cyeva 是一个由彩云科技天气团队开发的用于对气象要素确定性预报准确率进行快速评测的 Python 开源工具库。

cyeva 将致力于让气象要素确定性预报准确率的自动化评估变得简单直接，将集成常用的确定性预报准确率评估指标，且内部算法广泛使用了numpy的向量运算实现，对于大数据量的计算也具有较高的计算效率。

使用指南

安装

使用pip安装

使用pip安装：

$ pip install cyeva

警告

由于目前项目处于非稳定的beta版本阶段，后续版本更新可能会出现不兼容性修改，因此建议在使用时指定版本号，例如 pip install cyeva==0.1.0b0 ，可供安装的版本号参考：https://pypi.org/project/cyeva/#history

使用源码安装

首先在 版本页面 选择想要安装的版本，解压，进入项目目录然后执行：

$ python setup.py install

使用

下面我们将以示例的方式来介绍 cyeva 的主要功能的用法。

快速开始

cyeva 为气温、风和降水编写了专门的对象用于处理对应要素的相关指标。

对于气温这种连续性变量，我们通常会比较关心它的 RMSE 、 MAE 等指标。在 cyeva 中我们可以参照以下的例子来计算此类指标：

import numpy as np
from cyeva import TemperatureComparison

np.random.seed(0)

obs = np.random.random(100) * 20
fcst = obs + np.random.random(100) * 5 * np.random.choice([1, -1])

temp = TemperatureComparison(obs, fcst, unit='degC')

print('accuracy ration within 1 degC:', temp.calc_diff_accuracy_ratio(limit=1))       # 1度准确率（偏差在1°C以内）
print('accuracy ration within 2 degC:', temp.calc_diff_accuracy_ratio(limit=2))       # 2度准确率（偏差在2°C以内）
print('rss:', temp.calc_rss())                                                        # 剩余平方和
print('rmse:', temp.calc_rmse())                                                       # 均方根误差
print('mae:', temp.calc_mae())                                                         # 平均绝对误差
print('chi square:', temp.calc_chi_square())                                           # 卡方(χ2)

降水的一个特点是它不具有连续性，因此在对其进行准确性评估的时候，除了通用的指标以外，通常会引入一些其他的指标（例如 TS 评分）。此外，降水有明显的分级特点，还需要按照不同级别的做相应的区别，在 cyeva 中我们可以参照以下的例子来计算用于评估降水的指标：

import numpy as np
from cyeva import PrecipitationComparison

np.random.seed(0)

obs = np.random.random(int(1E4)) * 50
fcst = np.random.random(int(1E4)) * 50

precip = PrecipitationComparison(obs, fcst, unit='mm')

print('rss:', precip.calc_rss())                                        # 剩余平方和
print('rmse:', precip.calc_rmse())                                      # 均方根误差
print('mae:', precip.calc_mae())                                        # 平均绝对误差
print('chi square:', precip.calc_chi_square())                          # 卡方(χ2)
print('accuracy ratio:', precip.calc_accuracy_ratio())                  # 准确率(0级)
print('binary accuracy ratio:', precip.calc_binary_accuracy_ratio())    # 准确率(二分/晴雨)
print('false alarm ratio:', precip.calc_false_alarm_ratio())            # 空报率
print('miss ratio:', precip.calc_miss_ratio())                          # 漏报率

print('accuracy ratio:', precip.calc_accuracy_ratio(kind='3h', lev='3'))         # 准确率(3小时间隔3级/大雨)
for inv in ['1h', '3h', '12h', '24h']:                                           # 不同间隔下的准确率
    for lev in range(7):
        lev_str = str(lev)
        levp_str = f'+{lev_str}'
        print(f'accuracy ratio({inv}|{lev_str}):', precip.calc_accuracy_ratio(kind=inv, lev=lev_str))
        if lev > 0:
            print(f'accuracy ratio({inv}|{levp_str}):', precip.calc_accuracy_ratio(kind=inv, lev=levp_str))

print('ts:', precip.calc_ts())              # TS评分（默认为1h晴雨TS）
for inv in ['1h', '3h', '12h', '24h']:      # 不同间隔下的分级TS评分
    for lev in range(7):
        lev_str = str(lev)
        levp_str = f'+{lev_str}'
        print(f'ts({inv}|{lev_str}):', precip.calc_ts(kind=inv, lev=lev_str))
        if lev > 0:
            print(f'ts({inv}|{levp_str}):', precip.calc_ts(kind=inv, lev=levp_str))

print('ets:', precip.calc_ets())            # ETS评分（默认为1h晴雨ETS）
for inv in ['1h', '3h', '12h', '24h']:      # 不同间隔下的分级ETS评分
    for lev in range(7):
        lev_str = str(lev)
        levp_str = f'+{lev_str}'
        print(f'ets({inv}|{lev_str}):', precip.calc_ets(kind=inv, lev=lev_str))
        if lev > 0:
            print(f'ets({inv}|{levp_str}):', precip.calc_ets(kind=inv, lev=levp_str))

print('bias:', precip.calc_bias_score())    # bias评分（默认为1h晴雨bias）
for inv in ['1h', '3h', '12h', '24h']:      # 不同间隔下的分级bias评分
    for lev in range(7):
        lev_str = str(lev)
        levp_str = f'+{lev_str}'
        print(f'bias({inv}|{lev_str}):', precip.calc_bias_score(kind=inv, lev=lev_str))
        if lev > 0:
            print(f'bias({inv}|{levp_str}):', precip.calc_bias_score(kind=inv, lev=levp_str))

对于风这种矢量要素，我们需要同时提供速度和方向信息，因此在实例化对象的时候传入的数据数组会和气温、降水不一样，同时也有一些专门针对于风评估的指标，例如风级偏强率偏弱率等，在 cyeva 中我们可以参照以下的例子来计算用于评估风的指标：

import numpy as np
from cyeva import WindComparison

np.random.seed(0)

obs_spd = np.random.random(100) * 10
obs_dir = np.random.random(100) * 360
fct_spd = np.random.random(100) * 10
fct_dir = np.random.random(100) * 360

wind = WindComparison(obs_spd, fct_spd, obs_dir, fct_dir)

print('difference accuracy ratio within 1 m/s:', wind.calc_diff_accuracy_ratio(limit=1))       # 1m/s准确率（风速偏差在1m/s以内）
print('difference accuracy ratio within 2 m/s:', wind.calc_diff_accuracy_ratio(limit=2))       # 2m/s准确率（风速偏差在2m/s以内）
print('wind speed rss:', wind.calc_rss())                                                      # 剩余平方和（默认为风速）
print('wind direction rss:', wind.calc_rss(kind='direction'))                                  # 剩余平方和（指定为风向）
print('wind speed rmse:', wind.calc_rmse())                                                    # 均方根误差（默认为风速）
print('wind direction rmse:', wind.calc_rmse(kind='direction'))                                # 均方根误差（指定为风向）
print('wind speed mae: ', wind.calc_mae())                                                     # 平均绝对误差（默认为风速）
print('wind direction mae:', wind.calc_mae(kind='direction'))                                  # 平均绝对误差（指定为风向）
print('wind speed chi square:', wind.calc_chi_square())                                        # 卡方(χ2)
print('wind direction chi square:', wind.calc_chi_square(kind='direction'))                    # 卡方(χ2)（指定为风向）
print('wind direction score:', wind.calc_dir_score())                                          # 风向评分
print('wind speed score:', wind.calc_speed_score())                                            # 风速评分
print('wind scale accuracy ratio:', wind.calc_wind_scale_accuracy_ratio())                     # 风级准确率
print('wind speed accuracy ratio within 2m/s:', wind.calc_speed_accuracy_ratio())              # 风速准确率(默认2m/s偏差以内)
print('wind speed accuracy radio within 3m/s:', wind.calc_speed_accuracy_ratio(limit=3))       # 风速准确率(指定3m/s偏差以内)
print('wind scale stronger ratio:', wind.calc_wind_scale_stronger_ratio())                     # 风级偏强率
print('wind scale weaker ratio:', wind.calc_wind_scale_weaker_ratio())                         # 风级偏弱率

算法指标

通用指标

二值准确率

对于二值化的预报要素（例如晴雨），可以通过对预报和真值的匹配程度来统计准确率。

二值准确率是对于预报和真值完全一致的样本计为“预报准确”，然后计算“预报准确”样本数与预报总样本数之间的比值。公式如下：

\[ACC_{b} = \frac{C_{b}}{N} \times 100\%\]

式中:

\(ACC_{b}\)——二值预报准确率。

\(C_{b}\)——预报与真值之间匹配一致的样本个数。

\(N\)——预报的总样本个数。

误差准确率

对于非二值化的预报要素，可以通过误差阈值过滤的方式来定义“准确”与“不准确”，进而再进行准确率的统计计算。

误差准确率是对于误差在允许范围内计为“预报准确”，然后计算“预报准确”样本数与预报总样本数之间的比值。公式如下：

\[ACC_{e} = \frac{C_{e}}{N} \times 100\%\]

式中:

\(ACC_{e}\)——预报与真值之间误差范围在 \(e\) 以内的准确率。

\(C_{e}\)——预报与真值之间误差范围在 \(e\) 以内的样本个数。

\(N\)——预报的总样本个数。

均方根误差（RMSE）

均方根误差是预测值与真实值偏差的平方与观测次数比值的平方根，可用于衡量预测值与真值的偏离程度。公式如下：

\[RMSE = \sqrt{\frac{\sum_{k=1}^n (O_{k} - F_{k})^2}{n}}\]

式中:

\(RMSE\)——均方根误差。

\(O_{k}\)——第 \(k\) 个观测值。

\(F_{k}\)——第 \(k\) 个预报值。

\(n\)——总样本数量

平均绝对误差（MAE）

平均绝对误差MAE是绝对误差的平均值，它其实是更一般形式的误差平均值。公式如下：

\[MAE = \frac{\sum_{k=1}^n |O_{k} - F_{k}|}{n}\]

式中:

\(MAE\)——平均绝对误差。

\(O_{k}\)——第 \(k\) 个观测值。

\(F_{k}\)——第 \(k\) 个预报值。

\(n\)——总样本数量

剩余平方和（RSS）

剩余平方和是统计学术语，也称作残差平方和，是实际值与估计值之差的平方的总和，也就是误差项平方的总和，利用剩余平方和可以很好地表示剩余的总和。公式如下：

\[RSS = \sum_{k=1}^n (O_{k} - F_{k})^2\]

式中:

\(RSS\)——剩余平方和。

\(O_{k}\)——第 \(k\) 个观测值。

\(F_{k}\)——第 \(k\) 个预报值。

卡方（χ2）

降水指标

降水分级规则

对于降水等级的划分，目前行业上有两个国家标准对12小时和24小时的等级判断阈值做了定义：

1. 《中华人民共和国气象行业标准——降水量等级 GB/T 28592——2012》

2. 《中华人民共和国气象行业标准——降雨过程等级 QX/T 489——2019》

具体如下：

等级	12h降水量 (mm)	24h降水量 (mm)
小雨	0.1 ~ 4.9	0.1 ~ 9.9
中雨	5.0 ~ 14.9	10.0 ~ 24.9
大雨	15.0 ~ 29.9	25.0 ~ 49.9
暴雨	30.0 ~ 69.9	50.0 ~ 99.9
大暴雨	70.0 ~ 139.9	100.0 ~ 249.9
特大暴雨	>=140.0	>=250.0

常见的模式预报的预报间隔为1小时和3小时，因此对于1小时和3小时降水等级的划分是非常有必要的，但是对于此类间隔的预报，目前并没有国家标准对其进行明确定义。我们基于实践的经验，对1小时和3小时按以下阈值进行划分：

等级	1h降水量 (mm)	3h降水量 (mm)
小雨	0.1 ~ 1.9	0.1 ~ 2.9
中雨	2.0 ~ 4.9	3.0 ~ 9.9
大雨	5.0 ~ 9.9	10.0 ~ 19.9
暴雨	10.0 ~ 19.9	20.0 ~ 49.9
大暴雨	>=20.0	50.0 ~ 69.9
特大暴雨		>=70.0

综上，在cyeva中，降水等级降遵循以下这张表：

编号	等级	1h降水量 (mm)	3h降水量 (mm)	12h降水量 (mm)	24h降水量 (mm)
0	无雨	<0.1	<0.1	<0.1	<0.1
1	小雨	0.1 ~ 1.9	0.1 ~ 2.9	0.1 ~ 4.9	0.1 ~ 9.9
2	中雨	2.0 ~ 4.9	3.0 ~ 9.9	5.0 ~ 14.9	10.0 ~ 24.9
3	大雨	5.0 ~ 9.9	10.0 ~ 19.9	15.0 ~ 29.9	25.0 ~ 49.9
4	暴雨	10.0 ~ 19.9	20.0 ~ 49.9	30.0 ~ 69.9	50.0 ~ 99.9
5	大暴雨	>=20.0	50.0 ~ 69.9	70.0 ~ 139.9	100.0 ~ 249.9
6	特大暴雨		>=70.0	>=140.0	>=250.0

备注

上表同时收录于 降水等级表

基于上表，我们定义 降水量值落在降水等级表中某个等级上下阈值之内的降水即为对应等级的降水等级 ，各级别之间是互斥的，也就是同一个降水量不会同时属于两个降水等级。

例如：

• 1小时降水量为 0.10 mm，则对应为小雨级别。

• 3小时降水量为 15 mm，则对应为大雨级别。

• 12小时降水量为 120 mm，则对应为大暴雨级别。

• 24小时降水量为 280 mm，则对应为特大暴雨级别。

备注

1小时降水未设置特大暴雨级别

累积降水分级规则

在降水等级的基础上，我们定义累积降水等级为： 降水量值落在降水等级表中某个等级下阈值之上的降水即属于对应等级的累积降水等级 ，各级别之间不是互斥的，也就是同一个降水量可能会同时属于多个降水等级，其阈值参考下表：

编号	等级	1h降水量 (mm)	3h降水量 (mm)	12h降水量 (mm)	24h降水量 (mm)
0	无雨	<0.1	<0.1	<0.1	<0.1
1	小雨	>=0.1	>=0.1	>=0.1	>=0.1
2	中雨	>=2.0	>=3.0	>=5.0	>=10.0
3	大雨	>=5.0	>=10.0	>=15.0	>=25.0
4	暴雨	>=10.0	>=20.0	>=30.0	>=50.0
5	大暴雨	>=20.0	>=50.0	>=70.0	>=100.0
6	特大暴雨		>=70.0	>=140.0	>=250.0

备注

上表同时收录于 累积降水等级表

例如：

• 1小时降水量为 0.10 mm，则对应为小雨级别。

• 3小时降水量为 15 mm，则该次降水量最大达到大雨级别，但同时也达到了小雨和中雨级别的阈值，因此可以认为该降水量同时属于小雨、中雨和大雨。

• 12小时降水量为 120 mm，则该次降水量达到了大暴雨级别，但同时也达到了小雨、中雨、大雨和暴雨级别的阈值，因此可以认为该降水量同时属于小雨、中雨、大雨、暴雨和大暴雨。

• 以此类推

备注

累积降水等级相对于降水等级来说对等级的划分更加宽容，在相同算法下按照累积降水等级计算的评分会更高。

晴雨准确率

晴雨准确率，是指根据一定阈值对降水量进行“晴雨”识别，识别出“晴天”或“雨天”，然后将预报和观测同为“晴天”和同为“雨天”的计为“准确”，二者不一致的计为“不准确”，然后对该结果进行准确率评估的比例值。公式如下：

\[ACC_{rs} = \frac{C_{rs}}{N} \times 100\%\]

式中:

\(ACC_{rs}\)——晴雨预报准确率。

\(C_{rs}\)——晴雨预报与真值之间匹配一致的样本个数。

\(N\)——晴雨预报的总样本个数。

备注

晴雨准确率就是一种有物理意义的 二值准确率 。

降水量误差准确率

降水量误差准确率，是指预报与观测之间的偏差在指定范围内计为“准确”，而偏差超出范围的值计为“不准确”，然后对该结果进行准确率评估的比例值。公示如下：

\[ACC_{re} = \frac{C_{e}}{N} \times 100\%\]

式中:

\(ACC_{re}\)——降水量预报与真值之间误差范围在 \(re\) 以内的准确率。

\(C_{re}\)——降水预报与真值之间误差范围在 \(re\) 以内的样本个数。

\(N\)——降水预报的总样本个数。

备注

降水量误差准确率就是 误差准确率 对降水要素的套用。

晴雨命中率/空报率/漏报率

对于晴雨来说，我们通常会计算命中率、空报率、漏报率等直观的指标来评估预报的准确性，在计算这些指标之前，我们需要先知道 命中 、 空报 、 漏报 和 负正确 的概念。

	观测
预报		是	否	总计
	是	命中	空报	预报“是”
	否	漏报	正确否定	预报“否”
	总计	观测“是”	观测“否”	总计

• 命中（hits） 即为观测和预报都认为 是 （例如预报下雨观测也下雨）的次数；

• 漏报（misses） 即为预报认为 否 而观测得到 是 （例如预报无雨而观测到下雨）的次数；

• 空报（false alarms） 即为预报认为 是 而观测认为 否 （例如预报下雨而观测无雨）的次数。

• 正确否定（correct negatives） 即为预报认为 否 而观测认为 否 （例如预报无雨且观测也无雨）的次数。

命中率

命中率是命中次数与观测为 是 事件次数的比值。公式如下：

\[HR = \frac{hits}{hits + misses} \times 100\%\]

空报率

空报率是空报次数与预报为 是 事件次数的比值。公式如下：

\[FAR = \frac{false\ alarms}{hits + false\ alarms} \times 100\%\]

漏报率

漏报率是命中次数与观测为 是 事件次数的比值。公式如下：

\[MR = \frac{misses}{hits + misses} \times 100\%\]

晴雨TS评分

晴雨ETS评分

晴雨BIAS评分

降水分级命中率/空报率/漏报率

降水分级TS评分

降水分级ETS评分

降水分级BIAS评分

累积降水分级命中率/空报率/漏报率

累积降水分级TS评分

累积降水分级ETS评分

累积降水分级BIAS评分

风指标

本项目对于风的预报的针对性检验评分，主要参考了《中华人民共和国国家标准：天气预报检验 风预报》（GB/T37302—2019）中的相关指标定义。当然，除了国标中列出的指标以外，我们还额外增加了一些自定义的实用指标。

风速均方根误差

风速均方根误差是预报风速与观测风速之间的均方根误差，均方根误差的定义及计算方法请参考 均方根误差（RMSE） 章节。

风速平均绝对误差

风速平均绝对误差是预报风速雨观测风速之间的平均绝对误差，平均绝对误差的定义及计算方法请参考 平均绝对误差（MAE） 章节。

风级准确率

风级准确率为风力等级预报正确次数与风力等级预报总次数的百分比。预报风力和实况风力在同一风力等级，则为风力等级预报正确。公式如下：

\[S_{AC,k} = \frac{R_{s,k}}{N_{s,k}} \times 100\%\]

式中:

\(S_{AC,k}\)——风力等级预报准确率，下角标 \(k\) 为规定的某个风力检验等级标识；

\(R_{s,k}\) ——风力等级预报正确次数。

\(N_{s,k}\) ——风力等级预报总次数。

备注

本项目的风力等级采用 《中华人民共和国国家标准：风力等级 GB/T 28591-2012》 表一中的风力等级划分，下同。具体等级表见附录 风力等级表 。

风级偏强/偏弱率

风级偏强为风力等级预报偏强次数与风力等级预报总次数的百分比。预报风力所在的检验等级大于实况风力所在的检验等级,则为风力等级预报偏强。 同理，风级偏弱率为风力等级预报偏弱次数与风力等级预报总次数的百分比。预报风力所在的检验等级小于实况风力所在的检验等级，则为风力等级预报偏弱。公式如下：

\[ \begin{align}\begin{aligned}S_{FS,k} = \frac{S_{s,k}}{N_{s,k}} \times 100\%\\S_{FW,k} = \frac{W_{s,k}}{N_{s,k}} \times 100\%\end{aligned}\end{align} \]

式中:

\(S_{FS,k}\)——风力等级预报偏强率，下角标 \(k\) 为规定的某个风力检验等级标识；

\(S_{s,k}\) ——风力等级预报偏强次数。

\(S_{FW,k}\)——风力等级预报偏弱率，下角标 \(k\) 为规定的某个风力检验等级标识；

\(W_{s,k}\) ——风力等级预报偏弱次数。

\(N_{s,k}\) ——风力等级预报总次数。

风级评分

风向方位准确率

风向角度均方根误差

风向角度平均绝对误差

风向角度误差准确率

风向评分

API参考

贡献者指南

许可证

BSD3-条款许可证

版权所有(c)2022北京彩云科技有限公司保留所有权利。

在符合下列条件的情况下，允许以源和二进制形式进行再分发和使用，不论是否进行修改:

1. 源代码的重新发布必须保留上述版权声明，这个条件的列表和以下免责声明。

2. 以二进制形式重新发行必须复制上述版权声明，这个条件的列表和以下免责声明的文件和/或其他材料随发行提供。

3. 未经特定的事先书面许可，不得使用版权持有人或其贡献者的名称来认可或推广源自本软件的产品。

本软件由版权持有人及贡献者“原样”提供，而任何明示或隐含的保证，包括但不限于可销售性的隐含保证及适用于特定目的的隐含保证，均不予声明。在任何情况下，版权持有人或贡献者均不对因使用本软件而以任何方式引起的任何直接、间接、附带、特殊、例外或间接损害(包括但不限于采购替代品或服务、使用、数据或利润的损失或中断或业务)负责，不论其原因为何，亦不论其责任理论为何，不论是合同、无过错责任或侵权行为(包括疏忽或其他) ，即使已通知使用本软件可能会引起上述损害。

以上内容是使用彩云小译对以下英文原文的翻译结果：

BSD 3-Clause License

Copyright (c) 2022, Beijing ColorfulClouds Technology Co.,Ltd. All rights reserved.

Redistribution and use in source and binary forms, with or without modification, are permitted provided that the following conditions are met:

1. Redistributions of source code must retain the above copyright notice, this list of conditions and the following disclaimer.

2. Redistributions in binary form must reproduce the above copyright notice, this list of conditions and the following disclaimer in the documentation and/or other materials provided with the distribution.

3. Neither the name of the copyright holder nor the names of its contributors may be used to endorse or promote products derived from this software without specific prior written permission.

THIS SOFTWARE IS PROVIDED BY THE COPYRIGHT HOLDERS AND CONTRIBUTORS “AS IS” AND ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE ARE DISCLAIMED. IN NO EVENT SHALL THE COPYRIGHT HOLDER OR CONTRIBUTORS BE LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEMPLARY, OR CONSEQUENTIAL DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF SUBSTITUTE GOODS OR SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS INTERRUPTION) HOWEVER CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT LIABILITY, OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT OF THE USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.

资料引用

版本日志

公测版本（beta）

1.0.1-beta

第一个公测版本。

附录

降水等级表

编号	等级	1h降水量 (mm)	3h降水量 (mm)	12h降水量 (mm)	24h降水量 (mm)
0	无雨	<0.1	<0.1	<0.1	<0.1
1	小雨	0.1 ~ 1.9	0.1 ~ 2.9	0.1 ~ 4.9	0.1 ~ 9.9
2	中雨	2.0 ~ 4.9	3.0 ~ 9.9	5.0 ~ 14.9	10.0 ~ 24.9
3	大雨	5.0 ~ 9.9	10.0 ~ 19.9	15.0 ~ 29.9	25.0 ~ 49.9
4	暴雨	10.0 ~ 19.9	20.0 ~ 49.9	30.0 ~ 69.9	50.0 ~ 99.9
5	大暴雨	>=20.0	50.0 ~ 69.9	70.0 ~ 139.9	100.0 ~ 249.9
6	特大暴雨		>=70.0	>=140.0	>=250.0

累积降水等级表

编号	等级	1h降水量 (mm)	3h降水量 (mm)	12h降水量 (mm)	24h降水量 (mm)
0	无雨	<0.1	<0.1	<0.1	<0.1
1	小雨	>=0.1	>=0.1	>=0.1	>=0.1
2	中雨	>=2.0	>=3.0	>=5.0	>=10.0
3	大雨	>=5.0	>=10.0	>=15.0	>=25.0
4	暴雨	>=10.0	>=20.0	>=30.0	>=50.0
5	大暴雨	>=20.0	>=50.0	>=70.0	>=100.0
6	特大暴雨		>=70.0	>=140.0	>=250.0

风力等级表

风力/级	风速 (m/s)
0	0.0 ~ 0.2
1	0.3 ~ 1.5
2	1.6 ~ 3.3
3	3.4 ~ 5.4
4	5.5 ~ 7.9
5	8.0 ~ 10.7
6	10.8 ~ 13.8
7	13.9 ~ 17.1
8	17.2 ~ 20.7
9	20.8 ~ 24.4
10	24.5 ~ 28.4
11	28.5 ~ 32.6
12	32.7 ~ 36.9
13	37.0 ~ 41.4
14	41.5 ~ 46.1
15	46.2 ~ 50.9
16	51.0 ~ 56.0
17	>= 56.1