基于CALMET诊断模型的高时空分辨率精细化风场模拟技术应用

在研究流场时,常用观测、模型风洞测试和数值模拟方法进行研究。但时常遇到研究区气象站点分布稀疏,不能代表周边复杂地形的风场。风洞模拟需要对地形进行实景的微缩,但实际过程中可能更关心近地表边界层的风场。风洞模拟一方面费用较高,另一方面风洞模拟近地表风场难度较大。因此,数值模式成为缺资料地区风场模拟的最佳手段。中尺度模式WRF模式,可以利用大涡模拟方法进行高分辨率的模拟,但是在地形复杂的研究区,WRF模式的Sigma地形追踪坐标系会导致数值模式的崩溃。这样地形复杂的研究区,对数值模式有较高的要求:1、能够进行高分辨率的模拟;2、能够稳定运行不受较大地形落差影响。作为诊断模式的CALMET模式能够不受复杂网格缺陷影响,进行过高分辨率模拟。在CALMET运行过程中,有大量的中间步骤(如图1)。这些步骤过于繁琐,可以直接使用计算机语言直接生成所需文件。对于气象数据,站点数据一般较难获得,尤其在偏远地区。在研究中可以使用中尺度数值模式提供CALMET的大气驱动数据。CALMET模式中有1km的全球高程数据和土地利用数据,但土地数据为1992年制作的数据,制作时间比较老,可能不适合中国地区,同时在中国地区有大量的土地利用分类错误。为了能够更好的刻画地表真实的地貌特征,可以使用本地化的数据,如清华大学LUCC 30m数据替换CALMAET模式的原有模式的粗分辨率静态数据。基于上述优化,可以实现CALMET模式在任意地区进行模拟。

教学准备:

1、WRF模式结果    

2、Linux GCC/Intel/PGI    

3、anaconda3 5.0以上    

4、netCDF3.6.3及以上

5、Jupyter notebook或lab

6、Python库需求:

Xarray==0.13.0、netCDF4==1.4.3、pandas、numpy、proj、utm、windrose、rasterio或gdal.

备注:案例数据、代码、讲义会一起发放

一:静态数据制备

使用30m分辨率的遥感数据制作高分辨模拟所需的静态数据

图片

二:calwrf和calmet编译

并利用WRF的模拟结果生成calmet的大气驱动数据

三:运行配置文件编写

针对calwrf和calmet运行配置文件进行编写

四:运行

五:后处理及可视化

5.1处理fortran结果转化为netCDF

l 读取fortran二进制文件

l 提取风场变量

l 添加投影和时间信息

l 生成netCDF文件   

5.2插值

使用临近点插值方法插值格点数据

5.3绘制风玫瑰

将插值的数据利用windrose绘制风玫瑰图

图片

5.4风场绘制

利用模拟的U和V矢量风绘绘制特定高度风场

图片

各群答疑:

更多教程:
生态、农林、遥感篇:

InVEST模型、MAXENT模型、CENTURY 模型、Biome-BGC模型、DICE模型、CASA模型、AquaCrop模型、LEAP模型、BIOMOD2模型、SRP模型、APSIM模型、DSSAT模型、WOFOST模型、PCSE模型、PLUS模型、SWAP、GEE遥感、Meta分析生态、生态环境评价、无人机生态环境监测、无人机遥感在农林信息提取、近地面无人机植被定量遥感、“卫星-无人机-地面”遥感数据、Arcgis基础教程、ArcGIS Pro、激光雷达数据处理、Python语言在地球科学、地球系统模式(CESM)、python深度学习遥感影像地物分类、Fragstats的土地利用景观格局、高光谱遥感数值建模技术、北斗/GNSS高精度数据处理暨GAMIT/GLOBK......等各种生态模型及遥感教程

气象、环境、海洋篇:

高精度气象模式WRF、CMAQ、WRF-CMAQ、WRFDA、WRF/Chem、WRF-Hydro、WRF-UCM、WRF-SOLAR、CAMx的空气质量模拟、CAMX大气臭氧来源解析、MCM箱模型、CMIP6、FLEXPART拉格朗日粒子、大气颗粒物PMF、NCL 数据分析、CLM陆面过程模式、人工智能气象、大气污染扩散模型Calpuff......等各种气象模式教程

水文、地下水、土壤篇:

SWAT模型、HEC-RAS、防洪评价、入河排污口设置论证、SWAMM海绵城市排水防涝、水土流失、洪水灾害普查、滑坡泥石流、HYPE分布式水文模型、Delft3D水动力、FVCOM模型的三维水动力、GMS地下水数值模拟、地面沉降数值模拟、地下水数值模拟软件Visual modflow Flex、地下水环评、Hydrus模型、水土保持方案编制、合成孔径雷达干涉测量InSAR、TOUGH系列软件、HEC-HMS水文模型、山洪径流过程模拟、R+VIC模型、SWAT-MODFLOW地表水与地下水耦合......等各种水文模型教程

各种应用软件篇:

ChatGPT、R语言、Python、MATLAB、Arcgis、结构方程模型、贝叶斯、混合效应模型......等各种软件应用教程

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.xdnf.cn/news/35004.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

手写签名OCR识别-提升文档处理效率

随着数字化办公和智能化管理的普及,企业在日常业务中处理的各类单据和文件数量与日俱增。这些文件不仅包括了繁琐的文字信息,还涉及到重要的签名和印章等手写元素。尤其是在合同、协议、发票、审批单等文档中,手写签名不仅是身份确认的重要标…

Flutter:webview打开网页

官方文档地址 下方代码来自官方文档&#xff0c;先简单记录下如何通过webview打开某个http地址 添加权限&#xff1a;android/app/src/main/AndroidManifest.xml <uses-permission android:name"android.permission.INTERNET"/>pubspec.yaml webview_flutter: …

WPF+LibVLC开发播放器-音量控制和倍速控制

界面 界面上增加音量的控件和倍速控制控件 音量控制 主要也是一个Slider进度条控件来实现音量调节 我们这里设置默认的最大值为100&#xff0c;默认Value值也为100&#xff0c;默认声音开到最大 这里目前完全由前端控制音量调节&#xff0c;可以直接使用ValueChanged事件实…

重生之我在异世界学编程之C语言:初识一维和二维数组篇

大家好&#xff0c;这里是小编的博客频道 小编的博客&#xff1a;就爱学编程 很高兴在CSDN这个大家庭与大家相识&#xff0c;希望能在这里与大家共同进步&#xff0c;共同收获更好的自己&#xff01;&#xff01;&#xff01; 本文目录 引言正文数组的基本类型&#xff1a;一维…

Ubuntu 新加硬盤分區

1. 查看系統是否識別新的硬盤 lsblk 假設硬盤的名字為&#xff1a;sudo fdisk /dev/sda 注意硬盤類型為gpt&#xff0c;大小沒有限制 2. 硬盤分區 sudo fdisk /dev/sda 根據提示&#xff1a; n 新加分區&#xff0c;設置分區大小。 p 查看分區情況以及大小 d: 刪除也…

openGauss开源数据库实战十六

文章目录 任务十六 openGauss逻辑结构:触发器管理任务目标实施步骤一、测试openGauss的触发器1.创建测试表2.创建触发器对应的函数3.创建触发器4.测试触发器 二、触发器的类型1.行级触发器2.语句级触发器3.AFTER触发器和 BEFORE触发器 任务十六 openGauss逻辑结构:触发器管理 …

键值对形式读取值

效果 学习啦&#xff01; 异步请求数据方法&#xff1a; ①async/await <script setup> import { nextTick, onMounted } from vuelet Info {}const loadData async () > {try {const response await fetch(/json/info.json)const data await response.json()data…

Java面向对像编程OOP

&#x1f308;个人主页: Aileen_0v0 &#x1f525;热门专栏: 华为鸿蒙系统学习|计算机网络|数据结构与算法 ​&#x1f4ab;个人格言:“没有罗马,那就自己创造罗马~” 文章目录 OOP总结&#xff1a; 类和对象的说明Java中有无static修饰的方法的使用区别&#xff1a;✅️有stat…

【MARL】MAT论文阅读笔记

文章目录 前言一、如何产生这个想法(TRPO -> ) PPO -> MAPPO -> HAPPO -> MAT 二、多智能体优势值分解定理三、transformer 在MAT的应用四、伪代码简述五、实验效果 前言 正好有节课让我们调研最新的自己的方向的新论文&#xff0c;找到一篇自己觉得比较可行&…

深度学习模型——双塔模型(Two-Tower Model)详解

双塔模型是一种高效、灵活的深度学习模型结构&#xff0c;广泛用于推荐系统和信息检索等场景中。其核心思想是分别为两个实体&#xff08;如用户和物品、查询和文档&#xff09;构建独立的特征表示网络&#xff08;两座塔&#xff09;&#xff0c;并在共享语义空间中通过相似性…

回溯里面的基本概念

1.深度优先遍历和深度优先搜索&#xff08;DFS) 深度优先遍历 主要思路是从图中一个未访问的顶点 V 开始&#xff0c;沿着一条路一直走到底&#xff0c;然后从这条路尽头的节点回退到上一个节点&#xff0c;再从另一条路开始走到底...&#xff0c;不断递归重复此过程&#xff…

LeetCode 热题100(十五)【动态规划】(3)

15.7最长递增子序列&#xff08;中等&#xff09; 题目描述&#xff1a;leetcode链接 300. 最长递增子序列 给你一个整数数组 nums &#xff0c;找到其中最长严格递增子序列的长度。 子序列 是由数组派生而来的序列&#xff0c;删除&#xff08;或不删除&#xff09;数组中的元…

springboot如何集成工作流审批流,流程设计器集成,业务表单和工作流绑定,详细步骤和实际案例参考(源码)

前言 activiti工作流引擎项目&#xff0c;企业erp、oa、hr、crm等企事业办公系统轻松落地&#xff0c;一套完整并且实际运用在多套项目中的案例&#xff0c;满足日常业务流程审批需求。 一、项目形式 springbootvueactiviti集成了activiti在线编辑器&#xff0c;流行的前后端…

02_Node.js模块化

02_Node.js模块化 知识点自测 以下代码运行的结果是多少&#xff1f; const arr [10, 20, 30] const result arr.map(val > val 1).reduce((sum, val) > sum val, 0) console.log(result) A&#xff1a;60 B&#xff1a;63 <details><summary>答案</…

vulnhub kioptirx1.2 超详细wp

探测 nmap --min-rate 10000 -p- 192.168.128.134 最小速率10000 nmap -sT -sV -sC -O 192.168.128.134 web打点 无弱口令 暴露cms寻找exp searchsploit LotusCMS -m 16982 [输入id号和参数m可以直接把东西复制到当前目录] 查看txt里面发现 都是xss没有rce github搜索到一个…

vulnhub靶场之【grotesque】三

前言 靶机&#xff1a;grotesque-3 192.168.1.44 攻击 &#xff1a;kali 192.168.1.16 都是虚拟机环境&#xff0c;桥接模式 主机发现 使用arp-scan -l或者netdiscover -r 192.168.1.1/24搜索 信息收集 使用nmap扫描 防止有遗漏&#xff0c;再扫描全端口 网站信息收集 …

大规模模型部署、推理的工具:Xinference

有没有 Xinference之前&#xff0c;如果想要部署应用一个开源模型&#xff0c;可能会面临以下一些情况和挑战&#xff1a; 自行开发推理框架&#xff1a; 需要投入大量的时间和精力来构建一个可靠且高效的推理框架&#xff0c;包括处理模型加载、资源管理、请求调度等复杂的任务…

C语言选择法排序

C语言编程&#xff0c;用选择法对数组中4个整数按由大到小排序 1、代码如下&#xff1a; #include<stdio.h> #include<math.h> #include<string.h>int main() {void sort(int array[],int n);printf("测试开始\n");int nums[] {2,3,4,1};sort(n…

SpringBoot的validation参数校验

文章目录 前言一、引入validation 依赖二、validation中的注解说明 &#xff08;1&#xff09;Validated&#xff08;2&#xff09;Valid&#xff08;3&#xff09;NotNull&#xff08;4&#xff09;NotBlank&#xff08;5&#xff09;NotEmpty&#xff08;6&#xff09;Patte…

Go的Gin比java的Springboot更加的开箱即用?

前言 隔壁组的云计算零零后女同事&#xff0c;后文简称 云女士 &#xff0c;非说 Go 的 Gin 框架比 Springboot 更加的开箱即用&#xff0c;我心想在 Java 里面 Springboot 已经打遍天下无敌手&#xff0c;这份底蕴岂是 Gin 能比。 但是云女士突出一个执拗&#xff0c;非我要…