博客
围绕 ERA5、德国气象局、光伏与风电功率预测整理的工程化拆解。
想看真实落地效果？查看客户案例 →
气象大数据新能源资源年际变率与长期代表性评估
解读 Pryor 等 2018 年 Wind Energy Science 论文：风资源年际变率到底有多大，行业惯用的 6% 标准差是否高估，配合 Lee 等 27 种变率指标对比与长期代表性方法，并给出运梦气象 API 上 ERA5 多年回测的可运行示例。
气象大数据再分析数据的 CF 规范与 Python 工具链
一篇讲清 CF（Climate and Forecast）元数据规范如何用 standard_name、canonical units、坐标轴与时间编码给再分析数据立"语义合同"，并结合 xarray、cfgrib、netCDF4 工具链，帮风电光伏团队把 NetCDF / GRIB 字段稳稳落到功率预测管线。
气象大数据风电弃风与气象预报：国际经验综述与中国场景
解读 Bird 等在 Renewable and Sustainable Energy Reviews 2016 发表的弃风国际综述：中美德丹等主要市场的弃风率成因，以及如何用德国气象局预报提升日前出力计划精度、结合 ERA5 历史数据优化储能调度降低弃风损失。
气象大数据全球能源预测竞赛 GEFCom2012 — Hong 2014 与预测基准
解读 Hong、Pinson、Fan 在 International Journal of Forecasting 2014 发表的 GEFCom2012 综述：负荷预测与风电预测两大赛道、分层负荷与温度驱动、点预测评分（RMSE），以及竞赛对新能源功率预测方法与基准数据集的推动。
气象大数据风光资源评估实战：ERA5 多年逐时数据做代表年与 P50/P90 发电量估计
用 ERA5 多年逐时数据做风光资源评估：长序列按年切片下载、风速廓线从 10m 外推到 100m 与轮毂高度、辐照换算发电量，以及代表年、年际变率与 P50/P90 的完整工程流程与可运行的运梦气象 API 下载示例。
气象大数据海上风资源的再分析评估方法与实战：从 ERA5 到 NEWA
解读 NEWA 新欧洲风图谱两篇 GMD 论文与 ERA5 海上适用性：ERA5 在高桅杆评测下年均风速偏低约 1.5 m/s、强风段近岸系统性低估，WRF 中尺度降尺度把偏差压到接近零，并给出运梦气象 API 的可运行下载示例。
气象大数据ERA5-Drought 全球干旱指数数据集解读 — ECMWF 官方综述
解读 ECMWF 团队发表于 Nature 旗下 Scientific Data（2025）的 ERA5-Drought：基于 ERA5 构建的 1940 年至今、0.25° 全球干旱指数数据集，含 SPI、SPEI 与确定性 / 集合概率版本，并说明其对风电光伏资源评估、功率预测与历史气象数据使用的意义。
气象大数据ERA5 历史气象数据下载完全指南 — 运梦气象 API 与 cdsapi 官方通道实战对比
从 ERA5 数据集结构、变量字段、时空分辨率讲起，给出运梦气象 API 与 ECMWF CDS cdsapi 两条下载通道的 Python 代码示例与排队/速率/合规对比，帮助新能源算法团队选择更高效的方案。
气象大数据大气边界层高度（PBLH）与风能：ERA5 字段到工程应用
解读 Seibert 等在 Atmospheric Environment 2000 发表的混合层高度综述：探空、声雷达与风廓线雷达等业务方法的比较与不确定性，以及 ERA5 的 PBLH 字段如何指导风资源评估、尾流建模参数化与风机轮毂高度选择。
气象大数据气象数据工程化最容易踩的五个坑：命名、单位、时区、缺测与数组对齐
做新能源功率预测时，气象数据最容易在变量命名、单位换算、时区对齐、缺测处理和 JSON 数组对齐这五处悄悄出错。本文逐一拆解 CF 名 vs GRIB 名、K↔℃、J·m⁻²↔W·m⁻²、timezone 必填等坑，并给出运梦气象 API 可运行示例。
气象大数据集合再分析与不确定性：把误差量化进资源评估
解读 Hersbach 等 QJRMS 2020 ERA5 论文中的不确定性集合（EDA）：10 成员、约 62km、3 小时一档、普遍欠离散。讲清如何把随机误差量化进风电与光伏的资源评估与 P50/P90 决策。
气象大数据风机功率曲线机器学习建模与性能监控
解读 Kusiak 与 Verma 在 IEEE Transactions on Sustainable Energy 2013 的论文：基于 SCADA 数据以风速为输入建立功率、转速、桨距角三条参考曲线，用 k-means 聚类与马氏距离清洗数据，并以 Hotelling T² 控制图监控风机性能退化。
气象大数据CMIP6 × ERA5：从历史校准到未来气候情景
解读 Eyring 等 GMD 2016 CMIP6 实验设计：DECK 四张入场券、1850–2014 历史模拟、SSP 情景与约 50 个建模组的协作框架，并讲清如何用 ERA5 做历史校准、把气候情景接到风电光伏长期评估。
气象大数据风光互补性 — Jurasz 2020 综述与时空匹配评估
解读 Jurasz 等在 Solar Energy 2020 发表的可再生能源互补性综述：风光在时间与空间上的此消彼长如何降低出力波动、常用相关性与互补性度量，以及如何用运梦气象 API 的风光长序列量化站址互补性、优化容量配比。
气象大数据ECMWF 集合预报系统（ENS）在可再生能源中的应用
解读 Buizza 等在 Monthly Weather Review 2005 发表的全球集合预报系统比较论文：ECMWF ENS、加拿大 MSC 与美国 NCEP 的初始扰动方案、集合配置与预报技巧对比，及集合预报在风光功率不确定性量化中的工程价值。
气象大数据ERA5 与站点观测的偏差特征：用前必看的验证
汇总 Olauson 2018 风、Urraca 2018 辐照、Zhao 与 He 2022 气温三项核心验证，讲清 ERA5 相对站点观测的系统偏差量级、复杂地形与近海退化规律，以及在风电光伏功率预测中先订正再用的工程纪律。
气象大数据风电功率概率预测：Pinson 2013 运营挑战综述
解读 Pinson 在 Statistical Science 2013 发表的风电功率预测综述：从点预测到概率预测（分位数回归、预测区间、密度预测）的演进，评分规则 Pinball Loss 与 CRPS，以及集成预报在新能源调度决策中的框架。
气象大数据测风塔与再分析数据融合：MCP 长期订正实战
测风塔短期实测如何外推到代表性长期风况？本文讲解 MCP（测量-相关-预测）方法：以 ERA5 长序列再分析为参考源，把场站几个月的测风订正为多年代表水平，覆盖线性回归、方差比与矩阵法，并附运梦气象 API 取数示例。
气象大数据太阳辐射的变暗与变亮：Wild 2005 与光伏长期产量预估
解读 Wild 等在 Science 2005 发表的全球太阳辐射变暗与变亮论文：气溶胶与云变化驱动地表辐射十年趋势，以及它对光伏典型气象年选取、ERA5 历史辐射序列代表性和长期 AEP 预估系统偏差的工程意义。
气象大数据电力负荷预测里的气象输入与温度敏感度
解读 Hong & Fan 概率负荷预测综述：温度与负荷的非线性关系、HDD/CDD 度日定义、recency 滞后温度效应，并给出在运梦气象 API 用 era5 回测、ger 预报取气温的可运行示例。
气象大数据风电功率预测方法全景 — Foley 2012 综述精读
解读 Foley 等在 Renewable Energy 2012 发表的风电功率预测综述：物理方法、统计方法与混合方法的分野，NWP 作为预测核心驱动、持续法基准与时间尺度划分，并结合运梦气象 API 说明工程落地路径。
气象大数据GHI 分解为 DNI 与 DHI：Erbs 1982 扩散比模型与光伏应用
解读 Erbs、Klein、Duffie 在 Solar Energy 1982 发表的辐射分解经典论文：如何从全球水平辐照 GHI 用晴空指数估算扩散分量 DHI 与直接分量 DNI，以及对 CSP、双面组件与固定倾斜光伏发电量建模的工程意义。
气象大数据极端天气下的风光出力冲击与运行预案：ERA5 复盘 + 德国气象局预警实战
面向新能源算法与运营团队：用运梦气象 API 的 ERA5 历史数据复盘寒潮、台风、连续阴雨、无风小风四类极端事件对风光出力的冲击，用德国气象局预报提前预警，量化发电量与电网偏差并给出可落地的运行预案与 Python 示例。
气象大数据光伏超短期预测：0–4 小时云团外推临近预报
云团外推（云移动矢量）是光伏 0–4 小时临近预报的主力方法。本文核实 Lorenz、Hammer/Kühnert、Logothetis、Straub 等关键文献，解读卫星与全天空成像云外推机制、晴空指数与误差量级，并给出运梦气象 API 上手示例。
气象大数据海上风电场尾流损失：Barthelmie 2009 测量与建模
解读 Barthelmie 等在 Wind Energy 2009 发表的海上风电场尾流论文：Horns Rev 与 Nysted 大型海上风电场实测显示尾流损失 10–20%，并评估 Jensen/Park 等工程尾流模型的精度与大气稳定度对尾流延伸的影响。
气象大数据光伏组件温度损失与辐照-功率建模实战
从辐照到交流功率的物理链路里，组件温度是最容易被低估的一环。本文核实 Faiman、Sandia SAPM 与 pvlib 三篇权威来源，讲清温度系数、NOCT 与组件温度估算，并给出运梦气象 API 取数实战。
气象大数据风切变与威布尔分布：轮毂高度风速外推实战
从 IEC 61400-12-1 标准、幂律/对数律风廓线到 Justus 与 Weibull 的经典模型，讲清楚怎样把 10m/100m 风速外推到真实轮毂高度，并给出在运梦气象 API 上用 ERA5 与德国气象局数据落地外推的可运行示例。
气象大数据典型气象年（TMY）方法 — 从多年序列到一年代表
解读 NREL 的 TMY3 用户手册与 Finkelstein-Schafer 选月方法：典型气象年如何从多年观测中拼出 12 个最具代表性的月份、为何代表典型而非极端，以及如何用运梦气象 API 的 ERA5 长序列自行构建站址 TMY。
气象大数据光伏组件衰减率与长期发电量 — Jordan & Kurtz 2013 分析综述
解读 Jordan 与 Kurtz 在 Progress in Photovoltaics 2013 发表的光伏衰减率综述：同一约 2000 组数据中位约 0.5%/年、均值约 0.8%/年，分布右偏，温度辐照湿热驱动衰减，以及如何用 ERA5 历史序列订正长期发电量预估的系统性偏差。
气象大数据ERA5-Land 估算作物参考蒸散精度评估：西西里 39 站验证论文解读
解读 Ippolito 等 2024 年发表于《Agricultural Water Management》的论文：用西西里 39 个地面站 2006–2015 年实测数据验证 ERA5-Land 参考蒸散 ETo，日尺度 RMSE 约 0.4–1.3 mm/d，并谈再分析数据在风光资源评估中的借鉴价值。
气象大数据分位数映射偏差订正：再分析数据落地必修课
解读 Cannon、Sobie、Murdock 在 Journal of Climate 2015 的分位数映射偏差订正论文，并引 Maraun 2016 综述：讲清 QM、DQM、QDM 的机制与边界，映射到风电光伏功率预测如何用再分析做偏差订正。
气象大数据WRF 动力降尺度：复杂地形风电的气象增强
解读 WRF 模式权威文献（Powers 等 2017 BAMS 与 Skamarock 等 2021 NCAR 技术报告），讲清动力降尺度如何把粗网格再分析细化到复杂地形百米级风场、它的灰区局限，以及如何映射到运梦气象 API 的风电选址与功率预测上手路径。
气象大数据MERRA-2 NASA 再分析全解读 — 运梦 `nasa` 数据源的原始论文
解读 Gelaro 等在 Journal of Climate 2017 发表的 MERRA-2 论文：NASA 第二代全球再分析的同化体系、时空规格与 ERA5 互补关系，以及在风电光伏资源评估中如何选用 nasa 数据源。
气象大数据AI 气象大模型如何落地新能源功率预测
梳理 GraphCast、Pangu-Weather、FourCastNet、FengWu、AIFS 五大 AI 气象模型的核实事实与关键数字，讲清它们如何作为气象输入接入风电光伏功率预测，并给出运梦气象 API 的上手示例与边界限定。
气象大数据欧洲风图集与 WAsP 方法 — 风资源评估的奠基之作
解读 Troen 与 Petersen 1989 年的《欧洲风图集》：奠定了 WAsP 风资源评估方法学——地转拖曳定律、粗糙度变化、地形与障碍物订正、广义风气候，并说明如何用运梦气象 API 的 ERA5 长序列做现代风资源评估的长期参考。
气象大数据FengWu 风乌解读：把中期预报技巧推过 10 天
解读上海人工智能实验室 FengWu（风乌，arXiv 2023）：多模态多任务架构、0.25° 网格、37 层、39 年 ERA5 训练，首次把 z500 有效预报技巧推到 10.75 天，并映射到运梦气象 API 的 ERA5 与德国气象局双数据源落地。
气象大数据风电短期功率预测链路 — 从 100m 风速到出力曲线的工程化拆解
风电短期 (0-72h) 功率预测的完整工程链路：NWP 选型、100m 风速到塔筒高度的高度修正、功率曲线建模、复杂地形动力降尺度、实测同化与机器学习偏差订正。给出常见踩坑与 ROI 排序的优化路径。
气象大数据ECMWF AIFS 解读：业务级数据驱动预报系统
AIFS 是 ECMWF 的数据驱动预报系统（arXiv:2406.01465），确定性版 2025 年 2 月、集合版 7 月相继业务化。本文解读其 GNN+Transformer 架构、ERA5 训练与多项核实数字，及对风电光伏功率预测的意义。
气象大数据FuXi 解读：级联机器学习把全球预报推到 15 天
解读复旦团队 FuXi（npj Climate and Atmospheric Science 2023）：三段级联（短/中/长）U-Transformer、0.25° 网格、39 年 ERA5 训练，15 天预报技巧比肩 ECMWF 集合均值，并映射到运梦气象 API 的 ERA5 与德国气象局双数据源落地。
气象大数据Aurora 解读：大气基础模型与新能源气象应用
Aurora（Nature 2025，Microsoft）是 13 亿参数的地球系统基础模型，预训练超百万小时数据，覆盖天气、空气质量、海浪、台风路径多任务。本文解读其预训练-微调范式与对风电光伏功率预测的意义。
气象大数据光伏功率预测准确率怎么算 — RMSE/MAE/MAPE 与工程样本
从光伏功率预测的物理链路讲起，定义 RMSE/MAE/MAPE/SkillScore 等准确率指标，给出实际项目工程中短期（24h）/ 超短期（4h）/ 中期（72h）三种预测时长的实测基线分布，附 Python 评估代码与自绘的准确率分布图。
气象大数据光伏积灰（Soiling）损失 — Sarver 2013 综述与气象关联
解读 Sarver、Al-Qaraghuli、Kazmerski 在 RSER 2013 发表的灰尘影响综述：积灰如何削减光伏出力、干旱与少雨地区损失更重、降水的自清洁作用，以及如何用运梦气象 API 的降水与气象序列量化积灰风险与清洗排期。
气象大数据NeuralGCM 解读：物理与机器学习混合的气候模式
NeuralGCM（Nature 2024，Google Research）把可微分动力核与神经网络参数化结合，1–15 天预报对标 ECMWF-ENS，气候积分可稳定数十年。本文解读其混合架构、评测口径，及对新能源功率预测与资源评估的意义。
气象大数据FourCastNet 解读：傅里叶神经算子的全球天气预报
FourCastNet（Pathak 等，arXiv 2022，NVIDIA）用自适应傅里叶神经算子在 0.25° 全球网格上做数据驱动预报，一周预报不到 2 秒。本文解读 AFNO 机制、ERA5 训练与对标 IFS 口径，及对风电光伏功率预测的意义。
气象大数据用 ERA5 历史数据回测新能源功率预测模型：walk-forward 实战
把 ERA5 当作训练/检验底座，用 walk-forward 回测新能源功率预测模型，讲清 RMSE/MAE/MAPE/合格率口径、怎样避免数据泄漏，并衔接 ger 预报做在线评估，附运梦气象 API 可运行示例。
气象大数据储能调度遇见气象：用风光功率预测优化充放电与现货套利
面向新能源算法与运营读者，讲清如何用德国气象局短期预报驱动风光功率预测，进而优化储能充放电、削峰填谷与现货套利，并系统拆解预测不确定度如何反过来重塑 SOC 策略与最终收益，文末附运梦气象 API 实战代码。
气象大数据ECMWF-HRES vs GFS — 新能源场景下两个全球预报模式怎么选
ECMWF-HRES 与 NOAA GFS 是两个最常被新能源行业拿来对比的全球数值预报模式。本文从模式分辨率、物理过程、预报技巧、字段完整度、数据访问政策与中国区表现五个维度做技术普及对比，结论是「运梦气象 API 现阶段以德国气象局为主预报源」。
气象大数据电力现货市场的气象账本：用功率预测支撑报量报价与偏差考核
面向新能源现货交易者：拆解系统负荷、节点电价与场站出力背后的天气驱动，讲清报量报价与偏差考核如何与功率预测分布咬合，并用运梦气象 API 的 ERA5 历史规律加德国气象局短期预报，支撑报价决策与天气风险管理闭环。
气象大数据WRF-Solar：面向光伏功率的太阳能专用数值预报
解读 Jimenez 等在 BAMS 2016 发表的 WRF-Solar：首个面向太阳能预测增强的数值天气预报模式，强化气溶胶-辐射-云的相互作用与快速辐射更新，直接输出 GHI/DNI/DHI，并说明它与运梦气象 API 辐射数据的关系。
气象大数据GenCast 论文解读：扩散模型如何把 AI 气象推向概率预报前沿
Nature 2024 的 GenCast 由 Google DeepMind 团队提出，把扩散模型适配到地球球面几何，生成 15 天集合概率预报，并在多数指标上优于 ECMWF ENS。本文解读其方法、数据与结论，并梳理对风电光伏资源评估、功率预测与 ERA5 历史气象数据使用的意义。
气象大数据ERA5 vs MERRA-2 光伏出力系统偏差与长时储能误差传播解读
解读 Applied Energy 2023 年 Mathews 等人的研究：MERRA-2 全球高估光伏出力，会在低往返效率的长时储能链路中放大误差，扭曲充放电与总能量需求；ERA5 更好复现计量发电情景。文末给出运梦气象 API 的 ERA5 字段与 downloadSync 上手思路，帮助选对再分析数据源。
气象大数据WeatherBench 2 解读：AI 气象大模型的统一基准与公平裁判
为 WeatherBench 2（arXiv 2023，JAMES 2024）撰写的中文解读：它如何用 ERA5 真值、统一指标与持续排行榜，为 GraphCast、Pangu-Weather 等 AI 气象大模型与传统 NWP 建立公平基准，并落地风电光伏取数。
气象大数据两个细则准确率考核怎么过：ERA5回测+德国气象局预报降考核电量实战
面向新能源场站，逐条拆解国家两个细则功率预测准确率考核口径、短期与超短期合格率及分段罚款机制，并给出用 ERA5 历史回测做系统偏差订正、用德国气象局预报压低考核电量的可落地方法与运梦气象 API 调用示例。
气象大数据Pangu-Weather 解读：3D 神经网络如何重塑中期全球天气预报
解读华为云 Pangu-Weather（Nature 2023）：3D Earth-Specific Transformer 与分层时间聚合、39 年逐小时 ERA5 训练、约 2.56 亿参数，推理较传统 NWP 提速约一万倍，并映射到运梦气象 API 的 ERA5 与德国气象局双数据源落地。
气象大数据功率预测时效怎么选：超短期、短期、中期的数据源、误差与考核场景
按时效拆解新能源功率预测的方法选型：超短期(≤4h)靠实测外推与爬坡识别，短期(~3天)靠德国气象局(ger)数值预报加实测在线订正，中期(~10天)输出趋势与可信区间，并附运梦气象 API 取数示例。
气象大数据Perez 各向异性转置模型 — 从水平面辐照到组件倾斜面
解读 Perez 等在 Solar Energy 1990 发表的各向异性散射转置模型：如何把水平面辐照（GHI/DHI/DNI）转换为光伏组件倾斜面（POA）辐照，区分环日与地平亮带，精度优于各向同性模型，并说明在运梦气象 API 上的工程落地。
气象大数据GraphCast 解读：图神经网络改写中期天气预报，对新能源的意义
GraphCast（Science 2023，Google DeepMind）以图神经网络在 1 分钟内输出未来 10 天全球预报，多数指标超越 ECMWF-HRES。本文解读其方法、ERA5 训练与评测口径，及对新能源资源评估与功率预测的意义。
气象大数据再分析数据用于风资源评估的不确定性：RSER 2022 权威综述解读
基于 Gualtieri 2022 发表于 RSER 的综述撰写的中文解读：系统验证全球 322 个异质站点，界定 ERA5 在海上与平坦内陆可靠、复杂地形受限，并给出风资源评估与运梦气象 API 上手口径。
气象大数据ERA5-Land 论文解读 — 陆面再分析金标准与新能源数据底座综述
解读 ECMWF 在 ESSD（2021）发表的 ERA5-Land 论文：它对 ERA5 做无耦合陆面重跑，分辨率提升至约 9km、覆盖 1950 年至今逐小时，土壤湿度、积雪、径流、蒸散等要素与站点观测吻合更好。本文梳理论文方法、关键结论及其对风电光伏资源评估与历史气象数据使用的意义。
气象大数据ERA5-Land 长时序光伏模拟是否下一跃迁？2020 论文解读
本文基于已核实事实解读 Ramírez Camargo 与 Schmidt 2020 年发表于 Elsevier 的论文：ERA5-Land 结合 PV_LIB 物理模型生成逐时光伏时序，用智利 57 座电站实测验证并与 MERRA-2 对比，剖析其对新能源建模的意义。
气象大数据全球海上风能资源新基准：ERA5 应用经典论文解读
解读里斯本大学 Soares 等人 2020 年发表于 Environmental Research Letters 的经典论文：如何用 ERA5 再分析在全球各国专属经济区刻画海上风功率密度的年度与季节分布，为海上风电选址与资源量化提供基准，并映射到运梦气象 API 的字段与上手路径。
气象大数据光伏功率预测的气象输入详解：GHI/DNI/DHI 三分量与组件温度修正
从 GHI/DNI/DHI 三分量物理意义讲到 ERA5 的 rsds/dni/dhi 获取、用 tas 做组件温度修正、倾角转置与污渍衰减对出力的影响，并给出运梦气象 API 上可运行的 downloadSync 取数与特征组织实战。
气象大数据太阳位置算法 SPA — Reda & Andreas 2004 与光伏建模
解读 Reda 与 Andreas 在 Solar Energy 2004 发表的太阳位置算法（SPA）：以约 ±0.0003° 精度计算太阳天顶角与方位角，是光伏跟踪、辐射转置与发电量建模不可或缺的几何基础，并说明如何配合运梦气象 API 的辐射字段使用。
气象大数据ERA5 全球再分析奠基论文解读：新能源数据的引用金标准
解读 Hersbach 等 QJRMS 2020 ERA5 奠基论文：31km、137 层、1979 年以来生产系统，并说明当前 CDS 已扩展到 1940 年至今。梳理 4D-Var、规范引用和风电光伏历史气象建模用法。
气象大数据ERA5 完全解读 — 地球 80 年高清气象日记与新能源金标准数据集
一篇读懂 ERA5 再分析数据集：它如何用数据同化把 1940 年至今的全球天气重建成"无缝地图"，0.25° 网格、逐小时、137 层垂直要素，以及在风电光伏资源评估、功率预测与长期气候分析中的实战字段选取。
气象大数据ERA5 能否替代观测驱动模型？北美 3138 流域 HESS 论文解读
解读 2020 年 HESS 顶刊高引论文（被引 535 次）：在北美 3,138 个流域上，将 ERA5 的降水与气温同地面观测及 ERA-Interim 对比并驱动水文模型，看 ERA5 能否替代观测，以及对风电光伏资源评估与功率预测的意义。
气象大数据四源气象数据交叉验证与场景选型：ERA5、DWD、卫星、地面实测实战
面向新能源算法与工程团队，系统对比 ERA5 再分析、德国气象局 DWD 数值预报、卫星反演与地面实测四类气象数据源的时空分辨率、时效与偏差，给出交叉验证方法与按风光场景组合选型策略，并附运梦气象 API 可运行示例。
气象大数据ERA5 太阳辐照精度评估解读 — Urraca 2018 Solar Energy 奠基综述
解读 Urraca 等 2018 年发表于 Solar Energy 的 ERA5 全球水平辐照（GHI）评估论文：用 BSRN 高质量站、欧洲地面站与卫星产品逐日验证 ERA5，证实其偏差较前代再分析明显降低、内陆可媲美卫星，并映射到风电光伏资源评估与功率预测的实战字段选取。
气象大数据数值天气预报的安静革命 — Bauer 2015 Nature 综述
解读 Bauer、Thorpe、Brunet 在 Nature 2015 发表的数值天气预报综述：预报技巧每十年提升约一天、NWP 作为初值问题、资料同化与超算的协同，以及它对新能源功率预测数据底座的意义。
气象大数据ERA5 是风电建模新标杆吗？Olauson 2018 顶刊基准论文解读
结构化解读 Olauson 2018 年发表于 Renewable Energy 的 ERA5 风电建模基准论文：ERA5 对照 MERRA-2 全面胜出，MAE/RMSE 平均约低 20%，对海上与平坦地形尤为可靠，并附运梦气象 API 风资源字段上手指南。