Ignorar Navegação

NOAA Integrated Surface Data (ISD)

Weather ISD NOAA

Dados meteorológicos mundiais por hora e históricos (exemplo: temperatura, precipitação, vento) extraídos da National Oceanic and Atmospheric Administration (NOAA, Administração Oceânica e Atmosférica dos EUA).

O Conjunto de Dados (ISD) Integrated Surface (ISD) é composto por observações meteorológicas à superfície em todo o mundo a partir de mais de 35 000 estações, embora a melhor cobertura espacial seja evidente na América do Norte, na Europa, na Austrália e em zonas da Ásia. Os parâmetros incluídos são: qualidade do ar, pressão atmosférica, temperatura atmosférica/ponto de orvalho, ventos atmosféricos, nuvens, precipitação, ondas do oceano, correntes, entre outros. O ISD refere-se aos dados contidos na base de dados digital, bem como ao formato no qual as observações atmosféricas por hora, resumidas (3 horas) e diárias são armazenadas.

Volume e Retenção

Este conjunto de dados é armazenado no formato Parquet. É atualizado diariamente e contém cerca de 400 milhões de linhas (20 GB) no total à data de 2019.

Este conjunto de dados contém registos históricos acumulados desde 2008 até ao presente. Pode utilizar as definições de parâmetros no nosso SDK para obter os dados num intervalo de tempo específico.

Localização do Armazenamento

Este conjunto de dados é armazenado na região do Azure E.U.A. Leste. A alocação de recursos de computação nos E.U.A. Leste é recomendada por questões de afinidade.

Informações adicionais

Este conjunto de dados é extraído da Base de Dados NOAA Integrated Surface. Estão disponíveis informações adicionais sobre este conjunto de dados aqui e aqui. Se tiver dúvidas sobre a origem de dados, envie um e-mail para .

Avisos

A MICROSOFT DISPONIBILIZA OS CONJUNTOS DE DADOS ABERTOS DO AZURE TAL COMO ESTÃO. A MICROSOFT NÃO FAZ GARANTIAS, EXPRESSAS OU IMPLÍCITAS, NEM CONDIÇÕES RELATIVAMENTE À SUA UTILIZAÇÃO DOS CONJUNTOS DE DADOS. ATÉ AO LIMITE MÁXIMO PERMITIDO PELA LEGISLAÇÃO LOCAL, A MICROSOFT REJEITA QUALQUER RESPONSABILIDADE POR DANOS OU PERDAS, INCLUINDO DIRETOS, CONSEQUENCIAIS, ESPECIAIS, INDIRETOS, INCIDENTAIS OU PUNITIVOS, QUE RESULTEM DA SUA UTILIZAÇÃO DOS CONJUNTOS DE DADOS.

Este conjunto de dados é disponibilizado de acordo com os termos originais em que a Microsoft recebeu os dados de origem. O conjunto de dados pode incluir dados obtidos junto da Microsoft.

Access

Available inWhen to use
Azure Notebooks

Quickly explore the dataset with Jupyter notebooks hosted on Azure or your local machine.

Azure Databricks

Use this when you need the scale of an Azure managed Spark cluster to process the dataset.

Azure Synapse

Use this when you need the scale of an Azure managed Spark cluster to process the dataset.

Preview

usaf wban datetime latitude longitude elevation cloudCoverage stationName countryOrRegion p_k year day version month
789700 11634 2/27/2021 7:59:00 PM 10.583 -61.35 12 null PIARCO INTL AP TD 789700-11634 2021 27 1 2
479710 42402 2/27/2021 2:59:00 PM 27.1 142.183 8 null CHICHIJIMA JA 479710-42402 2021 27 1 2
479310 42204 2/27/2021 2:59:00 PM 26.356 127.768 44 null KADENA AB JA 479310-42204 2021 27 1 2
912320 41418 2/27/2021 1:59:00 PM 15.117 145.717 64 null FRANCISCO C. ADA/SAIPAN INTERNATIONAL ARPT CQ 912320-41418 2021 27 1 2
912180 41414 2/27/2021 1:59:00 PM 13.583 144.917 187 null ANDERSEN AFB AIRPORT GQ 912180-41414 2021 27 1 2
912460 41606 2/27/2021 11:59:00 AM 19.283 166.65 4 null WAKE ISLAND AIRFIELD WQ 912460-41606 2021 27 1 2
934360 00488 2/27/2021 11:59:00 AM -41.327 174.805 12 null WELLINGTON INTL NZ 934360-00488 2021 27 1 2
704540 25704 2/27/2021 9:59:00 AM 51.883 -176.65 6 null ADAK NAS US 704540-25704 2021 27 1 2
912850 21504 2/27/2021 9:59:00 AM 19.721 -155.048 12 null HILO INTERNATIONAL AIRPORT US 912850-21504 2021 27 1 2
911700 22508 2/27/2021 9:59:00 AM 21.487 -158.028 255 null WHEELER ARMY AIRFIELD US 911700-22508 2021 27 1 2
Name Data type Unique Values (sample) Description
cloudCoverage string 8 CLR
OVC

A parte do céu coberta por todas as nuvens visíveis. Valores de cobertura de nuvens:

CLR = Clear skies FEW = Few clouds SCT = Scattered clouds BKN = Broken cloud cover OVC = Overcast OBS = Sky is obscured/can't be estimated POBS = Sky is partially obscured
countryOrRegion string 245 US
CA

O código do país ou região.

datetime timestamp 6,920,272 2018-01-18 12:00:00
2018-02-28 12:00:00

A data/hora em UTC de uma OBSERVAÇÃO-PONTO-GEOGRÁFICO.

day int 31 1
6

O dia da coluna datetime.

elevation double 2,369 5.0
3.0

A elevação de uma OBSERVAÇÃO-PONTO-GEOFÍSICO em relação ao Nível Médio do Mar (NMM).

latitude double 34,854 38.544
31.78

A coordenada da latitude de uma OBSERVAÇÃO-PONTO-GEOFÍSICO, em que o hemisfério sul é negativo.

longitude double 58,179 -86.0
-96.622

A coordenada da longitude de uma OBSERVAÇÃO-PONTO-GEOFÍSICO, em que os valores a oeste de 000000 a 179999 têm sinal negativo.

month int 12 1
12

O mês da coluna datetime.

p_k string 17,415 999999-53131
999999-22016

usaf-wban

pastWeatherIndicator int 11 2
6

Obter indicador meteorológico passado, que mostra o estado do tempo na última hora

0: Cloud covering 1/2 or less of the sky throughout the appropriate period 1: Cloud covering more than 1/2 of the sky during part of the appropriate period and covering 1/2 or less during part of the period 2: Cloud covering more than 1/2 of the sky throughout the appropriate period 3: Sandstorm, duststorm or blowing snow 4: Fog or ice fog or thick haze 5: Drizzle 6: Rain 7: Snow, or rain and snow mixed 8: Shower(s) 9: Thunderstorm(s) with or without precipitation
precipDepth double 5,671 9999.0
3.0

A profunidade de PRECIPITAÇÃO LÍQUIDA medida no momento da observação. UNidades: milímetros. MÍN.: 0000; MAX.: 9998; 9999 = Em falta; FATOR DE DIMENSIONAMENTO: 10.

precipTime double 44 1.0
24.0

A quantidade de tempo ao longo do qual a PRECIPITAÇÃO-LIQUÍDA foi medida. Unidades: Horas. MÍN.: 00; MÁX: 98; 99 = Em falta.

presentWeatherIndicator int 101 10
5

Obter o indicador meteorológico presente, que mostra o estado do tempo na hora atual

00: Cloud development not observed or not observable 01: Clouds generally dissolving or becoming less developed 02: State of sky on the whole unchanged 03: Clouds generally forming or developing 04: Visibility reduced by smoke, e.g. veldt or forest fires, industrial smoke or volcanic ashes 05: Haze 06: Widespread dust in suspension in the air, not raised by wind at or near the station at the time of observation 07: Dust or sand raised by wind at or near the station at the time of observation, but no well-developed dust whirl(s) sand whirl(s), and no duststorm or sandstorm seen or, in the case of ships, blowing spray at the station 08: Well developed dust whirl(s) or sand whirl(s) seen at or near the station during the preceding hour or at the time of observation, but no duststorm or sandstorm 09: Duststorm or sandstorm within sight at the time of observation, or at the station during the preceding hour For more: The section 'MW1' in ftp://ftp.ncdc.noaa.gov/pub/data/noaa/isd-format-document.pdf
seaLvlPressure double 2,214 1015.0
1014.2

A pressão do ar em relação ao Nível Médio do Mar (NMM).

MÍN.: 08600 MÁX.: 10900 UNIDADES: Heptopascal

snowDepth double 652 1.0
3.0

A profundidade de neve e gelo à superfície. MÍN.: 0000 MÁX.: 1200 UNIDADES: centímetros

stationName string 16,677 TUCSON 11 W
PANTHER JUNCTION 2 N

O nome da estação meteorológica.

temperature double 1,467 15.0
13.0

A temperatura do ar. MÍN.: -0932 MÁX.: +0618 UNIDADES: Graus Celsius

usaf string 16,732 999999
062350

Número de estação de CATÁLOGO DA FORÇA AÉREA

version double 1 1.0
wban string 2,556 99999
53131

Número WBAN do NCDC.

windAngle int 362 180
270

O ângulo, medida no sentido dos ponteiros do relógio, entre o norte verdadeiro e a direção na qual o vento sopra. MÍN.: 001 MÁX: 360 UNIDADES: Graus Angulares

windSpeed double 621 2.1
1.5

A taxa do deslocamento horizontal do ar depois de passar um ponto fixo.

MÍN.: 0000 MÁX.: 0900 UNIDADES: metros por segundo

year int 14 2019
2020

O ano da coluna datetime

Select your preferred service:

Azure Notebooks

Azure Databricks

Azure Synapse

Azure Notebooks

Package: Language: Python Python
In [1]:
# This is a package in preview.
from azureml.opendatasets import NoaaIsdWeather

from datetime import datetime
from dateutil.relativedelta import relativedelta


end_date = datetime.today()
start_date = datetime.today() - relativedelta(months=1)

# Get historical weather data in the past month.
isd = NoaaIsdWeather(start_date, end_date)
# Read into Pandas data frame.
isd_df = isd.to_pandas_dataframe()
ActivityStarted, to_pandas_dataframe ActivityStarted, to_pandas_dataframe_in_worker Target paths: ['/year=2019/month=6/'] Looking for parquet files... Reading them into Pandas dataframe... Reading ISDWeather/year=2019/month=6/part-00049-tid-7654660707407597606-ec55d6c6-0d34-4a97-b2c8-d201080c9a98-89240.c000.snappy.parquet under container isdweatherdatacontainer Done. ActivityCompleted: Activity=to_pandas_dataframe_in_worker, HowEnded=Success, Duration=116905.15 [ms] ActivityCompleted: Activity=to_pandas_dataframe, HowEnded=Success, Duration=116907.63 [ms]
In [2]:
isd_df.info()
<class 'pandas.core.frame.DataFrame'> Int64Index: 7790719 entries, 2709 to 11337856 Data columns (total 22 columns): usaf object wban object datetime datetime64[ns] latitude float64 longitude float64 elevation float64 windAngle float64 windSpeed float64 temperature float64 seaLvlPressure float64 cloudCoverage object presentWeatherIndicator float64 pastWeatherIndicator float64 precipTime float64 precipDepth float64 snowDepth float64 stationName object countryOrRegion object p_k object year int32 day int32 version float64 dtypes: datetime64[ns](1), float64(13), int32(2), object(6) memory usage: 1.3+ GB
In [1]:
# Pip install packages
import os, sys

!{sys.executable} -m pip install azure-storage-blob
!{sys.executable} -m pip install pyarrow
!{sys.executable} -m pip install pandas
In [2]:
# Azure storage access info
azure_storage_account_name = "azureopendatastorage"
azure_storage_sas_token = r""
container_name = "isdweatherdatacontainer"
folder_name = "ISDWeather/"
In [3]:
from azure.storage.blob import BlockBlobServicefrom azure.storage.blob import BlobServiceClient, BlobClient, ContainerClient

if azure_storage_account_name is None or azure_storage_sas_token is None:
    raise Exception(
        "Provide your specific name and key for your Azure Storage account--see the Prerequisites section earlier.")

print('Looking for the first parquet under the folder ' +
      folder_name + ' in container "' + container_name + '"...')
container_url = f"https://{azure_storage_account_name}.blob.core.windows.net/"
blob_service_client = BlobServiceClient(
    container_url, azure_storage_sas_token if azure_storage_sas_token else None)

container_client = blob_service_client.get_container_client(container_name)
blobs = container_client.list_blobs(folder_name)
sorted_blobs = sorted(list(blobs), key=lambda e: e.name, reverse=True)
targetBlobName = ''
for blob in sorted_blobs:
    if blob.name.startswith(folder_name) and blob.name.endswith('.parquet'):
        targetBlobName = blob.name
        break

print('Target blob to download: ' + targetBlobName)
_, filename = os.path.split(targetBlobName)
blob_client = container_client.get_blob_client(targetBlobName)
with open(filename, 'wb') as local_file:
    blob_client.download_blob().download_to_stream(local_file)
In [4]:
# Read the parquet file into Pandas data frame
import pandas as pd

print('Reading the parquet file into Pandas data frame')
df = pd.read_parquet(filename)
In [5]:
# you can add your filter at below
print('Loaded as a Pandas data frame: ')
df
In [6]:
 

Azure Databricks

Package: Language: Python Python
In [1]:
# This is a package in preview.
# You need to pip install azureml-opendatasets in Databricks cluster. https://docs.microsoft.com/en-us/azure/data-explorer/connect-from-databricks#install-the-python-library-on-your-azure-databricks-cluster
from azureml.opendatasets import NoaaIsdWeather

from datetime import datetime
from dateutil.relativedelta import relativedelta


end_date = datetime.today()
start_date = datetime.today() - relativedelta(months=1)
isd = NoaaIsdWeather(start_date, end_date)
isd_df = isd.to_spark_dataframe()
ActivityStarted, to_spark_dataframe ActivityStarted, to_spark_dataframe_in_worker ActivityCompleted: Activity=to_spark_dataframe_in_worker, HowEnded=Success, Duration=87171.59 [ms] ActivityCompleted: Activity=to_spark_dataframe, HowEnded=Success, Duration=87176.63 [ms]
In [2]:
display(isd_df.limit(5))
usafwbandatetimelatitudelongitudeelevationwindAnglewindSpeedtemperatureseaLvlPressurecloudCoveragepresentWeatherIndicatorpastWeatherIndicatorprecipTimeprecipDepthsnowDepthstationNamecountryOrRegionp_kyeardayversionmonth
726163547702019-06-30T21:38:00.000+000042.805-72.004317.0null2.617.2nullnull61null1.043.0nullJAFFREY MINI-SLVR RNCH APTUS726163-547702019301.06
726163547702019-06-30T21:52:00.000+000042.805-72.004317.0null1.517.21008.6nullnullnull1.043.0nullJAFFREY MINI-SLVR RNCH APTUS726163-547702019301.06
726163547702019-06-30T22:52:00.000+000042.805-72.004317.0null2.118.91008.8CLRnullnull1.00.0nullJAFFREY MINI-SLVR RNCH APTUS726163-547702019301.06
726163547702019-06-30T23:52:00.000+000042.805-72.004317.0null1.518.31009.1FEWnullnull6.094.0nullJAFFREY MINI-SLVR RNCH APTUS726163-547702019301.06
703260255032019-06-15T07:54:00.000+000058.683-156.65615.0704.110.01005.6null61null1.00.0nullKING SALMON AIRPORTUS703260-255032019151.06
In [1]:
# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "isdweatherdatacontainer"
blob_relative_path = "ISDWeather/"
blob_sas_token = r""
In [2]:
# Allow SPARK to read from Blob remotely
wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name, blob_relative_path)
spark.conf.set(
  'fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name),
  blob_sas_token)
print('Remote blob path: ' + wasbs_path)
In [3]:
# SPARK read parquet, note that it won't load any data yet by now
df = spark.read.parquet(wasbs_path)
print('Register the DataFrame as a SQL temporary view: source')
df.createOrReplaceTempView('source')
In [4]:
# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

Azure Synapse

Package: Language: Python Python
In [25]:
# This is a package in preview.
from azureml.opendatasets import NoaaIsdWeather

from datetime import datetime
from dateutil.relativedelta import relativedelta


end_date = datetime.today()
start_date = datetime.today() - relativedelta(months=1)
isd = NoaaIsdWeather(start_date, end_date)
isd_df = isd.to_spark_dataframe()
In [26]:
# Display top 5 rows
display(isd_df.limit(5))
Out[26]:
In [1]:
# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "isdweatherdatacontainer"
blob_relative_path = "ISDWeather/"
blob_sas_token = r""
In [2]:
# Allow SPARK to read from Blob remotely
wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name, blob_relative_path)
spark.conf.set(
  'fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name),
  blob_sas_token)
print('Remote blob path: ' + wasbs_path)
In [3]:
# SPARK read parquet, note that it won't load any data yet by now
df = spark.read.parquet(wasbs_path)
print('Register the DataFrame as a SQL temporary view: source')
df.createOrReplaceTempView('source')
In [4]:
# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

Urban Heat Islands

From the Urban Innovation Initiative at Microsoft Research, data processing and analytics scripts for hourly NOAA weather station data that produce daily urban heat island indices for hundreds of U.S. cities, January 1, 2008 - present, including automated daily updating. Urban heat island effects are then examined over time and across cities, as well as aligned with population density.