Open-Meteo 利用高程模型改进天气预报

天气模型可以为大范围区域计算预报结果，但即使只是获取一个地点的数据也比你想象的要复杂。

详细的地形数据是每个天气模型都需要的重要输入。高程、植被类型或地表反射率会影响天气。由于解决所有数值方程需要巨大的计算能力，天气模型通常以较低的分辨率运行（例如11公里）来计算全球预报。

特别是在山区地形中，这可能会降低预报质量。以瑞士阿尔卑斯山的泽尔马特为例。它位于海拔1603米，周围是4000米的山峰。通过一个9公里的阿尔卑斯山徒步旅行和在山间小屋短暂过夜，你可以到达海拔4478米的马特洪峰。

瑞士泽尔马特与马特洪峰9公里范围内

对于低分辨率的天气模型，泽尔马特和马特洪峰的预报是相同的。如果你穿着短裤和T恤出现在阿尔卑斯山徒步旅行中，你会遇到不愉快的“惊喜”，因为山上的天气可能比山谷中要冷得多，风也更大。

瑞士阿尔卑斯山的泽尔马特（由Andrew Bossi拍摄）

一个低分辨率天气模型的网格单元覆盖11 * 11公里，平均计算这个方块内的高程。在泽尔马特，低分辨率模型的高程是海拔3015米。这与泽尔马特相差1412米！以典型的温度梯度，温度预报将相差9.8°C（1412米 * 0.7°C / 100米）。

分辨率更高的模型，如2公里分辨率，应该做得更好。Open-Meteo 使用的2公里高分辨率模型在泽尔马特的高程为海拔2026米（仅423米差距）。

尽管高分辨率模型接近泽尔马特的1603米高程，但仍有改进的空间。2026米高程的网格单元是最接近的，但第二个最接近的网格单元的高度匹配得更好，为1878米（275米差距）。

泽尔马特叠加在2x2公里网格上

最近的网格单元并不总是为特定位置提供最佳信息。为了稍微提高预报精度，在使用某一点的天气数据前需要评估地形。通常使用第二或第三近的网格单元效果很好。

情况更加复杂的是，高分辨率天气模型只提供2天的预报。2天后，使用中等7公里模型直到5天，然后是低分辨率11公里模型直到7天。对于每个模型，都需要分析地形以找到合适的网格单元。

尽管这个例子相对罕见，但同样的原则也适用于其他位置。

数字高程模型（DEM）

为了自动化网格单元选择和改进天气预报，首先我们需要知道位置的确切地表高程。

在 Open-Meteo API 中，你可以将这个信息作为一个可选参数 &elevation=1603 提供，或让 API 自动使用数字高程模型（DEM）。

DEM 基于卫星和飞机对高程的测量，每个地球上的点都记录了不到4米的误差。欧洲哥白尼计划提供不同空间分辨率的 DEM，分辨率为10米、30米和90米。

瑞士的90米高程模型

在 Open-Meteo 中，只使用了90米分辨率的模型。对于改进天气模型输出，这已经足够了。

调整后的天气预报

有了更详细的高程数据，温度可以相应调整。随着海拔升高，温度下降。这个比率大约是每100米下降0.7°C。

为了调整泽尔马特的温度预报，需要将该镇在1609米的高程与最佳网格单元在1878米的高程差乘以每100米0.7°。结果是：1.9°的温度修正。最佳网格单元显示的原始预报为23.1°C。经过温度梯度修正后为25°C。

泽尔马特的修正天气预报

未经修正的最近网格单元对泽尔马特的预报是20.6°C，而不是25°C。与测量站的快速核对确认：25.2°C。选择最佳网格单元并应用温度梯度修正是有效的！

泽尔马特的未修正预报

诸如温度海拔调整或合并多个天气模型等修正，自动应用于所有 Open-Meteo 预报 API 以及历史天气 API。

高程API

地形信息对许多其他用例也很有趣。虽然使用数字高程模型相对简单，因为它们只有几个G的数据，但有时你只需要几个点的高程。

现在有一个简单的高程 API，你可以免费用于非商业用途。

你甚至可以一次获取多个坐标。从自行车骑行中获取的 GPS 点列表，可以用高程注释来获取高程剖面。或计算滑翔轨迹的地面高度。

新的 Open-Meteo 高程API

90米分辨率应该覆盖大多数情况。如果你有兴趣使用30米分辨率的 DEM 数据，由 Sinergise 管理的 AWS 上的哥白尼 DEM 是一个好资源。