Assimilating X- and S-band Radar Data for a Heavy Precipitation Event in Italy
2017年9月9日至10日夜间,与强降水事件相关的多次山洪暴发影响了意大利托斯卡纳的利沃诺镇。两小时内累积降水量超过200毫米,重现期超过200年,导致利沃诺市所有最大的河流淹没了该镇的几个地区。我们使用有限区域天气研究和预报(WRF)模型,在对流允许的设置,重建极端事件导致山洪暴发。我们评估了可能的预报改进出现的同化当地地面站和X-和S-波段雷达数据到WRF,使用的配置操作在托斯卡纳地区的气象中心(LaMMA)在事件发生时。通过一种旨在消除降水预报的定位和强度误差的创新方法,对照气象站的观测结果对模拟进行了验证。通过提供更准确的描述的低层流动和更好的评估大气水汽,结果表明,同化雷达数据改进了定量降水预报。
2021-04-29 physics.ao-ph
Deep-Learning-Based Precipitation Nowcasting with Ground Weather Station Data and Radar Data
Korea Advanced Institute of Science and Technology(韩国科学技术院);Kim Jaechul Graduate School of AI(金在哲人工智能研究生院)
最近,许多深度学习技术已被应用于各种与天气相关的预测任务,包括降水临近预报(即,预测不久的将来的降水水平和地点)。然而,大多数现有的基于深度学习的降水临近预报方法只考虑雷达和/或卫星图像作为输入,从地理位置稀疏的地面气象站收集的气象观测数据相对较少。在本文中,我们提出了ASOC,一种新的细心的方法,有效地利用地面气象观测多个气象站。ASOC旨在捕获观测的时间动态以及它们之间的上下文关系。ASOC很容易与现有的基于图像的降水临近预报模型相结合,而无需改变它们的架构。我们发现,这种组合提高了平均临界成功指数(CSI)预测大雨(至少10毫米/小时)和小雨(至少1毫米/小时)事件在1-6小时的前置时间由5.7%,与原始的基于图像的模型相比,使用雷达图像和地面从2014年到2020年收集的韩国各地的观测。
2022-10-20 cs.AI cs.CV cs.LG
Wind LiDAR measurement campaign at CESAR Observatory in Cabauw: preliminary results
最近,荷兰皇家气象研究所(KNMI)在荷兰Cabauw的CESAR天文台(Cabauw大气研究实验场)开始了为期两年的ZephIR~300垂直剖面风激光雷达验证活动。在本文中,我们提出了这项运动的前六个月的初步结果(2018年2月14日至7月31日),重点关注ZephIR~300在各种气象条件下的数据可用性(取决于高度)(降水强度,云底高度和能见度),并通过与213米高的气象桅杆上几个层次的现场风测量结果进行比较,来评估数据质量。
2018-10-03 physics.ao-ph
On the Importance of PWV in Detecting Precipitation
随着绕地球轨道运行的地球同步卫星数量的迅速增加,人们对利用全球定位系统(GPS)来了解地球大气层中的一些现象重新产生了兴趣。这种利用全球定位系统装置的研究在遥感界很受欢迎,因为它们在可扩展性和应用范围方面具有若干优点。在本文中,我们讨论如何利用GPS信号来估计大气中的水蒸气的量。此外,我们证明了这种可降水水蒸气(PWV)在大气中的降雨探测任务的重要性。我们提出了一个详细的分析,在我们的数据集的气象数据3年。测试数据集表明,使用PWV在降雨检测有助于减少近12%的误报率。
2018-04-19 physics.ao-ph
How Effective Are Time-Series Models for Precipitation Nowcasting? A Comprehensive Benchmark for GNSS-based Precipitation Nowcasting
Sanya Science and Education Innovation Park, Wuhan University of Technology(武汉理工大学三亚科技创新园);Wuhan University of Technology(武汉理工大学);School of Computer Science and Artificial Intelligence, Wuhan University of Technology(武汉理工大学计算机科学与人工智能学院);Interdisciplinary Artificial Intelligence Research Institute, Wuhan College(武汉学院交叉人工智能研究院);Shanghai Artificial Intelligence Laboratory, Shanghai(上海人工智能实验室);School of Earth and Space Science and Technology, Wuhan University(武汉大学地球空间科学与技术学院);School of Water Resources and Hydropower Engineering, Wuhan University(武汉大学水利水电学院);GNSS Research Center, Wuhan University(武汉大学GNSS研究中心)
针对降水临近预报的复杂挑战,提出基于GNSS数据的综合基准RainfallBench,评估17种主流模型,并设计即插即用模块BFPF以缓解零膨胀和时间衰减问题,显著提升预测性能。
2025-11-04 cs.AI cs.LG physics.ao-ph
Improvements to the post-processing of weather forecasts using machine learning and feature selection
Graduate School of Marine Science and Technology, Tokyo University of Marine Science and Technology(东京海洋科学与技术大学海洋科学与技术研究生院)
本文通过日本气象厅提供的MSM数据集,利用LightGBM模型和特征选择方法改进降水、温度和风速预测,发现其RMSE低于传统神经网络基线和原始MSM预报,同时引入Tweedie损失函数和事件加权训练策略提升降水预测性能。
2026-04-21 cs.LG physics.ao-ph
Quantification of historical drought conditions over different climatic zones of Nigeria
干旱和洪水等极端气候对尼日利亚的农业、旅游业、移民与和平的影响是巨大的。有必要研究趋势和统计数据,以便更好地规划、筹备和调整。在这项研究中,气候指数的统计和时间变化的标准化降水指数(SPI)和标准化降水蒸散指数(SPEI)的计算十八(18)站覆盖四个气候带(萨赫勒,中部,几内亚萨凡纳和沿海)的热带尼日利亚。从尼日利亚气象局档案中获得的1980 - 2010年的降水量,最低和最高温度用于计算1-,3- 6-和12个月时间尺度的SPI和SPEI指数。干旱指数的时间变化表明,干旱在6个月和12个月的时间尺度上更为突出。SPI和SPEI被发现在较长的时间尺度比短的时间尺度更好地相关。整个区域主要的小的、积极的和显著的趋势表明,由于气候变化,有一种增加的趋势。
2019-03-19 physics.ao-ph
Exploring Multimodal AI Reasoning for Meteorological Forecasting from Skew-T Diagrams
Korea Meteorological Administration(韩国气象厅);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Chungnam National University(忠南大学);AIPIM
本文提出一个轻量级多模态AI助手,通过课程学习和思维链推理解读Skew-T图以估计降水概率,其性能可比肩业务NWP模型,且计算高效、可解释性强。
2025-08-17 cs.AI cs.LG physics.ao-ph
GA-SmaAt-GNet: Generative Adversarial Small Attention GNet for Extreme Precipitation Nowcasting
Utrecht University(乌得勒支大学)
针对极端降水预报难题,提出新型生成对抗框架GA-SmaAt-GNet,通过结合SmaAt-GNet生成器与注意力增强判别器提升预测精度,在荷兰真实数据上表现优异,并利用不确定性分析与Grad-CAM提供深入解释。
2024-05-29 cs.LG physics.ao-ph
RainBench: Towards Global Precipitation Forecasting from Satellite Imagery
University of Oxford(牛津大学);Inria(法国国家信息与自动化研究所);University College London(伦敦大学学院);University of Warsaw(华沙大学)
极端降水事件,如暴雨和冰雹,经常破坏发展中国家的经济和生计。气候变化使这一问题更加突出。数据驱动的深度学习方法可以扩大对准确的多日预报的访问,以减轻此类事件的影响。然而,目前还没有专门用于研究全球降水预测的基准数据集。在本文中,我们介绍了\textbf{RainBench},一个新的多模态基准数据集的数据驱动的降水预测。它包括模拟卫星数据、来自ERA 5再分析产品的精选相关气象数据以及IMERG降水数据。我们还发布了\textbf{PyRain},这是一个高效处理大型降水数据集的库。我们提出了一个广泛的分析,我们的新的数据集,并建立基准的中期降水预报任务的结果。最后,我们讨论了现有的数据驱动的天气预报方法,并建议未来的研究途径。
2020-12-17 cs.AI cs.LG physics.ao-ph
An empirical, Bayesian approach to modelling the impact of weather on crop yield: maize in the US
我们应用经验,数据驱动的方法来描述作物产量的函数,每月的温度和降水量采用生成概率模型,通过贝叶斯推断确定的参数。我们的方法适用于1981年至2014年美国玉米带的州规模玉米产量和气象数据作为范例,但很容易转移到其他作物,地点和空间尺度。一些模型的实验表明,玉米的生长速度可以通过一个二维的高斯函数的温度和降水量与每月的贡献积累在生长期间。这种方法考虑到了个体气象变量的非线性增长响应,并允许它们之间的相互作用。我们的模型正确地识别出温度和降水对收获前六个月的产量影响最大,与美国玉米的典型生长季节(4月至9月)一致。最大的增长率发生在月平均温度18-19 $^\circ$ C,对应的每日最高温度为24-25 $^\circ$ C(与以前的工作广泛的协议)和月总降水量115毫米。我们的方法还提供了一个自洽的方式调查气候变化对当前美国玉米品种的影响,在没有适应措施。保持降水量和种植面积不变,相对于1981-2014年,温度升高$2^\circ$ C,导致平均产量下降8%,而产量方差增加约3倍。因此,我们提供了一个灵活的,数据驱动的框架,探索自然气候变率和气候变化对全球重要作物的影响,根据他们观察到的行为。与其他方法一起,这可以帮助制定适应战略,确保气候变化下的粮食安全。
2020-01-08 physics.ao-ph physics.data-an
Update hydrological states or meteorological forcings? Comparing data assimilation methods for differentiable hydrologic models
The Pennsylvania State University(宾夕法尼亚州立大学)
本研究比较了可微分水文模型的数据同化方法,开发了变分同化方案,通过同时调整降水和内部状态,将提前一天预报的NSE从0.75提升至0.82,且无需训练数据,适用于河网。
2025-02-23 cs.LG physics.ao-ph physics.flu-dyn
On the modern deep learning approaches for precipitation downscaling
Indian Institute of Tropical Meteorology(印度热带气象研究所);Indian Institute of Science Education and Research(印度科学教育与研究学院);Indian Meteorological Department(印度气象局);CIRES(环境科学合作研究所);University of Colorado Boulder(科罗拉多大学博尔德分校);NOAA/Physical Sciences Laboratory(美国国家海洋和大气管理局物理科学实验室);Center for Atmospheric and Ocean Sciences, Indian Institute of Science(印度科学学院大气与海洋科学中心)
基于深度学习(DL)的降尺度方法近年来已成为地球科学领域的一种流行工具。越来越多地采用不同的DL方法来缩小粗糙的降水数据,并在局部(~几公里甚至更小)尺度上产生更准确和可靠的估计。尽管有几项研究采用了降水的动态或统计降尺度,但其准确性受到地面实况可用性的限制。衡量这种方法准确性的一个关键挑战是将缩小尺度的数据与点尺度观测进行比较,而点尺度观测在如此小的尺度上往往无法获得。在这项工作中,我们进行了基于DL的降尺度估计当地降水数据从印度气象局(IMD),这是通过近似的值从站的位置到一个网格点。为了测试不同DL方法的有效性,我们采用了四种不同的降尺度方法并评估了它们的性能。所考虑的方法是(i)深度统计降尺度(DeepSD),增强卷积长短期记忆(ConvLSTM),全卷积网络(U-NET)和超分辨率生成对抗网络(SR-GAN)。一个自定义的VGG网络,在SR-GAN中使用,在这项工作中使用降水数据开发。结果表明,SR-GAN是降水数据降尺度的最佳方法。降尺度数据与IMD站的降水值进行了验证。这种DL方法提供了一个有前途的替代统计降尺度。
2022-07-02 cs.LG physics.ao-ph
Using Long Short-term Memory (LSTM) to merge precipitation data over mountainous area in Sierra Nevada
University of Oklahoma(俄克拉荷马大学)
本研究采用LSTM模型在小时尺度上融合雷达与卫星IMERG降水产品,发现其虽低估了雨量计观测值,但有效捕捉了时间趋势且优于MRMS,表明需结合偏差校正与额外气象数据以提升可靠性。
2024-04-19 cs.AI cs.LG physics.ao-ph
Characterization of precipitation-induced radon progeny deposition events using a city-scale sensor network
Williams College(威廉姆斯学院);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);Argonne National Laboratory(阿贡国家实验室)
研究利用城市传感器网络分析降水诱导的放射性后代沉积事件,发现降水与氡相关特征的幂律关系,并提出三种降水事件分类以优化放射学异常检测。
2025-11-09 physics.ao-ph physics.geo-ph
Assessment of global warming in Al Buraimi, sultanate of Oman based on statistical analysis of NASA POWER data over 39 years, and testing the reliability of NASA POWER against meteorological measurements
我们对地面以上2米处的气温及其范围的历史数据进行了一些统计分析方法,这些数据由NASA的数据库POWER报告,该数据库代表全球能源预测。分析点是位于阿曼苏丹国西北部的Al Buraimi Governate的Buraimi大学,靠近与阿拉伯联合酋长国(阿联酋)的边界。数据的形式是一年中每天的值。分析的数据涵盖了从1981年1月3日(最早可用日期)到2019年12月31日(最晚可用年底)的时间段。统计分析方法包括:简单线性回归,F检验:方差双样本,方差分析(ANOVA):单因素,t检验:两样本假设等方差(合并)。结果表明,当地2米空气温度的平均值从1980年的估计值27.4 °C开始,以每年约0.039 °C的速度上升。对于2米空气温度的标准差及其范围的平均值和标准差;虽然线性回归分析表明随时间下降,但回归系数不显著。另一方面,对1981、1985、1990、1995、2000、2005、2010、2015、2019年9年的方差分析表明,它们之间总体上存在统计差异,对于2米气温及其范围。在这项工作的第二部分中,NASA POWER数据的地面以上2米处的空气温度,大气压力,地面以上2米处的相对湿度和每日降水量与位于阿曼苏丹国东北部Al Dakhiliyah省的Manah气象站记录的传感器测量值进行了比较,2011年,2012年,2015年,和2016年。
2022-09-09 physics.ao-ph
A two-year intercomparison of CW focusing wind lidar and tall mast wind measurements at Cabauw
荷兰皇家气象研究所(KNMI)在Cabauw站点对ZephIR 300垂直剖面连续波(CW)聚焦激光雷达进行了为期两年的测量活动。我们专注于(高度相关)的数据可用性的风激光雷达在各种气象条件下的数据质量,通过比较与现场风测量在几个级别的213米高的气象桅杆。我们发现质量控制的风激光雷达数据的总体可用性为97%至98%,其中缺失的部分主要是由于超过1 mm/h的降水事件或100 m以下的雾或低云。水平风速的平均偏差在0.1 m/s以内,桅杆测风激光雷达测量值与测风激光雷达测量值之间具有高度相关性,尽管在某些特定条件下(非常高的风速、雾或低云)观察到较大的偏差。风向的平均偏差在2度以内,这与风激光雷达和桅杆风向标的对准中的组合不确定性处于相同的量级。这种类型的仪器的风向输出中的众所周知的180度误差发生在大约9%的时间。采用了基于10 m高度辅助风向标数据的修正方案,使180度误差减小到2%以下。该方案可以应用于实时应用中,如果附近的,自由暴露的,桅杆与风向测量在一个单一的高度。
2021-05-25 physics.ao-ph
Benchmark Dataset for Precipitation Forecasting by Post-Processing the Numerical Weather Prediction
KAIST AI(韩国科学技术院人工智能学院)
降水预报是一项重要的科学挑战,对社会有着广泛的影响。从历史上看,这一挑战一直是使用基于物理模拟的数值天气预报(NWP)模型来解决的。最近,许多工作提出了一种替代方法,使用端到端深度学习(DL)模型来取代基于物理的NWP模型。虽然这些DL方法显示出改进的性能和计算效率,但它们在长期预测中表现出局限性,并且缺乏可解释性。在这项工作中,我们提出了一个混合NWP-DL工作流程,以填补独立NWP和DL方法之间的差距。在此工作流程下,NWP模型的输出被输入深度神经网络,该网络对数据进行后处理,以产生精细的降水预测。使用自动气象站(AWS)观测值作为地面实况标签,在监督下训练深度模型。这可以实现两全其美,甚至可以受益于未来NWP技术的改进。为了促进这一方向的研究,我们提出了一个新的数据集集中在朝鲜半岛,称为KoMet(韩国气象数据集),NWP输出和AWS观测组成。对于NWP模式,全球数据同化和预报系统-韩国集成模式(GDAPS-KIM)被利用。我们提供了一套全面的基线方法的分析,旨在解决KoMet的挑战,包括AWS观测的稀疏性和类别不平衡。为了降低进入门槛并鼓励进一步研究,我们还提供了一个广泛的开源Python包,用于数据处理和模型开发。我们的基准数据和代码可在https://github.com/osilab-kaist/KoMet-Benchmark-Dataset上获得。
2022-08-24 cs.LG physics.ao-ph
Climatic Extremes in Brazil: a parallel analysis of Historical Trends and Socioeconomical Impacts
Universidade Federal do Rio Grande do Sul(南里奥格兰德联邦大学);Universidade do Vale do Rio dos Sinos(圣勒波尔多河谷大学)
本研究利用巴西气象局634个气象站数据,分析1961-2020年气温和降水极端事件趋势,并结合S2iD灾害数据库评估近十年人类损失与经济成本,发现干旱造成最大经济损失,风暴对人口影响最大。
2026-06-25 physics.ao-ph physics.data-an physics.geo-ph
Global spatio-temporal downscaling of ERA5 precipitation through generative AI
Institute of Meteorology and Climate Research - Atmospheric Environmental Research (IMK-IFU)(气象与气候研究所——大气环境研究(IMK-IFU));Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Institute of Meteorology and Climate Research - Atmospheric Trace Gases and Remote Sensing (IMK-ASF)(气象与气候研究所——大气痕量气体与遥感(IMK-ASF));University of Augsburg(奥格斯堡大学)
本文提出spateGAN-ERA5,首个基于条件生成对抗网络的全球降水时空降尺度模型,将ERA5从24公里/1小时提升至2公里/10分钟,并验证其跨区域泛化能力,服务于洪水风险评估与气象研究。
2024-11-22 cs.CV cs.LG physics.ao-ph
Thirteen years of Weather Statistics at San Pedro Martir Observatory
我们提供了2007-2019年期间在Sierra San Pedro Mártir国家天文台(OAN-SPM)收集的13年气象站数据的天气统计数据。这些气象站包括测量温度、大气压力、相对湿度、降水和风力状况以及其他气候变量的传感器。白天和夜间气温的中值分别为$10.3^{\circ}$ C和$7.0^{\circ}$ C。相对湿度随季节变化,4月至6月是最干燥的月份,而7月至9月是最潮湿的月份。白天和夜间数据的持续风速中值分别为11和14 km hr $^{-1}$。首选风向为SSW和北。持续的风力在夜间和12月、1月和2月期间更强。我们的数据表明,年平均降雨量为313毫米,其中大部分发生在夏季下午雷暴。
2020-08-06 astro-ph.IM physics.ao-ph
Deep generative model super-resolves spatially correlated multiregional climate data
Toyota Central R&D Labs, Inc.(丰田中央研发实验室株式会社);National Institute for Environmental Studies(国立环境研究所);Center for Climate Change Adaptation(气候变化适应中心)
本文提出物理信息超分辨率生成对抗网络πSRGAN,可在高达五十倍放大下重建多区域气候数据的空间相关性,并验证了用气压场替代降水场的ψSRGAN变体同样有效。
2023-04-15 cond-mat.soft cs.LG physics.ao-ph
Weather regimes and related atmospheric composition at a Pyrenean observatory characterized by hierarchical clustering of a 5-year data set
在世界各地的许多高海拔观测站进行的大气成分测量旨在收集代表自由对流层和洲际尺度的数据。然而,高海拔环境有利于垂直混合和气团在局部或区域尺度上的输送,这对采样气团的组成有潜在影响。混合过程、源-受体路径和大气化学可能在很大程度上取决于当地和区域的天气状况,应具体描述每个台站的特征。南峰(PDM)是一座山顶天文台(海拔2850米)。在比利牛斯山的北边PDM与Centre de Recherches Atmosph{é}riques(CRA)有关联,该中心位于海拔600 m的山麓丘陵地带。PDM东北28公里处。这两个中心组成了比利牛斯大气观测平台(P2 OA)。在PDM和CRA测量的数据相结合,形成了一个5年的23个气象变量的每小时数据集,特别是:温度,湿度,云量,风在几个高度。使用层次聚类对数据集进行分类,目的是将具有相似气象特征的日子分组在一起。为了完成聚类,我们计算了几个诊断工具,以提供更多的信息和研究特定的现象(焚风,降水,大气垂直结构,热驱动的环流)。这一分类产生了六个集群:三个人口密集的集群,对应于最常见的气象条件(分别为晴好天气、混合天气及扰动天气);一个小集群,显示冬季西北风风暴的明显特征;及两个小集群,显示南焚风的特征(南至西南风大尺度气流,与该链背风面温暖干燥的下坡气流有关)。应用于六个集群的诊断工具提供的结果与从23个气象变量中初步得出的结论一致。这在一定程度上验证…
2023-03-10 physics.ao-ph
Detecting cold pools from soundings during EUREC4A
本文开发了一种新的方法来检测热带海洋上空大气探测的冷池,并将其应用于2020年1月至2月在巴巴多斯南部和东部进行的EUREC 4A实地活动的探测数据。所提出的方法利用了冷池中的空气比其上方的空气密度大这一事实,它导致我们将冷池测深定义为混合层高度小于400 m的那些。我们首先测试这个标准,验证其一致性与地面温度和降水在一个现实的高分辨率模拟在热带大西洋西部。将其应用于EUREC4A数据,我们然后确定7%的EUREC4A下投式探空仪和无线电探空仪作为冷池探测。在两个选定的案例研究中,我们发现,冷池探测符合中尺度云弧和温度下降的地面时间序列。整个活动的统计数据进一步描述了冷池在温度、湿度和风廓线方面的特征。在风切变的存在下,我们特别表明,冷池的蔓延是有利的下切,这表明不饱和下沉气流的向下动量输送。这些结果支持了我们的简单方法在不同环境条件下的鲁棒性,并说明了它为冷池及其环境的表征提供的新见解。
2021-04-19 physics.ao-ph
A Sensor-Adaptive Incremental Learning Framework for Artifact Detection in Satellite Precipitation Data
University of Texas at El Paso(德克萨斯大学埃尔帕索分校);Colorado State University(科罗拉多州立大学)
该研究针对卫星降水数据验证缺口,提出传感器自适应增量学习框架,结合预训练计算机视觉模型与少量标注数据检测伪影,在SSMI、SSMIS数据上表现优异且可迭代优化。
2026-09-02 cs.CV physics.ao-ph stat.AP
A Deep Learning Approach to Radar-based QPE
National Taiwan University(台湾大学);Chinese Culture University(中国文化大学);National Science and Technology Center for Disaster Reduction(国家灾害防救科技中心);DataQualia Lab. Co. Ltd.(DataQualia实验室有限公司)
本研究提出基于QPESUMS雷达数据的体到点QPE深度学习框架,通过提取时空特征关联局地降水,在台北45站实验中表现优于传统Z-R方法,尤其在强降雨检测中表现突出。
2024-02-15 cs.LG eess.SP physics.ao-ph
A multi-sensor data-driven methodology for all-sky passive microwave inundation retrieval
提出了一种多传感器贝叶斯被动微波反演算法,用于高时空分辨率的洪水淹没图。该算法利用光学、短红外和微波波段的多个传感器的观测结果,从而可以在几乎全天的条件下对淹没区域的亚像素部分进行检测和测绘。该方法依赖于最近邻搜索和现代稀疏促进反演方法,利用先验数据集的形式,两个联合字典。这些字典包含了国防气象卫星计划(DMSP)F17卫星上的特殊传感器微波成像仪和探测器(SSMIS)以及Aqua和Terra卫星上的中分辨率成像光谱仪(MODIS)的几乎重叠的观测结果。湄公河三角洲的检索算法的评价表明,它是能够捕捉到一个很好的程度,由于局部对流降水的淹没日变化。在较长的时间尺度上,结果表明与地面水位观测的一致性,这表明该方法是正确的捕获洪水季节性模式,以响应区域季风雨。计算出的欧氏距离,秩相关性,以及Copula分位数分析表明,该算法的输出和观测到的水位在每月和每日的时间尺度之间有很好的协议。目前的淹没产品分辨率为12.5公里,每天拍摄两次,但使用相同的算法,利用全球降水任务微波成像仪产品填充的词典,可以实现更高的分辨率(5公里量级,每3小时一次)。
2018-07-10 physics.ao-ph physics.data-an physics.geo-ph