我是一名 气象数据应用 × 新能源（风电）人工智能算法工程师，专注于将多源气象数据转化为可落地的新能源预测与决策能力。日常工作横跨卫星遥感、地面观测、辐射实测三大数据链路，并在风电功率预测、风场建模、气象大模型应用等方向持续深耕。
- 🌤️ 气象数据工程：葵花 8/9、GOES-19 卫星数据采集，Meteostat 全球 246 机场地面观测，SURFRAD 地表辐射实测，NASA POWER 卫星同化数据
- 🌬️ 风电 AI 算法：短期/超短期功率预测、风场微观选址、风资源评估、基于气象大模型的预报降尺度
- 🤖 技术栈：Python · PyTorch · satpy · MetPy · AWS S3 · 时序深度学习 · 图神经网络
"把天上的云、地上的风、卫星的遥感，变成风机叶片上的每一转。"
📡 meteo-data-cookbook — 气象数据下载实战指南
基于 2026-07-18 ~ 2026-07-20 的一手实测，覆盖卫星（葵花 9 / GOES-19）与地面观测（Meteostat 246 机场）两大领域，沉淀 7 条 verified 知识 + 19 个实测脚本。
| 模块 | 内容 |
|---|---|
| 🛰️ 卫星数据 | 葵花 9（AWS S3 匿名访问、FLDK 分段下载省 80%）、GOES-19（真彩色合成） |
| 🌍 地面观测 | Meteostat 246 机场 847 CSV 180.4MB、小时数据延迟仅 12 分钟 |
| ☀️ 辐射实测 | SURFRAD 7 站 1 分钟 GHI/DNI/DHI、当天实时追加 |
| 📊 同化数据 | NASA POWER GHI MAE 38.6 W/m²（vs SURFRAD 实测） |
| 📝 知识库 | 7 条 verified 条目（GL/PF/PS 三类）+ 19 个实测脚本 |
别人没覆盖的：AWS S3 匿名访问完整流程、葵花分段下载策略、Meteostat 站点密度实测表、区域下载陷阱清单（缅甸日数据缺失、越南 3 机场无数据、巴西 SBGR 延迟 7 天）。
- 🌀 气象大模型：FuXi、Pangu-Weather、GraphCast 在风电预报中的落地
- 🌬️ 风场微观建模：基于 CFD + 数据驱动的尾流效应修正
- ☀️ 光功率预测：卫星反演辐照 → 电站级功率预测全链路
- 📡 实时数据链路：葵花 9 / GOES-19 实时 RGB 合成与下游算法
⚡ "Data is the new wind, and algorithms are the turbines that capture it."