基于云计算模型的气象信息服务系统研究
气象数据服务系统初步设计与方法研究
138数据库技术Database Technology电子技术与软件工程Electronic Technology & Software Engineering1 引言我区气象资料具备长序列、高精度、种类繁多、高时空分辨率、与社会生活息息相关等重要性质，为气象部门天气预报、防灾减灾、服务人民生产生活的同时，也是天气及气候研究，气候变化，多领域合作的基础[1]。
2017年，为贯彻落实“创新、协调、绿色、开放、共享”五大发展理念，利用云计算、物联网、移动互联网、大数据（简称“云物移大”） 等新兴技术，依托“一平台，三系统”建设，构建气象大数据综合应用平台。
建成气象大数据管理云平台，实现对气象及相关行业部门数据的集约化、标准化汇集管理，促进气象信息资源整合共享，挖掘气象大数据应用价值的大数据平台建设启动，旨在有效促进气象业务服务能力的提升，有效支撑和服务政府大数据平台建设，支撑和服务行业部门气象大数据应用，支撑和服务气象大数据在气象防灾减灾、自治区生态文明建设、社会治理、公共服务领域的应用[2,3]。
随着气象资料需求和服务方式的不断拓展，气象资料共享服务业务的复杂度不断提升，如何及时了解用户使用数据的问题，为我区气象业务、科研和服务提供丰富、准确的气象资料，并实现气象数据资源的充分共享，发挥资料价值，释放气象数据红利至关重要，同时规范数据服务、做好资料服务情况的统计分析从而更好的为用户和管理部门服务迫在眉睫。
2 研究内容及相关技术2.1 研究内容2.1.1 数据清单发布及账户清单查看基于内蒙古自治区统一数据环境，和内蒙古自治区气象档案馆，进行数据资源的梳理，在本系统发布内蒙古自治区在线服务资料的数据清单和离线数据服务的数据清单。
根据业务发展的需要，建立数据清单更新发布流程，规范实时和历史数据管理和清单维护。
2.1.2 数据服务反馈建立规范化的数据使用反馈机制，接收用户在服务方式、服务体验、数据质量、数据种类的各方面的反馈意见，针对不同的服务问题进行实时或定期处理和调整，从而避免的零散的问题处理和问题描述不详细无法处理；同时，系统自动记录服务情况，定期进行用户使用情况的统计，实现服务技术与服务管理的有机结合，发挥气象数据的效益。
智能网格预报技术在专业气象服务中的应用研究
智能网格预报技术在专业气象服务中的应用研究摘要：随着大数据和人工智能技术的不断发展，智能网格预报技术在气象学领域中得到了广泛的应用。
智能网格预报技术可以实现对天气变化规律的高精度预测和预警，对于提高气象预报的准确性和实用性具有重要意义。
本文通过介绍智能网格预报技术的内涵，并深入探讨了其在专业气象服务中的应用，仅供相关部门参考。
关键词：智能网格预报；专业气象服务；应用研究引言随着社会的不断发展，天气变化对人们的生产生活带来的影响也越来越大。
从农业生产到交通运输、城市规划等各个方面，天气变化都会对人们的生产和生活产生影响。
智能网格预报技术作为一种高精度、高时空分辨率、高可靠性的天气预报技术，通过对天气变化的预测和分析，智能网格预报技术可以帮助公众及时采取相应的措施，减少灾害损失，提高生产效率和生活质量。
同时，智能网格预报技术也可以为城市规划、交通运输等方面的决策提供科学依据，提高气象服务的质量和效率，具有重要的意义和价值。
1智能网格预报技术的内涵智能网格预报技术是一种利用人工智能、机器学习等技术对气象数据进行分析、处理和建模，以实现更精准、更准确的气象预报。
该技术主要应用于气象、环境保护、农业、交通运输等领域，可以提高天气预报的准确性和可靠性，减少对人力和物力资源的依赖。
智能网格预报技术的核心是数学模型和算法。
数学模型是指对气象数据进行处理和分析，得出预测结果的数学公式和算法。
不同的数学模型和算法适用于不同的气象预报场景，例如天气预报、气候预测、空气质量预报等。
在智能网格预报技术中，数据是重要的组成部分。
数据来源可以包括气象观测站、卫星遥感、雷达等，这些数据都需要进行处理和分析，以便提取有用的信息。
同时，智能网格预报技术还需要考虑气象学知识和经验，以便对预测结果进行修正和校准，以提高预测准确性。
智能网格预报技术主要包括以下几个方面：1.1网格化气象数据处理网格化气象数据处理是指将气象数据划分为不同的网格，对每个网格内的气象数据进行实时监测、收集和处理的技术。
基于GIS的气象灾害预警系统设计与实现
基于GIS的气象灾害预警系统设计与实现随着气候变化的加剧，气象灾害的频率和影响范围也在不断增加。
气象灾害的爆发往往会给人类的生命、财产和环境带来极大的破坏性。
在现代社会中，利用现代科技手段来预测和应对气象灾害变得尤为必要。
其中，基于GIS的气象灾害预警系统的建立具有非常重要的意义。
本文将详细介绍基于GIS的气象灾害预警系统的设计与实现。
一、系统架构设计基于GIS的气象灾害预警系统包括数据采集、数据处理、数据储存和数据展示四个模块，其中数据采集模块负责采集气象数据、地理数据和社会经济数据等信息；数据处理模块对数据进行质量控制和关键参数计算，并通过模型模拟和算法分析等手段形成气象灾害预警产品；数据储存模块将处理后的数据整理为多级存储体系，以便于快速地检索和查询；数据展示模块则将储存的数据以地理信息系统的方式进行展示，为用户提供针对性的气象灾害预警服务。
二、数据采集模块数据采集模块是基于GIS的气象灾害预警系统的重要组成部分。
它负责从现有的气象监测站、卫星遥感和社会经济调查等途径获取相关数据。
数据采集需要覆盖离散的地理区域，以及变化频繁的环境要素。
对于环境要素的监测，除了气候信息，还包括流量、潮位、土壤温湿度等量测数据。
数据采集模块还需要与数据处理模块实时交互，以及与预警系统平台进行数据互通。
三、数据处理模块数据处理模块是气象灾害预警系统的核心部分，它主要负责开发和应用相关的数学算法、物理模型和计算机模拟等方法，将气象数据和地理信息进行处理，得到相关的气象灾害预警产品。
在此过程中，数据处理模块还需要充分利用气象、水文、地形等多种环境资源信息，结合数据储存模块中以往的经验数据，全面预测可能发生的气象灾害类型和强度等指标。
为了提高预报精度，应用统计模型、人工神经网络算法和物理数学模型还有很大的提升的空间。
四、数据储存模块基于GIS的气象灾害预警系统产生的海量数据需要进行储存和管理。
数据储存模块需要对数据进行分类，以便于快速地检索和查询。
《2024年基于深度学习的气象预测研究》范文
《基于深度学习的气象预测研究》篇一一、引言随着科技的飞速发展，深度学习在各个领域的应用越来越广泛。
在气象预测领域，深度学习技术也得到了广泛的应用和探索。
本文旨在探讨基于深度学习的气象预测研究，分析其原理、方法、应用和未来发展趋势。
二、深度学习与气象预测的基本原理深度学习是一种基于神经网络的机器学习方法，其核心思想是通过构建多层神经网络来模拟人脑的思维过程，实现从输入到输出的非线性映射。
在气象预测领域，深度学习可以通过分析大量的气象数据，提取有用的特征信息，建立气象要素之间的复杂关系模型，提高预测精度和预测能力。
气象预测的基本原理是通过分析大气环境的物理、化学和生物等特性，建立气象要素的时空变化模型，预测未来的气象情况。
而深度学习可以通过对大量历史气象数据的训练和学习，发现气象要素之间的非线性关系和规律，为气象预测提供更加准确和可靠的依据。
三、基于深度学习的气象预测方法基于深度学习的气象预测方法主要包括以下几个方面：1. 数据预处理：对原始的气象数据进行清洗、去噪、归一化等处理，以便于深度学习模型的训练和学习。
2. 特征提取：通过深度神经网络提取气象数据中的有用特征信息，如温度、湿度、风速、气压等。
3. 模型构建：构建多层神经网络模型，通过训练和学习建立气象要素之间的复杂关系模型。
4. 预测输出：根据模型输出预测未来的气象情况，如降雨量、气温、风力等。
四、基于深度学习的气象预测应用基于深度学习的气象预测应用已经得到了广泛的探索和应用。
其中，最主要的应用包括以下几个方面：1. 短期天气预报：通过深度学习技术，可以更加准确地预测未来的天气情况，为人们的出行和生活提供更加可靠的依据。
2. 气候预测：深度学习可以分析历史气候数据，建立气候变化的模型，预测未来的气候变化趋势和影响。
3. 农业气象服务：通过深度学习技术，可以预测农作物生长的气象条件，为农业生产提供科学的决策支持。
五、基于深度学习的气象预测的未来发展趋势随着科技的不断发展，基于深度学习的气象预测将会在以下几个方面得到进一步的发展和应用：1. 数据驱动的模型构建：随着大数据技术的发展，越来越多的气象数据将被收集和分析，为深度学习模型的构建提供更加丰富的数据支持。
基于3G移动通信技术的气象信息服务应用研究
计 算 机 与 网 络 创 新 生 活 ６ ７
基 于 ３ 移 动 通 信 技 术 的气 象信 息 Ｇ 服 务应 术保 障 中心 浙 江 杭 州 ３ ０ ７ １ １ １） ０ （ ２浙江省 气 象服 务 中心 浙 江 杭 州 ３ ０ １ １） ０ ７
文章 标 号 ：０ ８ ７ ９ ２ １ ０ — ７ １ ０ —１ ３ （ ０ ０）８ ６ －４
中 图分 类 号 ： ＴＮ９ ９５ ２ ．
文献 标 识 码 ： Ａ
Ｒｅ ｅ ｒ ｈ ｔ ｅ Ａｐ ｌ ａ ｉ ｎ ｏ ｅ ｔ ｅ ｎ ｏ ｍ ａ ｉ ｎ Ｓ ｒ ｉｅ ｂ ｓ ｄ ｓ ａ ｃ ｈ ｐ ｉ ｔ ｆＷ ａ ｈ ｒ Ｉ ｆ ｒ ｔ ｅ ｖ ｃ ｓ ａ ｅ ｃ ｏ ｏ
【 要】为了提 高气象信 息服 务的快速性 、 摘 便捷性和广泛性 ， 通过研究 当前气 象信 息服 务在移动通信 业务的应 用模 式 ， 分 析 了第三代移动通信技术 （Ｇ 的特点 ， ３） 文中提 出 了基 于 ３ 移 动通信技 术的气象信息服务模型 ， Ｇ 充分利用 当前迅速发展的 ３ Ｇ移 动业务， 为气象信 息服务应用提供 了新的思路 。 【 关键词】气象服务 气象信息 无线技术 ３ 信 息技术 Ｇ
人 移 动 终 端 设 备 能 够 实现 数 据 信 息 随时 随地 高效 传 送 ．其 在 快 速 性 、便 捷 性 和 广 泛 性 上 具 有 其 他 信 息 媒 体 无 法 比 拟 的优 势 。将 第三 代 移 动 通 信 技 术 应 用 到气 象信 息服 务 ， ３ 手 机 以 Ｇ
作 为气 象信 息服 务 的终 端 ， 一 个 可 行 的解 决方 案 。 是
ｔｃ ｅ ｈｎｏｏｇ ．Ｔｈ ｏ ｌｔｋｅ ａｌａ ｖ ｎｔｇｅ ｏ ｌ ｙ ｅ ｍ ｄｅ ａ ｓｆｌ ｄ ａ ａ ｆ３Ｇ ｏ ｌ ｅ ｉｅ ｈ ｃ ｄ ｖ ｌ ａ ｄｙ ｏ ａ ｉ ｍ ｂｉ ｓｒ ｃ ｓｗ ｉ ｈ ｅ ｅｏｐ ｒｐｉｌ ｔ ｄ ｙ，ａ ｄ ｏ ｉ ｅ ｗ ａ ｆｗ ｅ ｔ ｅ ｅ ｖ ｎ ｐｒ ｖ ｄ ｓａ ｎｅ ｗ ｙ ｏ ａｈ ｒ ｉ ｏｒ ａｉｎ ｅ ｉｅ ａ ｐ ｃ ｔｏｎ． ｎｆ ｍ ｔｏ ｓｒ ｃ ｐ ｌ ａ ｖ ｉ ｉ
基于RIA的WebGIS自动气象站数据服务系统
象观测要素 ， 还包括了相应观测站 的经纬度 、 海拔高 度等空间信息 ， 如何在空间框架下实现 自动站海量
数据 的查 询检索 和 空 间分 析 ， 为 气 象 灾 害监 测 预 警 提供及 时 高效 的数 据支 撑 ， 是 气 象 数 据 处理 研 究 的 重要 内容 ． 由于 网络地 理信 息系 统 （ Ｗｅ ｂ Ｇ Ｉ Ｓ ） 是 基 于
（ 江西省气象信息 中心 ， 江西 南昌 ３ ３ ０ ０ ４ ６ ）
摘要： 针对自动气象站实时数据分析与显示的实际需要， 采用基于 Ｒ Ｉ Ａ的 Ｗｅ ｂ Ｇ Ｉ Ｓ 技术进行了自动站数
据服务 系统 的开发与实践 ， 实现了 自动站实 时数据 的实况监测 、 动态展现 、 等值 面绘 制 、 组 合检索查 询等 功能． 运行 结果 表明 ： 该系统模型数据结 构简 洁， 数据交 互效率较 传统 Ｗｅ ｂ Ｇ Ｉ Ｓ有 明显 提高 ， 用 户体验 感 强， 为气象监测 、 预警预报提供 了高效集约的 自动站实 时数据支撑服务．
１ 系统 结 构 与 功 能
１ ． １ 系统结 构
气象信息 显示 和查询系统 ， 陈少平等 利用 Ｗｅ ｂ —
Ｇ Ｉ Ｓ研 发 了三峡库 区及 周边 自动气 象 站实 时 资料 服 务 系统 ， 阮惠 华 等 研 究 了基 于 Ｗｅ ｂ Ｇ Ｉ Ｓ的气 象 预 系统结 构 如 图 １所 示 ． 为 了 区别 于 其 它 商 业 Ｗｅ ｂ Ｇ Ｉ Ｓ应 用系统 ， 该 系统简 化 了 Ｗｅ ｂ Ｇ Ｉ Ｓ模 型 框 架
Ｖ０ Ｌ ３ ７ Ｎｏ ． １
Ｊ ａ ｎ ． ２ ０ １ ３
文章 编号 ： １ ０ ０ ０ — ５ ８ ６ ２ （ ２ ０ １ ３ ） ０ １ － ０ ０ ６ ０ － ０ ５
《2024年基于深度学习的气象预测研究》范文
《基于深度学习的气象预测研究》篇一一、引言随着科技的飞速发展，深度学习在众多领域展现出了强大的预测和学习能力。
在气象预测领域，深度学习同样展现出了其巨大的潜力和价值。
本文将基于深度学习的气象预测研究进行探讨，以期为相关领域的研究和应用提供一定的参考。
二、深度学习在气象预测中的应用深度学习作为一种人工智能技术，具有处理大规模、高维度数据的能力，且能通过训练数据来自我优化模型，适用于复杂的气象数据预测任务。
首先，利用深度学习对卫星数据、地面观测数据等进行预处理，可以有效提取气象数据中的特征信息。
通过卷积神经网络（CNN）等模型，对卫星图像进行识别和解析，从而提取出气象要素的分布特征。
此外，通过循环神经网络（RNN）等模型，可以对历史气象数据进行学习，进而对未来天气趋势进行预测。
其次，在复杂的天气模型中，利用深度学习算法建立预报模型，通过大规模训练优化模型参数。
这可以更好地描述气象系统中的各种因素和关系，从而提高预测的准确度。
此外，基于深度学习的多模式融合方法可以将多种模型的优势集成在一起，提高气象预测的可靠性。
三、基于深度学习的气象预测模型目前，基于深度学习的气象预测模型主要包括卷积神经网络（CNN）、循环神经网络（RNN）以及长短时记忆网络（LSTM）等。
这些模型在处理不同类型的气象数据时各有优势。
例如，CNN在处理卫星图像数据时具有较好的特征提取能力；RNN则适用于处理具有时间序列特性的气象数据；LSTM则能在处理长期依赖问题时表现出色。
此外，还有基于多模式融合的深度学习模型，如深度融合网络（DFN）等，这些模型能够综合多种模型的优点，进一步提高气象预测的准确性和可靠性。
四、实验与结果分析本文以某地区的气象数据为例，采用基于深度学习的气象预测模型进行实验。
实验结果表明，基于深度学习的气象预测模型在处理大规模、高维度的气象数据时具有较高的准确性和可靠性。
与传统的气象预测方法相比，基于深度学习的气象预测模型能够更好地描述气象系统中的各种因素和关系，从而提高预测的准确度。
国家级气象部门应急服务信息系统的设计与实现的开题报告
国家级气象部门应急服务信息系统的设计与实现的开题报告一、选题背景及意义天气是影响人们生活最直接的因素之一，在紧急事件处置、交通、农业、工业等方面有着深远的影响。
在全球气候异常、极端天气频发的今天，国家级气象部门在紧急预警、应急响应等方面的作用愈发凸显。
然而，在应对气象事件方面，区域之间的差异和不同部门之间的信息孤岛等问题，严重影响了应急响应的效率和准确性。
如何提高国家级气象部门在应急服务中的响应速度和能力，建立高效的信息协同网络，是当前亟待解决的问题。
因此，本论文将致力于探讨国家级气象部门应急服务信息系统的设计与实现，旨在促进气象信息的共享和交流，提高应急响应的效率和准确性。
二、研究内容及计划1. 研究目标本论文旨在构建一个全国范围的国家级气象部门应急服务信息系统，实现气象信息的快速、准确传递，提高预警和应急响应的效率。
2. 研究内容（1）国家级气象部门的应急响应要求分析（2）气象应急服务信息系统的设计和构建（3）气象应急服务信息系统的实现和测试（4）气象应急服务信息系统推广和应用3. 研究计划（1）阶段一：需求分析和系统设计（6个月）通过对国家级气象部门应急响应中存在的问题进行分析，确定系统的需求和设计方向。
（2）阶段二：系统开发和测试（6个月）编写系统架构设计和程序代码，并进行测试和评估。
（3）阶段三：系统推广和实际应用（6个月）完成系统推广和应用，解决实际运用中的问题，并进行总结和评估。
三、研究方法和技术本论文采用文献调研、访谈调查、模型设计和程序实现等方法，以及互联网、数据库、数据挖掘、大数据等相关技术，对国家级气象部门应急服务信息系统进行设计和构建。
四、预期成果本论文的主要成果是构建一个高效的国家级气象部门应急服务信息系统，提高气象信息的共享和传递能力，提高应急响应的效率和准确性。
五、论文的意义和贡献本论文的意义在于解决国家级气象部门应急响应中存在的信息不畅通、系统不健全等问题，建立一个高效的信息协同网络，实现气象信息的快速、准确传递，提高预警和应急响应的效率，具有实际的应用和社会价值。
基于MLP神经网络的气象时间序列预测模型研究
基于MLP神经网络的气象时间序列预测模型研究随着气候变化的日益加剧，气象数据的准确预测对于人们生活、农业、交通等方面都有着极为重要的意义。
传统的气象预测方法往往依赖于经验、历史数据和统计方法，但这种方法的效果可能受到自然环境变化等因素的影响。
因此，基于MLP神经网络的气象时间序列预测模型成为了一种有效的新方法，本文将就该方法进行探讨。
一、MLP神经网络的基本原理MLP神经网络是一种常用于非线性回归、分类和预测的技术。
该技术依据训练数据集建立的多层前向神经网络结构作为数学模型，通过学习和调整网络权重实现对数据进行预测。
在MLP神经网络中，输入层和输出层之间可能包含若干个隐藏层，每个隐藏层都由多个神经元组成。
神经元根据输入的信息，通过训练与自我调整，得出最终的输出值，该值作为下一层神经元的输入值。
通过不断训练、学习和调整神经网络权重，可以使神经网络的实际输出值与期望输出值差异最小化，从而实现对于输入数据的准确预测。
二、基于MLP神经网络的气象时间序列预测模型研究MLP神经网络的一大优势在于可以应对复杂的非线性问题，而气象数据则具有多变性、时序性、不确定性等特点，适合采用基于MLP神经网络的气象时间序列预测模型。
该模型主要分为四个部分，分别是数据预处理、搭建神经网络模型、训练模型和预测结果。
1. 数据预处理数据预处理是模型研究的重要基础，其主要任务是消除数据的噪声干扰、填补缺失数据和数据标准化等。
在进行数据预处理时，需先将原始气象数据进行分析，分清数据的主要特点和规律，做出相应的预处理方案。
2. 搭建神经网络模型搭建神经网络模型的任务是根据数据预处理的结果，确定神经网络的结构和节点数目，从而完成神经网络模型的整体构建。
神经网络结构的设计涉及到输入层、隐层和输出层的节点数目、权值、阈值等参数，是实现高精度预测的关键因素。
3. 训练模型训练模型是指将历史气象数据分为训练集和测试集，在训练集上应用BP算法进行神经网络的训练，调整网络权重和阈值等参数，然后在测试集上进行检测，评估模型的准确性。
气象大数据云平台建设方案
气象大数据云平台建设方案目录一、前言 (2)1.1 编制目的 (2)1.2 编制依据 (3)1.3 预期效果 (4)二、总体设计 (5)2.1 设计目标 (6)2.2 总体架构 (7)2.3 功能模块划分 (9)三、数据采集与整合 (10)3.1 数据来源 (11)3.2 数据采集方式 (12)3.3 数据清洗与整合 (14)四、数据处理与存储 (15)4.1 数据处理流程 (16)4.2 数据存储方案 (18)4.3 数据安全与备份恢复 (19)五、数据分析与服务 (20)5.1 分析工具与技术 (22)5.2 数据可视化展示 (23)5.3 数据服务接口 (24)六、平台功能与性能 (26)6.1 平台功能概述 (27)6.2 性能优化策略 (28)七、运维管理与支持 (30)7.1 运维管理体系 (31)7.2 技术支持与服务 (33)7.3 培训与推广计划 (34)八、预算与投资估算 (35)8.1 项目预算 (36)8.2 投资估算 (37)九、风险评估与应对措施 (38)9.1 风险识别与评估 (39)9.2 应对措施 (40)十、总结与展望 (41)10.1 项目成果总结 (42)10.2 发展前景展望 (44)一、前言随着全球气候变暖和极端天气事件的频繁发生，气象数据在人们日常生活、农业生产、城市规划、应急响应等领域具有越来越重要的作用。
为了更好地利用气象大数据资源，提高气象服务的精细化水平，满足社会对气象信息的需求，我们提出了“气象大数据云平台建设方案”。
本方案旨在构建一个集气象数据采集、存储、处理、分析、应用于一体的气象大数据云平台，实现气象数据的高效共享和便捷服务。
通过云计算技术，实现气象数据的弹性扩展和快速响应，为政府、企事业单位和公众提供实时、准确、全面的气象信息服务。
本方案将为我国气象事业的发展提供有力支持，有助于提高气象服务的科学性、精确性和时效性，为国家经济社会发展和人民生活带来更多福祉。
- 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)。
２０１３年１０月
第３４卷第１０期
计算机工程与设计
ＣＯＭＰＵＴＥＲＥＮＧ烈ＥＥＲＩＮＧＡＮＤＤＥｓＩＧＮ
０ｃｔ．２０１３
Ｖ０１．３４Ｎｏ．１０
基于云计算模型的气象信息服务系统研究
王攀峰，张涛
（北京航空气象研究所，北京１０００８５）
摘要：为高效整合分散在各地气象台和区域保障中心的计算、存储、通信资源，解决航空气象保障工作面临的气象资料
收集不便、数值预报时效性和分辨率不高的问题，提出了基于云计算模型的气象信息服务系统框架。介绍了系统结构和功
能，并分３个层次描述了系统详细设计，给出了核心服务组件的实现方案，结合航空气象保障工作现状对本系统进行了分
析。分析结果表明，基于云计算模型的气象信息服务系统可有效解决航空气象保障工作中存在的问题。
关键词：云计算；数值预报；定制分发；气象信息服务；航空气象保障
中图法分类号：ＴＰ３９文献标识号：Ａ文章编号：１０００一７０２４（２０１３）１０—３７１７一０５
Ｒｅｓｅａｒｃｈｏｎｍｅｔｅｏｒ０１０９ｉｃａｌｉｎｆｏｒｍａｔｉｏｎｓｅｒｖｉｃｅ
ｓｙｓｔｅｍ
ｂａｓｅｄ
ｏｎ
ｃｌｏｕｄ－ｃｏｍｐｕｔｉｎｇ
ｍｏｄｅｌ
ＷＡＮＧ
Ｐａｎ－ｆｅｎｇ，ＺＨＡＮＧ
Ｔａｏ
（ＢｅＵｉｎｇ
Ａｖｉａｔｉｏｎ
Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ
ＩｎＳｔｉｔｕｔｅ，Ｂｅｉｊｉｎｇ
１０００８５，ＣｈｉＴｌａ）
Ａｂｓ蛔ｃｔ：Ｔｈｅｒｅ
ａｒｅ
Ｓｏｍｅ
ｐｒｏｂｌｅｍｓ
ｉｎａｖｉａｔｉｏｎｒｎｅｔｅｏｒｏｌｏｇｉｃａｌｓｕｐｐｏｒｔｂｕｓｉｎｅｓｓ．Ｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｃｏｌｌｅｃｔ
ｍｅｔｅｏｒｏｌｏｇｉｃａｌ
ｉｎＪ［ｏｍａ—
ｔｉｏｎ，ｔｈｅ
ｔ访１ｅｌｉｎｅｓｓａｎｄｒｅＳｏｌｕｔｉｏｎｏｆｎ啪ｅｒｉｃａｌｆｏｒｅｃａｓｔｐｒｏｄｕｃｔｓｉｓｎｏｔ｝ｌｉｇｈｅｎｏｕｇｈＡｆｒ枷ｅｗｏｒｋｏｆｔｈｅ
ｍｅｔｅｏｒｏｌｏｇｉｃａｌ
ｉｎｆｏｍａ—
ｔｉｏｎｓｅⅣｉｃｅｓｙｓｔｅｍｂａｓｅｄｏｎｃｌｏｕｄ－ｃｏｍｐｕｔｉｎｇｍｏｄｅｌｉｓｐｒｏｐｏｓｅｄｂｙｗｈｉｃｈ
ｃｏｍｐｕｔｉｎｇ，ｓｔｏｒａｇｅ姐ｄ舢ｕｎｉｃａｔｉｏｎ
ｒｅｓｏｕｒｃｅ
ｓｃａｔ—
ｔｅｄａｍｕｎｄｒｅｇｉｏｎａＩｓｕｐｐｏｒｔｃｅｎｔｅｒｓａｎｄｏｂｓｅｒｖａｔｏｒｉｅｓｉｓ
ｅｆｆｉｃｉｅｎｔｌｙｉｎｔｅｇｒａｔｅｄＦｉｒｓｔｌｙ，ｔｈｅｓｙＳｔｅｍ
ｓｔｒｕｃｔｕｒｅ
ａｎｄｆｕｎｃｔｉｏｎＳａｒｅｉｎ—
ｔｒｏｄｕｃｅｄＳｅｃｏｎｆｕｙ，ｔｈｅｄｅｓｉｇｎｏｆｔｈｅｓｙｓｔｅｍｉｓｄｅｔａｉｌｅｄｉｎｔｈｒｅｅｌｅｖｅｌｓ．Ｔｈｉｒｄｌｙ，ｔｈｅｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｃｏｒｅｓｅｒｖｉｃｅ
ｃｏｌｌｌｐｏｎｅｎｔｓ
ｉｓｄｅｓｃｒｉｂｅ正Ａｎｄｌａｓｔｌｙ，ｔｈｅｓｙＳｔｅｍｉｓａｍｌｙｚｅｄａｃｃｏｒｄｉｎｇｔｏｔｈｅａｃｔｕａｌｓｉｔｕａｔｉｏｎｏｆｔｈｅａ、ｒｉａｔｉｏｎｗｒｅａｔｈｅｒｓｕｐｐｏｒｔｂｕｓｉｎｅｓｓ．Ｔｈｅ
ａ—
ｎａｌｙｓｉｓｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｅｏｒｏｌｐ画ｃａｌｉＴｌｆｏ珊ａｔｉｏｎｓｅⅣｉｃｅｓｙｓｔ帆ｂａｓｅｄｏｎｃｌｏｕｄｃｏｍｐｕｔｉｎｇ
ｎｌｏｄｅｌｃａｎｅｆｆｅｃｔｉｖｅｌｙｓｏｌｖｅ
ｔｈｅ
ｅ】【ｉｓｔｉｎｇｐｒｏｂｌｅｍｓｉｎｔｈｅａｖｉａｔｉｏｎｍｅｔｅｏｒｏｌｏｇｉｃａｌｓｕｐｐｏｒｔ
ｂｕｓｉｎｅｓｓ．
Ｋｅｙ
ｗｏｒ凼：ｃｌｏｕｄ－ｏｏｍｐｕｔｉｌｌｇ；ｎ啪ｅｒｉｃａｌ
ｆｏｒｅｃａｓｔ；ｄｉｓｔｒｉｂｕｔｉｏｎｏｎｄｅｍａｎｄ；ｍｅｔｅｏｍｌｏ西ｃａｌｉＩｌｆｏｒ嘞ｔｉｏｎｓｅｒｖｉｃｅ；ａｖｉａｔｉｏｎ
ｍｅｔｅｏｒｏ—
ｌｏｇｉｃａｌ
ｓｕｐｐｏｒｔ
０引言
航空活动涉及的地域范围非常广阔，航空气象保障通
常需要大范围的原始气象资料和数值预报产品。尽管很多
地方建立了不同形式的气象信息服务系统进行原始气象资
料和数值预报产品的收集和下发，但是从全局看，航空气
象保障的信息化建设的相对滞后，对分散在全国各地气象
台、区域保障中心的计算、存储、通信资源的整合利用开
发不够，还存在着原始资料收集、共享困难，区域数值预
报时效性、分辨率不高等难题。因此，有必要研究如何基于分散在各地气象台和区域保障中心的计算、存储、通信资源为气象台预报保障人员提供原始气象资料收集分发、数值预报产品生成下发等一整套信息服务的新技术。云计算模型口１能够有效整合分布在不同地理位置上的计算资源、存储资源、通信资源和软件资源，以ｗｅｂ服务形式为联网用户提供简单易用的信息服务［２’３］。本文提出用基于云计算模型的气象信息服务系统解决上述问题，下面首先介绍系统功能和详细设计，然后给出核心服务的实现方案。１系统设计１．１系统功能组成
常用的航空气象保障信息包括地面观探测资料、天气
雷达资料、卫星云图资料等原始气象资料和数值预报产品。
收稿日期：２０１３一０１一０８；修订日期：２０１３－０３—１０
作者简介：王攀峰（１９７９一），男，湖北武汉人，博士，研究方向为并行计算、数值天气预报；张涛（１９７１一），男，陕西西安人，硕士，研
究方向为计算机网络通信、气象信息处理。Ｅ＿ｒｎａｉｌ：ｗｐｆｅｎｇ＠１６３．ｃｏｍ
万方数据
万方数据
万方数据
・３７２０・
计算机工程与设计
２０１３年
作业管理｝・—一时钟同步
０
ＭＰＩ
３ｌ
ｌ预处理Ｉｌ预处理ｌ
●ｔ
ｌ资料同化Ｉｌ资料同化ｌ
善
善
Ｉ主模式Ｉｌ主模式ｌ
ｔ
●
ｌ后期处理ｌ
Ｉ后期处理Ｉ
服务器服务器
图３数值预报系统组成
２．２．２精细化预报
本系统充分考虑了地域差异，针对各地的地形和地表
特征，各个区域数值预报系统采用优化的计算模式和输入
参数，提高预报准确度。同时将当地气象台的地面观探测
资料和天气雷达资料经变分同化后输入预报模式参与计算，
进一步提高模式分辨率。
有些保障任务涉及的空域很大，跨域多个保障区域，
所需的数值预报产品应由多个区域预报产品融合而成。用
户定制信息时要指出需要哪些区域和气象台的原始气象资
料和数值预报产品，需求分解模块要向多个区域气象中心
服务器发送数据访问请求或起报计算请求。
２．２．３时钟同步
本系统各区域数值预报系统定期滚动起报，每隔一段
时间都要采用最新观探测资料、天气雷达资料和卫星云图
资料进行模式计算。为协调不同服务器上的数据一致性，
罕
垫
ｌ幸
将数据放入处理队列
二二二］二二
将数据放人转发队列
我们在各数值预报系统上部署了时钟同步软件，保持全系
统时钟统一。
２．３气象资料按需分发
由于气象保障工作的特点，任务开始之前需要收集任
务相关机场的地面观探测资料、天气雷达资料、卫星云图
资料和数值预报产品。任务开始之后还要持续收集地面观
探测资料、天气雷达资料等对任务相关空域的天气
在任务保障过程中会自动发送给用户。定制分发
为了实现网络内的定制分发，系统内采用了特殊的通
信协议，在协议报头中规定了“信息类型”、“信息源地址”
目的地地址）。
系统收集或生成的所有资料都会发送给气象通信网关，
气象通信网关收到一份资料后，从网络协议报头中提取
的流程图如图４所示。
（ｂ）处理线程流程
图４定制分发网关的流程
蓍一
万方数据
万方数据
基于云计算模型的气象信息服务系统研究
作者：王攀峰， 张涛， WANG Pan-feng， ZHANG Tao
作者单位：北京航空气象研究所,北京,100085
刊名：
计算机工程与设计
英文刊名：Computer Engineering and Design
年，卷(期)：2013,34(10)
本文链接：http://d.wanfangdata.com.cn/Periodical_jsjgcysj201310068.aspx