气象数据的大数据应用浅析24.docx

气象数据的大数据应用浅析24.docx

《气象数据的大数据应用浅析24.docx》由会员分享，可在线阅读，更多相关《气象数据的大数据应用浅析24.docx（26页珍藏版）》请在冰豆网上搜索。

气象数据的大数据应用浅析24

气象数据的“大数据应用”浅析24

2021-03-2417:

03:

19 国家气象总局沈文海来源：

CIO时代网

摘要：

 气象数据在〝大数据应用〞浪潮中亟待解决的信息技术问题，是海量气象结构化数据的高效应用。

这是气象数据能否参与〝大数据应用〞的技术基础和前提。

关键词：

 气象数据大数据

    1、引言

   据统计，2020年全球的数据规模为1.8ZB,这些信息将填满575亿个32GB的ipad,以这些ipad做砖石，足能够垒建起两座中国的万里长城。

而到2021年，仅中国当年产生的数据总量就已超过0.8ZB,2倍于2021年，相当于2020年全球的数据总量。

估量到2020年，中国产生的数据总量将是2021年的10倍，超过8.5ZB.【1】而届时全球的数据总量估量将达到40ZB,假如将这些数据全部刻录成蓝光光盘，那么这些光盘的总重量相当于424艘满载荷的尼米兹航空母舰。

   数据量暴增的速度令人瞠目结舌，我们的确已进入〝大数据时代〞.

   专门快地，〝地理大数据〞、〝水利大数据〞、〝环境大数据〞、〝金融大数据〞、〝互联网大数据〞乃至〝气象大数据〞等名词连续显现在有关媒体上。

〝大数据〞逐步成为近来人们谈论最多、摸索最多的技术话题之一。

一些人向往于〝大数据〞可能带来的十分珍稀的高价值信息和宝贵商机，也有许多人困惑于目前所知〝大数据〞的应用范式，以此研判着可能给本行业带来的变化和新的业务契机--气象部门也是如此。

   做为抛砖引玉，笔者拟就如下问题提出自己的看法：

   〔1〕气象数据是否具备〝大数据〞的核心特点？

   〔2〕业界公认的〝大数据应用〞的要紧形状是什么？

   〔3〕〝大数据时代〞背景下气象数据应用中新的价值领域在何处？

需要第一个备哪些必要条件？

   〔4〕气象信息技术领域当务之急需要解决的关键技术问题。

    2、大数据的现实以及气象数据的体量构成

   2.1 大数据的行业分布

   就数据量而言，中国的大数据近期具有如下行业分布特点：

   〔1〕互联网公司

   目前国内的互联网公司，拥有总计约2EB的数据，而其中的互联网三巨头BAT〔XX、阿里巴巴、腾讯〕占有了其中的3/4〔约1.5EB〕。

   〔2〕电信、金融、保险、电力、石化系统

   这些行业及企业数据量分布较为平均，就每个企业〔或运营商、部门〕而言，大致都拥有10PB以上的数据，且年增量都在PB级以上。

总和那么有数百个EB的储备数据和数十EB的年增量。

   〔3〕公共安全、医疗、交通、电子政务领域

   都市：

随着平安都市、聪慧都市等工程的推进，监控摄像头遍布大街小巷。

一个中等规模都市每年视频监控产生的数据约300PB.最保守估量〔含定期循环清除〕，每年能够储存下来的数据在数百PB以上。

   交通：

飞机航班往返一次产生的数据达TB级。

列车、水陆路运输每年产生并储存下来的各种数据视频、文本类数据约达数十PB.

   卫生：

整个医疗卫生行业，一年储存下来的数据可达到数百PB.

   电子政务：

一个聪慧都市的电子政务所产生的数据每季度约达200PB.而调查显示，以后1~2年中国政府部门的数据规模超过100TB的将达到53.3%,有将近三成〔33.3%〕的用户数据规模是10~50TB.

   〔4〕其他，商业销售、制造业、农业、物流和流通等领域

   随着产业互联网的普及，〔线下〕商业销售、制造业、农林牧渔业、〔线下〕餐饮、食品、科研、物流运输等等这些传统行业的数据量将出现迅速增长态势，但目前这些行业数据量尚处于积存期，体量不大，多的达到PB级别，差不多约近百TB甚至数十TB级别。

【2】

   〔5〕气象数据

   气象部门需要永久储存的数据目前约4~5PB,年增量约1PB.

   由此可见，以数据量而言，在整个大数据市场中，新兴的互联网行业巨头BAT,以及电信、金融、保险等行业占据比重较大。

相对而言，气象数据不管总量依旧增量，较这些数据大户至少低3个数量级。

   2.2 大数据的特点

   早在2021年，业界便已就大数据在体积、类型、速度和价值这四个方面的特点达成了共识，即所谓大数据的4V特点：

   Volume〔大体积〕：

体积庞大是大数据的最全然的特点，体积不足够大，任何数据都不能称之为〝大数据〞.一样而言，大数据的起始计量单位至少是PB、EB或ZB级别。

   Variety〔多样性〕：

类型和来源渠道繁多是大数据的第二个特点。

大数据非但体积庞大，而且内容纷杂，数据种类繁多，包括网络日志、音频、视频、图片、地理位置信息等等；这些种类纷杂的数据来源于多种不同的渠道。

多类型的数据对数据的处理能力提出了更高的甚至全新的要求。

   Velocity〔高速度〕：

生成速度快，处理时效要求高，这是大数据区分于传统数据采集、汇聚、处理乃至数据挖掘等方面最显着的特点。

   Value〔价值稀薄〕：

数据价值密度相对较低，这是大数据的第四个特点。

依照业界专家的看法，大数据里蕴藏着的信息无所不包，任何人所需要的任何信息，都能够从大数据里查找到。

只是这些信息隐藏在大数据的汪洋大海之中，寻之如同大海捞针，人们需要研究出类似沙里淘金的方法，才能在有效的时刻内将所需信息查找到。

因此如何通过强大的机器算法更迅速地完成数据的价值〝提纯〞,是大数据时代亟待解决的难题。

因此，还有一些人将对大数据〝Value〞的明白得确定在〝价值丰富〞的层面上；而最早提出〝大数据〞概念及特点的Gartner公司和麦肯锡公司，甚至至今仍坚持特点〝3V〞〔Volume、Variety、Velocity〕论，认为〝Value〞不能作为大数据的特点【3】。

限于篇幅，不予展开讨论。

   需要注意的是，在此〝4V〞〔或〝3V〞〕特点中，〝Volume〞〔体量庞大〕仅仅是成为大数据的必要条件，而非充分条件，如同30mm的日降水，在我国东南沿海地区十分平常，但在西北地区却可算罕见大雨，因此体量大小是相对的。

事实上，大数据概念的提出绝非仅因为数据量的暴增，而且是因为数据已多得用传统方法无法应对或处理，导致人们必须采纳新的方法、新的思路乃至新的理念予以应对。

假如数据量虽大，但却能够处理和掌控，便不能称其为〝大数据〞.因此，〝4V〞关于大数据而言，既是特点，也是考量的四个维度。

   2.3 气象数据的体量种类分布

   气象资料种类较多，就体积而言，其中的地面观测、气象卫星遥感、天气雷达和数值预报产品四类资料占据总量的90%以上，其中：

   地面观测资料：

因二十一世纪以来观测方法从人工观测改进为自动观测，摆脱了人类居住条件限制的制约，台站数由本世纪初的不到3,000个，迅速扩展到目前的40,000多个，观测频度由最初的3小时/次调整到目前的5分钟/次，因而导致资料量呈几何倍数增涨，月增量由最初的约240MB猛增到现在的约2.4TB,增幅约4个数量级。

依照防、减灾以及气象服务的需要，以后扩建打算有可能将台站数连续扩增至70,000到100,000个，观测频度有可能连续加密到1分钟/次；因此以后六年内该类资料总量有可能在现有基础上再行扩增1~2个数量级，由现在的每天数百万条记录增至超过一亿条记录/天。

   天气雷达资料：

按照«天气雷达近期进展规划〔2005-2020〕»以及«气象进展规划〔2020-2021〕»中〝新一代天气雷达建设增补站点布局方案〞,目前在全国已布设约200部不同波长的多普勒天气雷达，并为达到雷达资料全社会共享的目的，已差不多实现7×24小时全天候不间断观测；日增总量约300GB.

   气象卫星资料：

依照«我国气象卫星及其应用进展规划〔2020~2020年〕»，至2020年，我国打算发射11颗气象业务卫星，包括3颗风云二号03批卫星，3颗风云三号上午星、2颗风云三号下午星、1颗降水测量雷达星以及2颗风云四号光学星。

此外还将在2020年前发射2颗气象试验卫星。

【数据量待补充】目前的日增总量约数百GB,以后有可能增加到数TB/日。

   数值预报产品：

与地面观测、气象卫星和天气雷达等气象观探测资料不同，气象数值预报模式资料属于气象观探测资料的加工产品。

以GRAPS、T639为代表的天气预报模式，以及以BCC_CSM2、DERF2.0为代表的气候推测模式，每天都在实时运行，不断产生着数以万计的各类要素场，以供国家级、省级乃至区域级预报员参考使用，日增量接近TB级。

   在上述四类数据之外，气象资料尚有高空探测、地面农气观测、沙尘暴观测、闪电定位观测、风廓线雷达探测等等许多种，但就体积而言，较上述四类资料至少低一个数量级，难以将其称之为〝大数据〞.

   因此，假如就体积而言，气象资料可将就算得上〝大数据〞,也是因为地面观测、气象卫星、天气雷达和数值模式这四大金刚将气象资料的体积撑大而成的。

    3、〝气象大数据〞的特点分析

    气象数据的体积虽大，却有其专门的特点：

   〔1〕体积虽大但总量可控

   那个地点对地面观测、气象卫星遥感、天气雷达和数值预报产品这四类体量最大的气象数据进行分析：

   地面观测资料数据量剧增的缘故，是站点数的增加和观测频度的大幅加密。

然而，这种台站规模的扩充和观测频次的加密是基于预报和服务需求，通过严格科学论证，有打算有步骤逐步推进的；在观测台站达到一定密度，观测频度足以满足气象业务需求后，台站数可不能无限制连续增加，观测频度更可不能无克制地永久加密下去，因此总量既是可推测的，更是可控的。

   对天气雷达而言，布网工作已差不多完成，雷达总量可不能有成倍数的增加。

而且目前的天气雷达已差不多实现7×24小时全天候不间断观测。

因此天气雷达的资料量〔年增量〕，将稳固相当长一段时刻，而可不能有倍数的增量变化。

   以后数年内，我国还将发射数颗气象卫星，每颗卫星都会产生数百TB级的数据年增量。

为满足气象卫星资料的应用时效，国家卫星气象中心针对每一颗气象卫星，都建有相应专属的地面接收处理系统，已完全实现所有气象卫星遥测遥感资料的实时接收处理。

因此气象卫星数据目前虽以每年数百TB的量级增长，而且规模有可能连续扩大，但却始终处于可控可管和完全可用状态。

   数值预报模式产品资料是各级预报员最重要的预报参考资料，这些产品甫一生成，便即刻送达天气预报、气候推测专家的桌面，供其业务参考使用；同时以满足业务需求的时效，分发至各省级乃至地市级气象部门，供其本地化应用。

因此与气象卫星资料相类似，数值预报产品资料体积虽大，却始终处于可控可管和可用的状态，以后也将始终如此。

   因此，气象资料体积虽大，在量级上算得上〝大数据〞,但却始终处于可控可管可用状态。

   〔2〕种类虽多但内部信息单纯，来源单一

   按照行业标准«气象资料分类与编码»，气象资料分为14大类，计有数百种之多【4】。

该标准差不多涵盖了气象资料的所有内容。

因此就内容而言，气象资料在目前及可预见的以后，超不出该行标所规定的范畴。

数百种的气象资料种类虽多，但每种资料所含信息却十分单纯：

土壤持水量只记载某时某地某规定土壤深度中水份的持有程度，〝云能天〞只记录某时某地的云量云状、能见度以及天气现象等信息。

这与互联网大数据如电子邮件、微信、微博中所包含的社会百态、生老病死、喜怒哀乐、柴米油盐酱醋茶等所有信息有专门大差异。

究其缘故，海量气象数据是由气象探测系统以及数值预报业务系统产生的，来源比较单一；而互联网大数据那么由人来提供的，它来源于人类社会的方方面面和各个角落，是人类活动的实况记录。

   〔3〕价值单一而明确

   气象观探测业务系统只采集那些能够客观反映自然界气象状态的要素，因此气象观探测数据里包含且只包含丰富的气象信息，而以观探测数据为唯独数据和信息来源的气象数值模式，其生成的产品中所包含的信息也只能是局限于以后天气或气候状态的推测。

因此所谓〝气象大数据〞,其自身的直截了当用途只能是气象业务，即：

天气预报、气候推测以及气象服务。

   麦肯锡公司和Gartner公司始终认为：

〝大数据是用传统的架构、传统的技术方法无法解决的数据问题〞【3】；而由上分析可知，气象数据始终处于可管、控、用状态，尽管随着数据体积的不断膨胀，以及原有治理和处理技术架构的陈旧，逐步显现性能下降、时效减慢等现象，但并非没有解决的技术手段。

因此应当说，气象数据是〝大数据〞的组成部分之一，但其自身并不完全具备〝大数据〞的所有特点。

从那个观点考察，以体积硕大为由称气象数据为〝大数据〞十分将就，而且较易产生观念和认知上的纷乱；因为衡量体量大小的标准是在不断变化的。

信息技术的进展突飞猛进，处理及储备能力依摩尔定律，每18个月增加一倍；今天的大体量规模数据，假如不具备超摩尔定律的膨胀能力，数年后便专门有可能萎缩成中等甚至中等以下规模的数据；如此的事例在IT界俯拾皆是。

    4、应用分析展望

   4.1 大数据带来大变革

   «大数据时代»的作者就大数据带给人们思维方面的变革，提出了三个观点：

   〔1〕当数据处理技术已发生翻天覆地变化时，在大数据时代进行抽样分析差不多过时。

人们进行分析的对象已不是抽样数据，而是所有的数据，即：

〝样本=总体〞.

   〔2〕执迷于精确性是信息缺乏时代和模拟时代的产物，只有同意不精确性，我们才能打开一扇从未涉足的世界的窗户。

   〔3〕明白〝是什么〞就够了，不必明白〝什么缘故〞.在大数据时代，我们不必非得明白现象背后的缘故，而是要让数据自己〝发声〞.【5】

   而关于大数据的价值，该书作者认为，〝数据就像一个奇异的钻石矿，当它的首要价值被挖掘后仍能不断给予〞,它目前展现在人们面前仅仅是其总价值的〝冰山一角〞.对此，胡小明先生的明白得是：

尽管一些数据所包蕴的其所属领域的内部规律〔即所谓〝首要价值〞〕已被本领域专家充分挖掘，但假如将这些数据与其它领域数据相链接，却有可能发觉出许多意想不到的相关关系，即所谓〝丰富的未知价值在领域的外部〞.【6】

   因此，数据的价值由〝内部自身〞和〝外部关联〞两部分组成：

内部自身价值是指该数据自身所包含的所有信息对其所属企业和部门业务工作的支撑、以及开拓业务领域的作用；而外部关联价值那么是指该数据与外部企业、领域和行业数据进行深度结合以及具有创意的分析思路和有效的处理方法，从而挖掘出新的、超出所属企业和部门原有业务范畴的、传统思维所意想不到的、具有开创意义的信息，众多企业和行业部门可由此了解并把握用传统思维和方法无法获得的事实，并因此可制造出新的经济和社会价值。

不管是否处于〝大数据时代〞,数据的价值概莫能外。

而所谓〝大数据应用〞,是由于近二十余年来，各行业信息化程度逐步提高，互联网及其丰富的应用逐步渗透到人类社会各个阶层的方方面面，在使得人们的工作和生活更加舒服、方便、快捷和安全的同时，也将社会上各方面信息通过网络〔专门是互联网〕采集并收集治理起来，从而导致社会上数据总量以令人瞠目结舌的速度暴增，而这些暴增起来的数据也逐步出现出与此前数据所不同的性质和特点〔即所谓〝4V〞特点〕。

由于现在的数据具有Variety〔多样性〕的特性，所含信息种类较之此前大大增加，人们有可能通过分析这些信息，获得往常不可能得到的新的知识、推测信息，激发出新的开拓性思维，乃至开创新的业务领域。

   4.2〝大数据应用〞成功案例分析

   〝大数据时代〞相伴着〝大数据应用〞.通过分析众多媒体、专着上所刊载的各个〝大数据应用〞成功案例，不难发觉三个事实：

   〔1〕所分析的数据差不多上企业自身所拥有的

   所有成功案例差不多上企业通过分析自身拥有的数据而产生的。

那个地点既没有谷歌通过分析诸如沃尔玛等跨领域跨行业部门的数据而得到有价值信息的成功案例，也没有阿里巴巴通过分析类似腾讯或XX等同为互联网运营应用的兄弟企业的数据而获益的案例。

不是这些公司没有分析能力，而是对方的数据无法猎取到。

所有成功案例差不多上该企业通过分析本企业所拥有的数据-〝大数据〞-所获得的。

跨行业、跨部门甚至跨企业的数据联合分析应用的成功案例难觅其踪。

因此所有这些成功案例，差不多上数据内部自身价值的被挖掘。

   〔2〕所分析的数据对象中所需要的信息足够丰富

   沃尔玛能够分析出婴儿纸尿布与啤酒销量之间的正相关关系，是因为其数据库中包含所有本系统连锁店中所有商品的销售记录，包括啤酒和婴儿纸尿布。

阿里巴巴企业能够提早半年推测出2020年北美将爆发经济危机，是因为其数据库中详细记录了数年来世界各地与阿里集团的每一笔订单和询单，可从中统计并发觉出其专门变化以及变化的区域分布。

美国中央情报局能够通过对电子邮件的选择探知出几十起针对美国的恐惧突击打算，并提早采取相应措施，是因为恐惧分子使用电子邮件进行通信联络，留下了相关的痕迹。

相反，我国金融行业数据量庞大，但分析师们却绝不可能通过分析金融数据来推测天气和气候，因为金融数据中不包含任何与气象有关的信息；反之亦然。

   因此，大数据应用成功案例中最重要的一点，确实是这些企业所分析的数据对象中包含了可能需要的所有信息，只只是这些信息在整体数据的汪洋大海中十分稀少，需要采取非传统的、被称之为〝大数据〞技术的处理手段、在规定的时效内挖掘出来。

   〔3〕大多是新兴的或信息化时刻不长的企业〔行业〕

   这些成功案例企业或是近十几年来方才崛起的新兴互联网企业〔如：

谷歌、亚马逊、阿里巴巴、腾讯等〕；或是行业历史尽管悠久，但信息化建设历程并不久远〔如：

沃尔玛超市等〕，所拥有信息的内在价值尚未真正有效地挖掘出来。

   由此可知，目前业界众口称道的〝大数据应用〞成功案例，差不多上都属于数据内部自身价值的挖掘和展现，而且数据内部的信息种类十分丰富。

相对而言，数据〝外部关联价值〞的挖掘和展现在业界和社会上尚未成为主流形状。

4.3 气象数据的〝大数据应用〞前景预期

   气象行业是信息化建设较早的行业，气象科学家分析研究气象数据已有近百年的历史。

直到目前，气象数据的核心内容并未发生全然性变化，近年来所增设的新的探测手段〔如气象卫星、天气雷达等〕，其探测信息最终都将反演成温、压、湿、风以及云能天等有限的几个气象要素，以供业务及科研使用。

而这些要素之间的物理关系，早已被动力气象学说明清晰。

已有数十年历史的传统的统计气候业务，正是采纳复杂的统计方法，对气象要素进行时刻、空间分布方面的详尽分析，发觉其中的规律，进而完成气候统计推测的。

因此气象数据中常规探测部分〔如：

地面观测、高空探测等〕关于气象行业而言，其常规的差不多价值〔对天气预报、气候推测以及其它专业气象预报的奉献〕已被充分认识并挖掘。

而其中可能潜藏的反映本领域内天气或气候规律的新的信号，正在由数以千计的气象科学家们分析研究着。

   相对而言，专门规观测资料中的气象卫星和天气雷达资料，与〝大数据应用〞成功案例的特点较相吻合。

以气象卫星数据为例：

尽管气象卫星是用来猎取与气象要素相关的各类信息的，然而在森林草场火灾、船舶航道浮冰分布等方面，气象卫星却同样也能发挥出跨行业的实时监测服务价值。

究其缘故，气象卫星视野的宽敞和搭载探测设备种类的多样化，以及各类仪器设备所获信息之间、卫星数据与其它种类气象资料〔如地面观测数据〕之间综合应用的可能性，占据了绝大比重。

气象卫星每批次〔型号〕所搭载的探测仪器设备都较前批次〔或型号〕有所调整和增加，因此每颗卫星都有可能产生新的遥感产品，除第一应用于气象行业的预定应用外，几乎都含有行业外新的服务应用的可能，从而可使气象部门得以不断扩展新的业务领域。

   天气雷达数据与此类似，限于篇幅，不再展开讨论。

   因此，尽管海量气象数据属于专业感知领域，所含信息量丰富而内容单纯--只包含〔且富含〕与气象有关的信息，同时其内部自身价值中的常规内容已被充分挖掘并应用于气象业务，可能深度蕴藏的内部自身价值正在艰巨地挖掘中〔已属于科学问题〕，但这并不意味着气象数据的内部自身价值已被挖掘殆尽。

气象卫星、天气雷达等专门规遥感遥测数据中包含的信息十分丰富，有可能挖掘出新的应用价值，从而拓展气象行业新的业务领域和服务范畴。

然而这一切，第一需要治理者具有敏捷捕捉行业外服务需求的能力，其次那么需要一支召之即来、来之能战、战之能胜的服务产品研发科技团队，而且需要积极进取和勇于担当的领导素养以及完善的机制配合。

那种小心翼翼、循规蹈矩的行为方式，难以适应服务市场瞬息万变的状态。

   与之相对应，气象数据〝外部关联价值〞的挖掘，那么当显现在其与其它专业领域数据的跨领域跨部门综合分析应用过程中；而这一切的必要条件，确实是行业间数据的高度共享和深度分析应用。

然而，尽管需求十分迫切，呼吁也强烈而持久，但数据的社会共享至今仍是一个世界性难题。

美国政府多年来年以来一再公布政令，要求政府部门在规定期限内将与国家安全无关的数据实现社会共享。

在我国，早在二十一世纪初便由科技部主导的科学数据共享试点工作，十余年来进展并不顺利，行业间的数据并未真正实现共享，气象部门获得某些相关部门的观测数据专门困难，有时不得不从其网站上抓取数据表格，经人工处理后获得表格中的观测数据。

因此，气象数据通过跨行业深度结合而挖掘其外部关联价值的必要环境并非已全部具备。

而假如没有数据的充分社会共享，气象数据的〝大数据应用〞便将始终徘徊在〝内部自身价值〞的挖掘之中。

   需要注意的是，〝大数据应用〞与目前的气象公共服务有所不同：

后者是既定业务数据加工产品的社会推广应用，是气象数据已挖掘出的内部自身价值〔天气预报和气候推测产品〕的充分展现、应用和发挥；前者那么是气象数据〝内部自身〞和〝外部关联〞价值的挖掘。

简言之，前者是价值产品的创新，后者是价值产品的应用。

产品应用需要的是积极灵活的客户经理和及时周到的服务支持，而价值创新，对内部自身而言，需要本行业领导的高素养、科学家的高度专业水准、研发团队的精干高效；关于外部关联价值而言，那么须与其它相关领域原始数据的深度结合，而由于其跨行业以及数据量的浩大，这种深度结合工作所需要的是天才的跨行业创意分析师和有效地处理技术手段。

   因此，不宜将气象预报产品的社会化推广应用简单地冠以〝气象大数据广泛应用〞的名称，因为产品应用与气象数据〝大小〞无关，而如此冠名将易导致概念的纷乱和气象〝大数据应用〞的简单化。

    5信息技术领域需要突破的关键技术以及与〝云〞的关系

    气象数据的广泛应用需要突破的关键技术专门多，其中大部分〔如天气雷达数据拼图等〕属于专业领域的科学问题，需要相应领域科学家们的深入研究。

就信息技术领域而言，海量数据的高效应用是亟需突破的核心技术难题。

   〔1〕关键技术：

海量气象结构化数据的高效应用

   由〝2.3〞分析可知，目前气象数据的产生量庞大，每时每刻如滔滔洪水般汹涌而至，传统的技术架构已无法应对海量气象数据的处理、治理和有效服务，以至于有关业务单位不得不频繁更新设备，用更高档的服务器运行传统的关系型数据库和文件系统，用更高性能的磁盘阵列储备大小不一、数量惊人的数据文件，以及动辄数亿条记录的数据库列表，以期能够苟且满足当前日益严苛的数据处理、储备和检索等业务要求。

这不仅造成了资金方面的白费，更换系统设备过程中无法幸免的系统移植和切换，也给有关业务和用户造成不必要的负面阻碍。

分布式处理和储备等云运算/大数据技术尽管提供了对非结构化数据的规范治理和高效应用技术，但关于以地面观测资料为代表的海量气象结构化数据及其复杂多变、难以