“气象大数据+”开出的花
我国碳达峰碳中和目标的实现主要依赖于科技的进步和经济发展方式的转型 ， 但同时也会受到未来气候灾害的直接影响 。

文章图片
碳中和示意图
例如 ， 植树造林 ， 以及利用太阳能、风能等清洁能源都是实现碳达峰碳中和目标的重要举措 ， 但能在多大程度和范围内采取上述举措则主要依赖于气温、降水、辐射、风速等基本的天气和气候状况 。
在极端天气气候条件下 ， 比如“副高活动”“极涡活动”异常等带来的大范围风能、光能异常 ， 可能导致大规模电力供应不足问题 ， 2020年冬季美国得克萨斯州的能源灾难问题就是前车之鉴 。
按照2030年风能和太阳能发电总装机容量达到12亿千瓦以上的发展目标 ， 以及2060年前实现碳中和要求 ， 届时我国风能和太阳能发电总装机容量需要达到60亿千瓦以上 。
海上、陆上哪里的风能潜力大？
哪个地区的太阳能资源还有待挖掘？
哪些地方可能面临长时间 “无风无光”的低发电情形？
大规模开发风能太阳资源对未来生态环境的影响又是如何？
这些都需要气象大数据和相应的大数据分析方法作为引路先锋 。

文章图片

风能、太阳能资源分布和开发受到季节、地理分布等自然条件影响 ， 其间歇性和波动性会影响电网稳定性 。
借助长时间序列、高时空分辨率的风能、太阳能数据 ， 科学家可以厘清风能、太阳能在不同时段和不同区域的时空变化特征 ， 充分利用风能、太阳能资源的时空互补性 ， 减少风电、光伏发电的间歇性和波动性 ， 促进新能源消纳 ， 提高可再生能源利用效率 。

文章图片

目前 ， 气象部门以大数据为支撑 ， 针对我国风电、光伏发电的时空互补性做了深入研究 ， 初步提出了不同地区风电、光伏开发的最优配比地图 ， 即发电最稳定情况下风电和光伏的最优比例 ， 可为我国能源转型发挥积极支撑作用 。
如果说气象大数据是一条河流的话 ， 那么其流经之处 ， 包括对于实现碳达峰碳中和目标都至关重要的农业、交通和能源领域 ， 都会开出不一样的花朵 。
“喂养”地球系统模式
据统计 ， 2017年 ， 全球的数据总量为21.6ZB（1个ZB等于十万亿亿字节） ， 如果用256GB的iPad平板电脑来存储这些数据 ， 所需平板电脑堆积起来的高度将超过地球到月球之间的距离 。
其中 ， 就数据体量而言 ， 气象数据当前总量超过20PB ， 仅每天产生的数据量就达几十个TB 。

文章图片
气象大数据云平台结构
如何让如此海量的数据实现价值聚变？“喂养”地球系统模式无疑是性价比最高的方式之一 。

文章图片

地球系统模式能够定量刻画大气、陆地、海洋碳循环等地球系统各部分之间的相互作用过程 ， 是认识、理解全球碳循环过程和机制 ， 以及模拟和预估气候变化的核心工具 。
通过设置不同的碳达峰碳中和目标约束 （如何减排、如何增汇等） ， 地球系统模式可以得到最有效、最合理的碳达峰碳中和路径 ， 从而为寻找最优科学路径提供强有力的技术和工具支持 。