用等方面的内容。
一、预报模型的基本概念气象预报模型分为两类：数值模型和经验模型。
其中，数值模型是通过利用数值方法，对大气现象进行模拟计算来得到未来预报，而基于经验的模式则是基于历史上观测得到的经验来进行预报。
而针对不同预报时效性，又可以分为短期模型和长期模型两类。
其中，短期模型适用于二至七天内的预报，而长期模型则适用于14天以上的预报。
数值模型是现代天气预报中最常用的方法之一，它是通过运用物理学原理，根据地球的物理特性实时进行计算的预报方法。
通过收集大气状态参数等数据，并利用数学公式和计算机模拟技术进行长时间延时的天气预报。
该模型精度高、可靠性高、覆盖范围广，在大气科学中得到了广泛的应用。
经验模型则是基于历史资料对天气进行经验总结，进而对相应天气进行预测。
例如通过历史天气数据进行统计分析，可以得出某一天的气象指标数据在哪个范围值内，就会出现哪种天气条件的规律。
这类模型的优点是计算简单、速度快，但与物理模型相比，精度较低。
二、预报模型的实际应用气象预报模型在现代天气预报中的应用十分广泛。
其作用不仅仅是为天气预报提供了模型手段，对于生产生活等方面也起到了至关重要的作用。
例如，农业生产中需要根据未来预测来进行投资，而天气预报无疑是农业生产中十分重要的一环。
而在航空、交通、水利、气象灾害预警等方面也有着重要的作用。
三、预测模型的优缺点探讨气象预测模型虽然是天气预报的重要手段，但是其也存在一些优缺点问题。
例如，数值模型在计算过程中需要大量数据的支持，因此需要建立相应的数据支撑体系。
而在模型计算过程中，经常会遇到实际数据不够完备等问题，这对模型的精度和准确性存在影响。
同时，在预测过程中难以完全预测到所有天气变化的情况，各种自然因素可能导致数据与实际情况存在偏差。
天气预报中的气象模型研究
天气预报中的气象模型研究天气预报的准确性和及时性一直是人们所关注的问题。
气象模型是天气预报的重要组成部分，它是基于物理和数学原理建立起来的一种数值预报方法。
本文将介绍气象模型的研究现状和未来发展方向。
一、气象模型的基本原理气象模型是基于一组偏微分方程组建立起来的数值模型，对大气的物理过程进行描述和预测。
气象模型的基本要素包括大气动力学、热力学、辐射传输、云物理、水文循环等。
它们是相互关联和相互作用的，复杂的大气系统的状态预测需要综合考虑各个因素的综合作用。
气象模型通常采用有限差分法或有限元法等数值计算方法，将求解区域划分成数千个网格点，对网格点上物理量进行离散化计算，得到方程的数值解。
气象模型的核心是大气模拟程序，根据初始场和边界条件，模拟大气各要素的演变过程，以预报未来数天内的天气变化。
二、气象模型研究现状气象模型的研究始于上世纪50年代，随着计算机技术的发展，气象模型得以不断完善。
现在，全球气象行业使用的气象模型已经达到了高精度、高分辨率、多尺度的状态。
目前，全球气象模型主要有以下三个类型：1、全球大气模型全球大气模型主要用于预报全球范围的天气变化，它以世界各地的气象观测资料为依据，模拟具有全球尺度的大气环流系统。
全球大气模型的典型代表包括美国国家环境预报中心的GFS模型、欧洲中期天气预报中心的ECMWF模型等。
2、区域气象模型区域气象模型用于预报地区性的天气变化，它以该地区内气象观测网络数据为依据，模拟该地区的天气特征。
以中国为例，中国气象局研制了自主知识产权的区域数值预报模型WRF，用于预报全国地区的天气变化。
3、海洋-气象耦合模型海洋-气象耦合模型适用于预报海洋和陆地的天气变化，它综合考虑海洋系统和大气系统相互作用的过程。
目前，美国联合军事模式（JMA）和日本气象厅海洋-气象耦合模型等被广泛应用于全球海洋和陆地的预报研究。
三、气象模型发展趋势气象模型目前面临的主要挑战包括：1、模型精度问题气象模型的前提假设和数学方法的简化都会对模拟结果的精度造成一定影响。
大气科学中的气象模型与方法
大气科学中的气象模型与方法气象学是一门研究大气现象和气象规律的科学，其中气象模型和方法是进行天气预报和气候研究的重要工具和技术。
本文将介绍大气科学中常用的气象模型和方法，以及它们在天气预报和气候研究中的应用。
一、气象模型1. 数值天气预报模型数值天气预报模型是通过计算机模拟大气运动和热力学过程，以预测未来一段时间内的天气情况。
这些模型根据大气动力学和热力学方程来模拟大气中的气流、温度、湿度等参数变化。
常见的数值天气预报模型包括欧洲中期天气预报中心（ECMWF）的欧洲模式（ECMWF模式）、美国国家环境预测中心（NCEP）的全球预报系统（GFS模式）等。
2. 气候变化模型气候变化模型用于模拟和预测地球气候系统的变化趋势和未来气候变化。
这些模型考虑了大气、海洋、陆地和冰川等要素的相互作用，通过模拟各种物理和化学过程来模拟气候系统的演变。
常见的气候变化模型有国际气候模式与比较计划（CMIP）中的CMIP5模型、CMIP6模型等。
二、气象方法1.观测方法气象观测是气象研究和预报的基础。
观测方法主要包括地面观测和卫星观测。
地面观测通过气象观测站点布设气象仪器，记录气温、湿度、气压、风速、降水等参数。
卫星观测通过气象卫星收集地球大气的遥感数据，可以观测到大范围的气象现象和云图。
2.气象遥感方法气象遥感是利用各种感知设备（如雷达、卫星）获取地球大气中的信息，并进行分析和推算的方法。
气象遥感方法广泛应用于天气预报、气候监测、气候变化等方面。
常用的气象遥感方法包括雷达降水估算、卫星云图解译、辐射计观测等。
3.气象统计方法气象统计方法是通过对气象观测数据的统计分析和建模，揭示气象现象和规律。
这些方法可以分析气象要素的变化趋势、频率分布、相关性等。
常见的气象统计方法包括时间序列分析、回归分析、频率分析等。
三、气象模型与方法的应用1.天气预报气象模型和方法在天气预报中发挥着重要作用。
数值天气预报模型通过模拟大气运动和热力学过程，提供了未来几天到几周的天气预报。
天气预报模型研究及优化
天气预报模型研究及优化一、引言天气预报对人们的生产生活有着重要的影响，但由于天气预报的精度和准确性不断提高，许多相关产业都有望获得更多的市场前景。
因此，进一步研究天气预报模型，提高天气预测的准确性和精度，变得更加迫切。
二、天气预报模型的研究1.天气预报模型的分类天气预报模型依据不同的技术手段分为传统统计分析模型和数据挖掘机器学习模型。
2.传统统计分析模型传统统计分析模型主要是基于大量的历史气象数据对未来气象情况进行推测。
典型的模型包括ARIMA模型、回归模型、时间序列分析模型等。
ARIMA（Autoregressive Integrated Moving Average Model）模型是一种时间序列分析模型，对过去一段时间的数据进行分析，然后推测未来数据的趋势。
其基本元素包括自回归项、积分项和移动平均项。
回归模型是一种用于分析变量间关系的统计工具，它建立了一个回归函数来预测自变量和因变量间的关系。
在气象预报中，可以用回归模型来拟合与气象相关的各种因素，例如大气压强、湿度、温度等，然后运用回归模型来预测未来气象情况。
时间序列分析模型是一种通过对时间序列数据进行分析和建模，来预测未来数据趋势和周期性规律的统计模型。
时间序列分析模型在天气预报中通常用于短期预测。
这些传统统计分析模型的特点在于对过去数据的依赖性较高，在某些情况下预测精度难以满足现代复杂天气情况的需要。
3.数据挖掘机器学习模型数据挖掘机器学习模型是近年来快速崛起的一种天气预报技术，它主要是通过分析天气各种气象因素之间的相互关系，来预测未来的气象情况。
机器学习模型具有的显著优点包括适应能力强、预测准确性高、可重复性好等。
数据挖掘机器学习模型可以分为监督学习、非监督学习和半监督学习。
监督学习是一种通过对已知数据进行训练，学习规律性，然后对未知数据进行预测的机器学习技术。
监督学习算法包括支持向量机、决策树、神经网络等。
非监督学习主要是通过对未知数据进行聚类、分类来学习规律性的一种机器学习技术。
新一代中尺度天气预报模式——WRF模式简介
新一代中尺度天气预报模式——WRF模式简介新一代中尺度天气预报模式——WRF模式简介随着天气预报技术的不断发展，中尺度天气预报模式在提高天气预报精度方面发挥着重要的作用。
其中，Weather Research and Forecasting（WRF）模式作为全球最先进的天气预报模式之一，受到了广泛的关注和应用。
WRF模式是一种静力、非静力和灵敏度完全隐式的非守恒型大气模式。
它采用了一套复杂的物理参数化方案，包括辐射、湍流、微物理、大气边界层以及土壤等过程。
此外，WRF模式还融合了大量的观测数据，利用数据同化方法对模式进行修正，进一步提高了预报精度。
WRF模式具有以下几个显著特点：首先，WRF模式具有较高的空间分辨率。
通过细化网格的划分，WRF模式能够更准确地描述天气系统的演变过程。
在中尺度天气预报中，空间分辨率是至关重要的因素，决定着模式对局地天气系统的刻画能力。
WRF模式通常能够在预报中实现3到10公里的空间分辨率，这对于捕捉短时天气变化和强对流天气的发展至关重要。
其次，WRF模式具有灵活多样的参数化方案。
模式中包含了多种物理参数化方案的选择，可以根据不同的预报需求和研究目标进行调整。
例如，在预测降雨过程时可以使用不同的降水方案，如Grell、Thompson等方案，以最优地模拟不同类型的降水。
这使得WRF模式在不同的气候区域和降水系统的预报中都能够取得良好的效果。
再次，WRF模式支持多种初始和边界条件。
它可以灵活地使用不同精度和来源的观测数据来初始化模拟，包括卫星观测和地面观测。
对于边界条件，WRF模式通常利用全球或大区域的模式预报数据作为输入。
这使得WRF模式具有较好的扩展性和适应性，能够在不同区域和时间尺度上提供准确的预报结果。
此外，WRF模式具有良好的可视化和后处理功能。
WRF模式提供了丰富的预报输出变量，并支持将结果以多种形式进行可视化展示。
这极大地方便了用户对预报结果的分析和使用。
天气预测模型研究和优化
天气预测模型研究和优化一、背景介绍在现代社会中，天气预测已成为我们生活中不可或缺的一部分。
预测准确的天气模型可以为人们的生产和生活提供有力的保障，有助于减少灾害的发生，并降低对能源等资源的过度消耗。
因此，为了更好地预测未来的天气，研究和优化天气预测模型已成为科学家们的一项重要工作。
二、常见天气预测模型1. 基于统计学的模型这种模型通过收集历史气象数据来预测未来的天气。
常见的统计模型有ARIMA、SARIMA等。
2. 数值天气预报模型数值天气预报模型是天气预报的主要手段之一。
它基于大气气体运动、物理量守恒原理和边界条件，使用计算机数值模拟方法，对未来天气的演变进行模拟。
3. 人工神经网络模型人工神经网络模型是一种能够模拟人脑神经网络的数学模型。
它是一种机器学习算法，可以自适应地根据给定的输入来提高预测的准确性。
三、天气预测模型的优化1. 数据分析与处理在构建天气预测模型之前，需要对原始数据进行预处理和分析。
这包括去除异常值，对缺失值进行填补，并对数据进行标准化。
2. 特征选择特征选择是指从原始数据中筛选出预测中有用的特征。
特征选择能够提高模型的准确性和效率，同时降低系统复杂度。
3. 模型参数选择在确定模型参数时，需要根据不同模型的特点和预测任务的需求进行选择。
在确定模型参数时，可以使用参数调优算法，如网格搜索或随机搜索。
4. 集成学习集成学习通过组合多个模型来提高预测准确性。
常见的集成学习方法包括随机森林和XGBoost等。
四、案例分析以中国气象局的未来3天天气预测为例，可以将数值天气预报模型和人工神经网络模型相结合。
一方面，数值天气预报模型可以提供良好的初始条件，另一方面，人工神经网络模型可以通过学习历史气象数据来提高预测准确度。
五、结论及展望天气预测模型的研究和优化是一项艰巨的任务。
通过数据分析、特征选择、模型参数选择和集成学习等方法，可以提高预测准确性和效率。
未来，随着数据科学和机器学习的快速发展，天气预测模型的研究将迎来更加精彩的发展。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
– RDMA and Transport Offload – Kernel bypass – CPU 被更加集中地投入到程序计算中
120Gb/s
80Gb/s (4X)
60Gb/s
40Gb/s
20Gb/s
service
Ethernet Fibre Channel
• I/O整合(包括存储系统-storage)
14
WRF程序特性分析(Profiling) – Message分布
WRF MPI Profiling Message Distribution
40% 35% 30% 25% 20% 15% 10% 5% 0% 4 Servers 8 Servers 12 Servers 16 Servers
Numbeay 2500 2000 1500 1000 500 0 2 4 6 8 10 12 14 16 18 20 22 24 Number of Servers
Increasing WRF Productivity via CPU Affinity
每台计算机的一个CPU(同 时使用CPU affinity)
40
• Gigabit Ethernet网络适配器 限制了WRF的运行速度
30
20
10
0
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Number of Servers
InfiniBand
GigE
10
WRF性能比较 – 基于不同网络连接设备
MVAPICH
HP-MPI
OpenMPI
MVAPICH
HP-MPI
MPI Latency
15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 1 2 4 8 16 32 64 128 256 512 Message Size (Bytes)
Latency (us)
– 48-bit Physical Addressing
兼容性/Compatibility
– Same power/thermal envelopes as Second-Generation AMD Opteron™ processor
8
8
简化IT的实施与管理 – 戴尔
• 戴尔 HPC 解决方案 – 高性能与可扩展性的架构 – 专业的实施与技术支持服务 – 最大限度提高系统性能并减少成本与能耗 • 系统规模的设计指南/System Sizing Guidelines – 系统实施布局的搭建 – 提供经过整合与测试的系统架构 • 基于工作负荷建立解决方案/Workload Modeling – 设计优化的系统规模及相关配置 – 性能基准分析/Benchmarks – 应用程序特点分析/ ISV Applications Characterization – 最佳方案分析/ Best Practices & Usage Analysis
3
气候研究模式 (WRF) 用途
• 气候研究模式包括
– – – – – 实时与理想化数据的仿真模拟(Simulations) 多种侧边界处理方案 全物理方案 非静力与静力 程序支持的范围从几米到若干公里
4
研究的目标
• 该项研究实现以下目的
– WRF 模式性能基准分析/Benchmarking – 网络通讯设备的比较及其对WRF性能的影响 – 提高WRF运算效率 – WRF 网络通信特点的分析 – MPI libraries 的比较
• CPU affinity 能提高工作总 量20%
1 Parallel Job
2 Parallel Jobs
12
WRF程序特性分析(Profiling) – 数据流通总量
WRF MPI Profiling Total Data Send per Message Size per Cluster Size
Number of Servers
InfiniBand vs GigE
InfiniBand 提高WRF性能最高达到115%
该测试集群只有24个节点, 随着节点数增加性能差距会进一步加大
11
WRF性能比较 –工作总量
• 应用CPU affinity来实现更高的工作总量 • Two cases
– 整个系统只运行一个job – 运行两个job, 每个job只占用
Message Size
4nodes
8nodes
12nodes
[6 4
[2 5
16nodes
13
WRF程序特性分析(Profiling) – Message数量
WRF MPI Profiling Total Number of Messages per Cluster Size
1.8 Number of Messages (Millions) 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0
8 GB/S 8 GB/S
PCI-E® PCI-E® Bridge Bridge
8 GB/S
PCI-E® PCI-E® Bridge Bridge
• •
• 1GB Page Support • DDR-2 667 MHz 扩展性/Scalability
USB USB I/O Hub I/O Hub PCI PCI
100000 10000 Total Size (MByte) 1000 100 10 1
k] ] ] ] 02 4] 56 k] k. .2 [2 5 4k ] ..2 ..1 k. .6 [0 . M B] 6k ..1 .6 4 ..4 6k [4 k [1 6 56
[6 5
7. .1
[1 k
1 4 16 64 6 24 96 4 6 44 57 6 10 40 16 65 21 30 4 25 38 53
Bandwidth (MB/s)
94
48
Bandwidth (MB/s)
26
10
41
26
10
48
Message Size (Bytes)
Message Size (Bytes)
OpenMPI
– 编译Flags: FCOPTIM= -O3 -ffast-math -ftree-vectorize -ftree-loop-linear -
funroll-loops
6
Mellanox InfiniBand 网络适配卡技术
• 基于工业标准 • 性价比
– – – – – 硬件，软件，网线，及适配器的管理 – 为计算机集群以及存储设备的连接而设计 40Gb/s node-to-node 120Gb/s switch-to-switch 1us 延迟/latency 业界最具进取性与前瞻性的产品设计蓝图
InfiniBand Delivers the Lowest Latency
7
四核 AMD Opteron™ 处理器
• 性能/Performance
– 四核/Quad-Core
• Enhanced CPU IPC • 4x 512K L2 cache • 2MB L3 Cache
8 GB/S 8 GB/S
MPI Bi-Dir Bandwidth
3500 3000 2500 2000 1500 1000 500 0
1 4 6 16 64 24 96 4 6 44 30 4 57 6 25 38 53 10 40 21 65 16
MPI Uni-Dir Bandwidth
1800 1600 1400 1200 1000 800 600 400 200 0
[0..64] [4k..16k] [65..256] [16k..64k] [257..1024] [64k..256k] [1k..4k] [256k..1MB]
15
WRF程序特性分析总结
• 分析WRF 模式对网络通信的依赖 • 大部分传输于计算机之间的数据是 – 大小位于16KB至1MB之间的message – 随着集群规模的加大数据传输量也会相应增加 • 大部分被应用的message尺寸 – <64B messages – 主要用于信息同步/synchronizations – 16KB-64KB – 与程序计算相关 • Message的分布 – 随着集群规模增大，大小message的数量都有增加 – 在信息的总量当中
WRF Benchmark Results - InfiniBand vs GigE
120%
InfiniBand Performance Advatage
100%
80%
60%
40%
20%
0%
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
天气研究和预报模式 (WRF) 的性能分析与优化
2008年10月
Note
• 该项研究由美国高性能计算咨询委员会完成(HPC Advisory Council)
– AMD, 戴尔, Mellanox – 高性能计算咨询委员会计算机中心
• 感谢美国国家大气研究中心首席开发员John Michalakes对这 项研究的支持 • 更多信息请查询下列网站
– , /hpc,
2
The WRF Model
• 天气研究模式 (WRF) Model
– 数值天气预报系统 – 为天气预报和大气研究而设计
• WRF 由下列成员开发
– 美国国家大气研究中心 (NCAR) – 美国国家环境预报中心 (NOAA) – 美国天气预报研究院 (FSL) – 空军气象局 (AFWA) – 海军研究实验所 – 俄克拉荷马大学 – 联邦航空局 (FAA)