下载文档原格式
基于机器学习的气象数据处理与分析近些年来，随着科技的不断进步，大数据和人工智能技术已经成为了社会发展的重要驱动力。
这些技术的应用在各个领域都取得了很好的成效，而在气象领域，基于机器学习的气象数据处理和分析的技术也逐渐得到了广泛应用。
一、机器学习在气象数据处理与分析中的应用气象学是一个数据密集的领域，气象学家通常需要处理海量的气象数据才能得出准确的预报和分析结果。
基于机器学习的气象数据处理和分析技术，可以大大加快处理数据的速度，提高气象预报的准确率。
1. 模式识别机器学习技术可以应用于气象模式识别中，如天气图像识别、气象雷达识别等，基于机器学习的模式识别技术可以自动识别气象图像和数据中的模式，并告诉气象学家该模式的意义和预测可能发生的天气等信息。
2. 数据挖掘随着各种气象数据的增加，要发现其中蕴含的规律变得越来越困难。
使用机器学习的数据挖掘技术，可以从海量数据中发现规律，从而提高预测准确率。
3. 气象预报气象预报是气象学家最重要的任务之一，基于机器学习的气象预报技术可以利用历史数据和现有数据训练各种算法，提高预测准确率和时间效率。
这些算法包括但不限于决策树、神经网络、支持向量机和随机森林等。
二、机器学习在气象预测中的应用举例1. 气象灾害预测基于机器学习的气象预测技术可以用于预测气象灾害的发生，如暴雨、洪水、雪灾和风暴等。
在这种情况下，机器学习算法通常使用天气历史数据、气象传感器数据和卫星数据作为输入，然后通过训练算法来预测未来可能的气象灾害。
2. 风力发电的预测基于机器学习的气象预测技术还可以用于预测风力发电的产量。
许多风力发电厂都依靠风力预测来规划生产计划和优化其运营。
在这种情况下，算法需要使用风速数据和天气预报数据作为输入，然后根据历史数据来预测未来的风速和风能。
三、机器学习在气象学中的挑战1. 数据准确性机器学习所依赖的是输入数据的准确性和完整性。
在气象学领域，由于气象传感器、计算模型和数据管理等方面的问题，气象数据存在精度和质量方面的不确定性。
ncl排序函数NCL排序函数是一种强大的工具，可以帮助我们对数据进行排序和整理。
在这篇文章中，我将详细介绍NCL排序函数的使用方法，以及它对我们日常工作的帮助。
让我们来了解一下什么是NCL排序函数。
NCL是一种编程语言，它专门用于气象数据分析和可视化。
排序函数是NCL中的一个重要功能，它可以按照规定的顺序对数据进行排序，以便我们能够更好地理解和分析数据。
在使用NCL排序函数之前，我们需要确保数据已经准备好并导入到NCL环境中。
一旦我们完成了这些准备工作，就可以使用NCL排序函数来对数据进行排序了。
NCL排序函数提供了多种排序算法，包括冒泡排序、插入排序和快速排序等。
这些算法各有特点，可以根据数据的特点和需求选择合适的算法。
在使用NCL排序函数时，我们需要指定排序的字段和排序的顺序。
例如，我们可以按照某个字段的升序或降序对数据进行排序。
这样可以使数据更加有序，并更方便我们进行进一步的分析和处理。
除了排序功能，NCL排序函数还可以进行多字段排序和条件排序。
多字段排序可以根据多个字段的值进行排序，以便更好地理解数据之间的关系。
条件排序则可以根据指定的条件对数据进行筛选和排序，以便更好地满足我们的需求。
总的来说，NCL排序函数是一个非常实用的工具，它可以帮助我们对数据进行排序和整理，提高数据的可读性和可分析性。
无论是在科研、气象预报还是其他领域，都可以使用NCL排序函数来处理数据，从而更好地理解和利用数据。
希望通过本文的介绍，您对NCL排序函数有了更深入的了解，并能够熟练地使用它来处理数据。
相信在以后的工作中，NCL排序函数会成为您的得力助手，为您的工作带来更多的便利和效率。
气象数据处理技术研究及应用气象是一门复杂而又关键的科学，它关乎着我们的生命和生活质量。
而气象数据处理技术就是将大量不规则数据进行处理分析，帮助气象工作者更好地预测和研究天气变化。
本文将对气象数据处理技术的研究及应用进行探讨。
一、气象数据处理技术的研究气象数据处理技术的发展可以追溯到上世纪末，其研究方法主要分为两种：数学统计方法和人工智能方法。
数学统计方法是指利用概率论、数理统计等数学方法对气象数据进行处理和分析，并进行预测。
这种方法主要适用于气象数据量较大且规律较明显的情况。
随着计算机技术的发展，被广泛应用于分析和预测气象的变化趋势。
人工智能方法则是利用计算机技术和机器学习算法，对气象数据进行深度学习和处理。
这种方法可以从大量数据中挖掘出规律和异常情况，从而提高气象预测的准确度及时性。
在气象数据处理技术的研究中，还有一种新型技术成为重点，它被称为区块链技术。
区块链技术基于去中心化和分布式的特点，可以有效解决气象数据传输和存储中的安全性和可靠性问题。
二、气象数据处理技术的应用气象数据处理技术的应用十分广泛，除了可以用于气象预测和研究之外，还可以应用于航空、航海、城市规划、环境保护等多个领域。
在航空领域，气象数据处理技术的应用可以提供准确的天气预测，降低飞行事故的风险。
当飞机需要执行紧急着陆时，气象数据处理技术可以提供最佳的方案和选择，从而保证飞行员的安全。
在航海领域，气象数据处理技术也可以提供准确的天气和海况预测，减少船只在海上的危险情况。
此外，气象数据处理技术还可以用于海上油气勘探和海上风力发电等领域，为海洋资源开发提供支持。
在城市规划和环境保护领域，气象数据处理技术可以监测污染物的扩散和影响，提供科学的环境保护方案。
此外，气象数据处理技术还可以用于城市空气质量评估和气象灾害预防等方面，提高城市的生活质量和安全度。
综上所述，气象数据处理技术在气象学和相关领域中具有重要的作用，随着技术的不断发展和完善，其应用范围也在不断扩大。
NCL相关系数r一、引言相关系数r是统计学中用于衡量两个变量之间线性关系的常用指标，其计算和分析在许多领域中具有广泛的应用价值。
在气象学和气候变化研究中，相关系数r被广泛应用于分析气候数据和气象现象之间的关系。
NCL（National Center for Atmospheric Research）是美国国家大气研究中心，是全球范围内大气科学领域的重要研究机构之一。
在NCL中，相关系数r被广泛应用于各种气象数据分析，包括气候变化研究、气象预测、大气污染研究等领域。
二、NCL相关系数r的计算相关系数r的计算公式为：r = (Σ(x-x平均值)(y-y平均值)) / (Σ(x-x平均值)^2 * Σ(y-y平均值)^2)^0.5。
其中，x和y分别表示两个变量，Σ表示求和，x平均值和y平均值分别表示两个变量的均值。
在使用NCL进行相关系数r的计算时，可以采用NCL提供的工具或软件进行计算。
这些工具或软件可以方便地处理大规模的气候和气象数据集，并计算出两个变量之间的相关系数r。
同时，NCL还提供了其他一些功能和工具，可以帮助用户更好地分析和解读相关系数r的计算结果。
三、NCL相关系数r的解释相关系数r的值介于-1和1之间。
其中，-1表示两个变量之间存在完全负相关关系，即一个变量的增加会导致另一个变量的减少；1表示两个变量之间存在完全正相关关系，即一个变量的增加会导致另一个变量的增加；0表示两个变量之间没有明显的线性关系。
在解释相关系数r的值时，需要注意以下几点：1.相关系数r只能衡量两个变量之间的线性关系，对于非线性关系无法准确描述。
2.相关系数r的值受到数据分布的影响，如果数据分布不均匀或存在异常值，可能会导致r的计算结果出现偏差。
3.在涉及到多个变量之间的关系时，简单使用相关系数r可能无法得出准确的结论，需要使用多元统计分析方法进行处理。
四、NCL相关系数r的应用NCL相关系数r在气象学和气候变化研究中具有广泛的应用价值。
基于NCL 语言的气象数据分析与可视化课程教学的思考摘要：气象数据分析与可视化课程的教学目标是培养学生分析气象数据和将气象数据可视化的能力。
在教学过程中，优化课程内容体系，结合热点问题精心设计实践，有助于提升教学效果。
关键词：NCL ；课程内容；实践中图分类号：G642.41文献标志码：A 文章编号：1674-9324（2020）07-0347-02收稿日期：2019-06-25基金资助：中央高校教育教学改革专项资金项目（E2019032）、中国民用航空飞行学院教研项目（A201824）资助作者简介：徐婷（1989-），女，讲师，主要从事航空气象的教学与研究。
一、引言气象数据分析与可视化课程是气象类专业中强调实践性的一门课程，通过本课程的教学，可以训练和培养学生对气象数据分析并进行可视化的能力，当遇到设计气象数据的问题时，能够进行分析判断，确定分析数据的方法、可视化方案的选择，能够通过相应的软件或语言实现数据分析与可视化。
该课程在学生培养计划中被列为高年级专业选修课，是对前期的概率与统计、气象统计方法等课程的进一步实践，又为未来工作和继续学习打下基础。
二、课程主要工具与语言本校的气象数据分析与可视化课程在设立之初，对于课程使用的工具和语言进行了对比，当时国内开设该课程的本科院校主要使用绘图软件GrADS 、Origin 等[1]作为主要工具，这些软件的优点在于操作简便；而近几年气象行业中NCL （The NCAR Command Lan-guage ）语言已经非常流行，由于其具有开源、语言简洁、丰富的内置函数、出图美观等特点，在业务、科研领域应用广泛，本校的气象数据分析与可视化课程便选取了NCL 语言作为主要工具。
选取NCL 作为主要工具的优点在于该语言已经较为成熟；既可以对数据进行分析，又可以进行可视化，减少需要学习的软件数量。
目前NCL 在气象行业中的应用较为广泛，未来学生在工作或继续学习时能够大大减少语言的学习时间。
NCL在数值预报产品分析及可视化中的应用摘要：相对于GrADS等气象绘图软件，NCAR Command Language（简称NCL）在数据处理及可视化方面优势明显，故其用户群数量不断增加。
为了更好地利用NCL工具为数值预报产品的解释应用服务，为天气预报和研究提供更实用的图形产品服务，从NCL的介绍、下载安装、数据分析处理及可视化四个方面介绍了NCL在气象业务中应用。
关键词：NCL；气象应用；数据处理；图形展示；数值预报中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2015）10-0093-03NCAR Command Language（简称NCL）是美国国家大气研究中心专为科学数据处理及可视化而设计的高级语言[1-2]，尤其是在气象数据分析处理方面优势明显，故其用户数量也不断增加。
相对于GrADS等绘图软件，NCL的优势不仅表现在绘图更加细腻美观，更表现在它强大的数据处理能力，它包含了气象数据常用的分析方法，如样条插值、经验正交函数分解（EOF）、波谱分析等，此外，还可与Fortran、Shell进行混合编程，使得程序更加简洁高效，使用更加方便。
这些优势使得NCL成为气象数据分析展示软件的后起之秀[3]。
数值预报产品是天气预报的重要参考依据之一[4-5]，对数值预报产品的业务应用需求也越来越高。
数值预报产品的数据分析及图形化就必不可少，针对这一迫切需求，本文利用NCL软件进行数值预报产品的诊断分析及图形化。
主要介绍了NCL的安装、下载、编程思路，及在气象业务应用中的两部分关键技术：数据处理功能及可视化功能。
1 NCL软件的下载、安装及运行NCL可以在AIX、Linux、Mac OS X 等系统上安装运行，对于Windows用户，可安装Cygwin/X软件后在这个软件环境中运行。
NCL的官方下载地址：http：//，注册之后，根据用户自身的系统选择相应的NCL版本。
NCL在Unix系统上的安装不需要编译，只需要三个步骤：1）解压安装包打开终端，将安装包解压到/home/yourname/ncl目录下：# cd /home/yourname/ncl#tar?Cxvfncl_ncarg-6.1.2.Linux_Debian6.0_x86_64_nodap_gcc44 5.tar.gz2）设置环境变量用“echo $SHELL”返回当前系统所用的shell，若为C-shell （csh）则设置环境变量：setenv NCARG_ROOT /home/yourname/nclsetenv PATH $PATH：$NCARG_ROOT/bin若为bash或ksh，则添加环境变量：export NCARG_ROOT=/home/yourname/nclexport PATH=$PATH：$NCARG_ROOT/bin保存该文件后，运行source命令使环境变量生效。
数据采集与处理方法在气象预测中的应用随着科技的不断发展，数据采集和处理方法已经成为气象预测中不可或缺的一部分。
使用这些方法，我们能够获取更准确、更全面的数据，从而提高气象预测的精度和可靠性。
本文将介绍数据采集和处理方法在气象预测中的应用。
一、数据采集在气象预测中的重要性首先，我们需要了解数据采集在气象预测中的重要性。
气象预测需要大量的数据来做出准确的预测。
这些数据包括气象站的观测数据，气象卫星的遥感数据，海洋浮标的海洋数据等等。
这些数据需要及时、准确地收集和处理，才能提供给气象预测人员使用。
现在，许多气象站和气象卫星已经自动化，可以自主地采集和传输数据。
这些设备配合智能化技术，能够实时监测天气情况，收集大量的气象数据。
同时，这些设备还配有传感器，能够测量气温、湿度、风速、风向等气象要素，获取更全面的数据，从而提高气象预测的准确性。
二、常用的数据处理方法除了数据采集，数据处理方法也是气象预测中不可或缺的一部分。
以下是一些常用的数据处理方法：1.数据清洗：在数据采集过程中，由于各种因素的干扰，收集到的数据很可能会出现噪声和异常值，需要进行数据清洗。
通过清洗数据，可以去除无用的数据，提高数据的质量和准确性。
2.数据重构：在数据采集和传输过程中，数据可能会出现缺失或不完整的情况。
对于这些数据，需要进行数据重构，将缺失的数据补全或者通过其他方法来处理。
这样，就能够再次获得完整的数据，为气象预测提供更多的信息和依据。
3.数据分析：对于采集到的数据，需要进行数据分析，找到其中的规律和趋势。
通过对数据的分析，可以更好地了解气象变化的特点和规律，从而提高气象预测的准确性和可靠性。
三、气象预测中的数据采集和处理方法上述数据处理方法在气象预测中都有广泛的应用。
以气象卫星为例，气象卫星能够获取全球范围内的气象数据。
通过对这些数据进行清洗、重构和分析，就能够得到具有实时性和准确性的气象数据，为气象预测提供重要的数据支撑。
气象大数据跨平台分析与应用技术研究作者：李永生刘修伟杨玉红来源：《电脑知识与技术》2013年第31期摘要：为了更好处理和应用诸如气象数值预报产品等非结构化的气象大数据，基于NetCDF技术实现了全序列气象数值预报产品原始格式解码、数据的格式转换以及生成符合各类数值预报产品特征的NetCDF格式的存储库，并将转换和重新组织的数值预报产品数据实时存储到相应的NetCDF库文件中；基于NCL（The NCAR Command Language）编程语言读取NetCDF库文件中的数据生成精度高、内容展现丰富的数值预报图形产品，并提供给业务用使用，业务运行结果表明大数据处理技术的引入对气象大数据在业务中的应用具有一定的促进作用。
关键词：气象大数据；NetCDF；数据解码；算法中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）31-6943-05近年来我国的气象事业有了长足的进步和发展，广东省建设了大量的常规、特种自动气象探测设备，其传输、处理和服务应用的信息量呈指数式增长，目前广东省气象信息中心每天接收的数据量达到1T级的规模，预计未来3-5年每天接收的数据总量将会增长到1.5-2TB左右，其中80%的数据都是非结构化的大数据，目前这些非结构化的大数据仅能做到初步的实时业务应用，无法做到大数据的长时间序列存储以及进一步的分析处理和决策分析应用，这也造成了极大的“气象数据价值”浪费。
因此气象行业迫切需要进行气象大数据的应用分析研究[1]。
本文以气象数值预报产品为切入点，详细分析气象大数据的特点和实际业务需求，基于NetCDF技术实现了全序列气象数值预报产品原始格式解码，实现数据的格式转换，生成符合各类数值预报产品特征的NetCDF格式的存储库，并将转换和重新组织的数值预报产品数据实时存储到相应的NetCDF库文件中；基于NCL（The NCAR Command Language）编程语言读取NetCDF库文件中的数据生成精度高、内容展现丰富的数值预报图形产品，并提供给业务用户业务应用[2]。
基于NCL的数据处理方法及其在决策气象服务中的应用作者：庆涛李菁朱鑫君来源：《现代农业科技》2016年第24期摘要以2015年和2016年梅雨期暴雨的气象服务为实例，对如何使用NCL对历史数据进行统计分析进行了介绍，并对其在决策气象服务中的运用进行了讨论。
利用NCL内置函数可以实现决策气象服务中对数据统计分析的各类需求。
从实际的气象服务经验分析，决策气象服务过程中需要准确详实的数据作为支撑。
NCL功能强大，在对数据进行统计分析的同时还能够对数据进行图表绘制，因此可以作为一个有效的工具来实现服务过程中对各类历史及实况数据统计分析的需求。
同时，NCL代码具有简单和可移植性强等特点，在对数据进行统计分析时，不仅可以保证数据统计分析的准确，还能够提高数据处理速度，保证了决策气象服务的及时性。
关键词 NCL；数据处理；决策气象服务；统计分析；可视化中图分类号 P409 文献标识码 A 文章编号 1007-5739（2016）24-0185-03A Data Processing Method Based on NCAR Command Language and Its Application in Decision-makingMeteorological ServiceQING Tao 1 LI Jing 1，2 ZHU Xin-jun 1（1 Jiangning Meteorological Bureau in in Nanjing Cigy of Jiangsu Province，Nanjing Jiangsu 211100； 2 Nanjing Meteorological Observatory）Abstract The issues of how to process data with NCL and its application on decision-making meteorological services were discussed based on meteorological services during Meiyu periods of 2015 and 2016 in this paper. NCL，a high-level language which contains lots of useful mathematical function can meet the needs of decision-making meteorological services and statistical analysis. It can be known from practical experiences that accurate and detailed data were needed to support the decision-making process of meteorological services.As a powerful tool，NCL not only can be used to analyze meteorological data but also can be used as a data visualization tool. Meanwhile，NCL codes are simple and can be modified easily. So NCL is a useful tool which can analyze meteorological data accurately and ensure timely decision-making meteorological services.Key words NCL；data process；decision-making meteorological service；statistical analysis；visualization气象灾害占自然灾害的比重约为70%，因此气象工作中一个重要的任务就是向各级党政领导及相关防灾减灾决策指挥机构提供决策气象服务，努力发挥气象工作的参谋和助手作用[1]。
决策气象服务的目的是在第一时间让党政领导和决策部门获得科学、准确、及时和有决策参考价值的气象信息[2]。
其内容主要包括天气、气候及其影响等信息，也可以针对某一特定天气气候事件进行因果分析、历史极值对比、未来趋势预测和对策建议等综合评价。
这些内容对气象业务人员如何快速统计分析海量历史数据以及对统计结果进行可视化处理提出了较高的要求。
虽然先进的业务应用平台的建立为历史数据处理和统计分析提供了便捷，但由于其封闭性强并需要专门的研发人员进行管理的特点，造成这些平台不具备快速及时的优势，因此不能胜任紧急情况下决策气象服务的应用。
随着计算机技术的发展，大量的计算机语言和软件工具为各类气象数据统计分析及可视化提供了便利。
许多专家学者曾对这些工具在数据处理上的应用开展过专门的研究，刘培宁等[3]使用R语言对NetCDF数据进行统计分析并对分析结果进行可视化处理；王赟等[4]使用MATLAB实现了对雷达回波的三维显示。
NCL是美国大气研究中心（NCAR）开发的一款专门用于大气科学数据处理的高级语言[5]，它对各类数据具有强大的处理能力，十分适合在各类紧急情况下决策气象服务的应用。
本文将以2015年和2016年梅雨期暴雨的气象服务为实例，具体介绍如何使用NCL对历史数据进行快速处理，并探讨其在决策气象服务中的应用。
1 NCL简介NCAR Command Language（NCL）是由美国大气研究中心（NCAR）开发的一款用于大气科学数据计算和可视化的高级语言。
NCL具有强大的文件输入和输出能力，可读写NetCDF、HDF4、Binary、ASCⅡ等格式的数据，基本实现了各类气象数据和模式数据的无缝对接[6]。
在数据处理上，NCL囊括了大气科学研究中几乎所有的计算方法，并内置了大量如EOF 分解、SVD分解、功率谱分析及数据插值等数理统计函数供调用。
此外，NCL还支持外部C 和Fortran程序的调用，使得对数据的处理和计算更加便捷高效。
在数据的可视化方面，NCL 提供了丰富的图形接口，可快速绘制各类美观简洁的图表。
因此，NCL十分适合在决策气象服务中进行数据分析和图形图表绘制的运用[7-8]。
2 应用实例2015年和2016年梅雨期间南京地区遭遇多场持续性暴雨过程，造成秦淮河东山水位持续上涨，分别于2015年和2016年达11.15 m和11.41 m，连续突破历史最高水位极值记录，给防洪抢险工作带来了巨大的压力。
在整个梅雨期的气象服务过程中，党政领导和决策部门对入梅、出梅时间、梅雨期长短、梅雨量及各类常规和非常规的历史极值统计十分关心，常常需要给出任意滑动几日的降水累计量和历史极值排名。
这些指标无法在常规的气象历史资料记录和气象业务平台中查得，但这些关键指标对于他们作出准确有效的决策部署十分关键。
因此，就需要气象业务人员采用其他方法对历史数据进行统计分析。
在实际服务过程中，NCL极其强大的功能为统计这些梅雨相关指标提供便利，并能够快速地进行图表的绘制。
在处理梅雨期降水数据时，首先对历史地面观测月报表进行预处理，然后再使用NCL分别进行数据读取、数据截取、统计分析和结果输出等操作（图1）[9-10]。
读取数据和截取数据的NCL代码如下：通过使用函数str_get_field（str_val，field_number，delim-iter）对ASCⅡ格式数据进行读取，此时得到的数据为字符串，再使用tointeger（val）或tofloat（val）函数将读取到的字符串转换为整型或实型数据。
在对入梅和出梅时间进行相对时间转换（代码第8—9行）时，使用的函数为cd_inv_calendar（yr，mn，dy，hr，min，sec，units，option），通过指定单位units便可将给定的时间转换为相对单位units的相对时间，转换后的入梅和出梅的相对时间可用于计算梅雨期持续的时间（代码第10行），以及处理和统计梅雨期间降水数据时的循环变量。
对数据进行统计分析的代码如下：在得到入梅和出梅的相对时间后，通过使用函数sum（value）和max（value）分别求得梅雨期总降水量和最大单日雨强（代码第1—2行）。
使用ind（larray）函数确定最大单日雨强发生日的相对时间（代码第3行），最后利用cd_calendar（time，option）函数将相对时间转换为常规时间（代码第5—7行）。
结果输出的代码如下：完成对梅雨期各个关键指标和要素的统计后，可以使用NCL的文本输出功能进行输出，此处使用write_table（filename，option，alist，format）函数将统计结果输出到ASCⅡ格式文档中（代码第1—2行）。
本例中，输出的数据依次为年份、入梅和出梅日期、梅雨持续时间、梅雨期总降水量、最大单日雨强和最大单日雨强发生的日期，最终以csv格式文档保存（图2），为后续的Excel统计分析、图表绘制和决策服务材料撰写提供了便利。
通过上述简单的步骤可以在较短时间内统计分析得到历年梅雨的各类统计值和历史极值的排序。
表1给出的是1961年以来入梅、出梅时间和梅雨持续时间的统计，分别给出了入梅和出梅最早、最晚以及梅雨持续最长、最短的排序。
南京平均入梅时间6月18日，入梅最早年份为1972年，当年6月2日即入梅；1965年和1969年入梅时间最晚，6月30日才进入梅雨季。
南京平均出梅时间7月11日，其中1961年6月17日出梅，为1961年以来最早，甚至早于平均入梅时间；1987年入梅最晚，7月27日才出梅。
由平均入梅、出梅时间计算知，南京梅雨期平均持续24～25 d，其中1982年梅雨持续时间最长，达到了45 d，而1978年梅雨持续时间最短，仅为3 d。
表2给出的是梅雨期降水的统计，分别给出了总降水量和最大单日雨强的最大、最小的排序。
南京梅雨期平均降水269.1 mm，其中1991年降水量最大达1 038.4 mm，约为平均梅雨量的4倍，而2016年梅雨期总降水量达到了597.3 mm，约为平均梅雨量的2倍，为1961年以来第四多值；1978年为历史上最枯梅雨季，梅雨总降水量仅为19.9 mm，而这一年的梅雨持续时间也最短，仅为3 d。
从梅雨期最大单日雨强看，1961年以来单日最大雨强多为暴雨量级（≥50 mm），而历史排名前5位的年份，日最大雨强均达到了大暴雨量级（≥100 mm），其中2015年6月27日单日雨强最大，为204.1 mm。
