CN103792524A - 基于云分类的雷达定量降水估计方法 - Google Patents
基于云分类的雷达定量降水估计方法 Download PDFInfo
- Publication number
- CN103792524A CN103792524A CN201410081721.XA CN201410081721A CN103792524A CN 103792524 A CN103792524 A CN 103792524A CN 201410081721 A CN201410081721 A CN 201410081721A CN 103792524 A CN103792524 A CN 103792524A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- cloud
- radar
- estimation
- estimated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种气象信息的处理与估计方法,确切讲是一种利用气象雷达测定的数据进行降水定量估计的方法。本发明的方法是以降水云类型来确定降水量,即基于云分类的雷达定量降水估计方法,其方法是首先确定被测区域的云种类,当被测区域的云为对流云时用Z=82I1.47估计降水;当被测区域的云为层状云时,用Z=143I1.5估算最终降水率,式中Z为1km高度处的反射率因子(单位:mm6/m3),I为降水强度(单位:mm/h)。用本发明的方法估计结果与实际的降水情况较一致,能显著改善雷达默认Z-I关系估计降水不准确的问题,提高降水量观测准确率和空间分辨率。
Description
技术领域
本发明涉及一种气象信息的处理与估计方法,确切讲是一种利用气象雷达测定的数据进行降水定量估计的方法。
背景技术
降水率(雨情)估计在气象、水文及地质灾害预警上都有非常重要的作用;另外,将降水率资料同化到数值天气预报中能很大改进数值天气预报的准确率。目前降水率估计主要根据地面自动雨量站观测得到。而雨量站网密度过稀(空间分辨率不够),只是一个点的观测,缺少空间代表性,很难准确地测出一定区域上的雨量。尤其在偏远地区(例如山区)观测站点更少,而这些地方在强降水的情况下特容易发生地质灾害。而雷达在时间和空间上均具有较高的分辨率。雷达回波反射率因子(Z)和降水率(I)之间存在幂指数正相关经验关系(Z-I关系),对时间累加可以得到一段时间内的累计降水量。这样通过雷达可以及时(每5-6分钟一次观测)地定量估计扫描范围内各点的雨强和一定区域上的雨量分布和降雨量,且可以取得大面积定量的降水资料。中国气象局在全国布网的168部多普勒天气雷达网已逐步建成,另外,加上民航机场的天气雷达、部队的天气雷达和水利、水文、国土部门及科研部门的小雷达,这样的雷达网基本能覆盖全国,通过雷达定量估计降水率,为防灾减灾提供高质量的数据,从而减轻人民财产的损失。
早在1943年Bent[1](Bent A E.1943.Radar echoes from atmospheric phenomena.Cambridge:Massachusetts Institute of Technology,Radiation Laboratory,173:10.)提出了雷达降水估计的概念,并系统阐述了影响雷达估测降水的不确定性。1947年Marshall等[2](Marshall J S,Langille R C,Palmer W M.1947.Measurement of rainfall by radar.Meteor.,4:186-192.)研究得到雨滴谱分布(Drop Size Distribution,DSD)与雷达反射率因子(Z)之间有很好的对应关系,但没有在数学上建立二者的关系。直到1948年Marshall等[3](Marshall J S,Palmer W M.1948.The distribution of raindrops with size.Meteor.,5(4):165-166.)才在数学上建立了反射率因子Z与降水强度I的统计关系(Z=AIB),并解释了雨滴谱与反射率因子以及降水强度之间的关系,极大地促进了雷达定量估测降水的发展。之后,许多基于不同雨滴谱测量与计算所得反射率因子的Z-I关系被相继提出,按照Z和I的定义,可应用每一份实测雨滴谱资料计算Z和相应的I值,只要滴谱资料较多,就可统计出它们之间的关系。
目前业务上利用雷达反射率估计降水率的方法就是直接利用雷达自带软件的默认降水估计算法,即Z-I关系为Z=300I1.4。而降水系统从形成机理,持续时间,以及内部结构差异可以将其分为对流云降水和层状云降水。对流云系统常常伴随强的垂直速度、局地辐合及强降水,而层云系统常常伴随弱的上升运动、大的水平一致性和弱的降水强度。层状云降水虽然降水强度弱,但是覆盖面积大、持续时间长,对降水系统的降水量和时间有很重要的作用。也就是说不同的降水类型对应不同的系数A、B(也就是不同Z-I关系式),所以如果所有降水都使用单一的Z-I关系估计降水,会造成很大的降水估计误差。而且,一次大范围降水中往往有多种类型的降水同时存在。
Z-I关系估计降水中的另一个主要问题是雷达反射率因子与地面降水强度的空间不一致性。由于大气对雷达波(超短波)的折射和地球曲率的影响,如果用PPI(plan position indicator)扫描资料来估计降水,实际上是将不同高度上的资料按同一种Z-I关系来估计降水。另外,当探测远距离降水目标时,即使仰角很低,其抽样体积的高度仍有几千米,在这高度上的降水在下落过程中其强度就有可能发生变化,如蒸发引起降水强度的减小,水成物的凝结凝华增长及凝聚和碰并增长都会对降水估计造成误差。从而导致雷达估算值和地面实测值之间的明显差别。
发明内容
本发明目的是提供一种可克服现有技术的不足,能使估计值与实测值更为接近的利用雷达测定数据对区域降水进行定量估计的方法。
本发明的方法是以降水云类型来确定降水量,即基于云分类的雷达定量降水估计方法,其方法是首先确定被测区域的云种类,当被测区域的云为对流云时用Z=82I1.47估计降水;当被测区域的云为层状云时,用Z=143I1.5估算最终降水率,式中Z为1km高度处的反射率因子(单位:mm6/m3),I为降水强度(单位:mm/h)。
本发明是基于对现有技术的分析,为了减小Z-I关系的不稳定性带来的降水估计误差,从阵型强降水到持续型降水,针对不同的降水类型对应不同的系数A、B(也就是用不同的Z-I关系式进行估计)。本发明在使用时,先基于雷达资料进行云类型(对流云和层云)识别,然后不同的云类型降水选用各自对应的Z-I关系来估计降水。其中Z用1km高度处的雷达回波反射率因子,这样就能减少两者空间不一致性带来的误差,并能减少回波“亮带”的影响。
本发明在应用中是基于雷达回波资料利用模糊逻辑方法进行云类型(对流云和层云)识别(见Yang,Y.,X.Chen,and Y.Qi(2013),Classification of convective/stratiform echoes in radar reflectivityobservations using a fuzzy logic algorithm,J.Geophys.Res.Atmos.,118,1896–1905,doi:10.1002/jgrd.50214.),然后不同的云类型降水选用各自对应的Z-I关系来估计降水。本发明的方法经实际使用其估计结果与实际的降水情况较一致,能显著改善雷达默认Z-I关系估计降水不准确的问题,提高降水量观测准确率和空间分辨率。
附图说明
图12009年7月22日19:00到20:00的1小时雨量站观测累计降水量(单位:mm;“+”:合肥雷达位置;横坐标:经度;纵坐标:纬度。
图2至图4分别是合肥2009年7月22日在不同时刻对流云的可能性(>0.5认为对流云),其中:图2是的时间是19:00,图3的时间是19:30,图4的时间是19:54。
图5是采用现有技术(雷达默认降水算法)对合肥2009年7月22日19:00到20:00的1小时估计的降水量(单位:mm)。
图6是采用本发明的方法对合肥2009年7月22日19:00到20:00的1小时估计的降水量(单位:mm)。
图7是安徽省2009年7月22日19:00到20:00的1小时雷达估计降水与加密观测站观测降水的散点对比图(单位:mm;
图中只画出了雨量站观测降水>=0.8mm时的观测降水及对应的估计降水,共177个站点。
具体实施方式
本发明以下提供实施例及相关的分析解说。
首先,本发明应用前要预先确定分析区域内每个格点云类型。
基于雷达资料进行层状云和对流云识别分类,国内外已做了很多工作。早期的识别层状云和对流云降水的方法是用雨量计资料做的,只要降水率超过给定的背景阈值就被认为是对流云降水,其余的为层状云,这种技术称作Background-exceeding technique(BET)。1984年Churchuill等人[4](Churchill D D,R A HouzeJr.1984.Development and structure of winter monsoon cloud cluster on10December1978.Atmos.Sci.41:933—960.)又将该技术发展为二维结构,首先用雷达回波强度阈值来确定对流中心,然后给对流中心一个固定的影响半径以确定对流云的面积。1995年Steiner等[5](Steiner M,Robert A.,Houze R A Jr,et al.1995.Climatological characterization of three-dimensional storm structure from operational radar and rain gauge data.Appl.Meteor.,34:1978-2007.)指出CHurchuill等人方法中固定一个影响半径是不充分的,他们将影响半径改为雷达回波强度的函数,此外把回波强度阈值设定为局地平均的背景回波强度的函数,这种方法本质上还是BET方法,但他们将它称为“巅峰值法”或“SHY95”方法。2000年,Michael和Stevenz[6](BiggerstaffM I,Listemaa S A.2000.An improved scheme for convective/stratiform echo classification using radarreflectivity.Appl.Meteor.,39(12):2129-2150.)在传统SHY95方法的基础上,根据亮带的特征,考虑到水平和垂直方向的回波梯度变化,将回波垂直廓线特征加入该方法中,并用到了雷达资料以外的0°等温线所在高度的资料,但是实际应用中可能没有这个资料,使用存在一定局限性。以上所提到的方法都使用固定的阈值或边界条件去进行云识别,所以这些方法就对阈值很敏感。因为层云和对流云在很多方面都有一定的交集,使用固定边界条件或阈值常常导致误判。层云及对流云它们之间的边界很难直接定量给出。本发明的发明人杨毅等人提出了模糊逻辑算法(Fuzzylogic)来进行层云与对流云识别(Yang,Y.,X.Chen,and Y.Qi,2013,Classification of convective/stratiform echoes in radar reflectivity observationsusing a fuzzy logic algorithm,J.Geophys.Res.Atmos.,118,1896–1905,doi:10.1002/jgrd.50214.)。
基于云分类的雷达定量降水估计算法步骤:
采用Yang,Y.,X.Chen,and Y.Qi(2013),Classification of convective/stratiform echoes inradar reflectivity observations using a fuzzy logic algorithm,J.Geophys.Res.Atmos.,118,1896–1905,doi:10.1002/jgrd.50214.方法预先对估计区域的云层种类进行确定。
(1)将雷达资料插值到直角坐标系中。(2)4个回波特征作为识别参数进行模糊逻辑算法进行层云和对流云识别分类:
(a),先求出各个识别参数。这里的识别参数有四个:2km高度处的回波强度zwrk(单位:dBZ)及其标准差std(单位:dBZ)、回波顶高与2km高度处回波强度值的乘积pztop(单位:km·dBZ)、垂直累计液态水含量vil(单位:kg/km2)。(b)构造云识别的隶属函数。函数表达式如下:
其中下标k表示识别参数,N为识别参数个数,在本实施例中共4个识别参数,所以取N=4;下标C代表对流云;S代表层状云;x即为各识别参数数值;a,b表示不同识别参数对应的参考门限值,不同识别参数对应的参考门限值不同,对于zwrk,a=20dBZ,b=45dBZ;对于std,a=1dBZ,b=14dBZ;对于pztop,a=100km·dBZ,b=500km·dBZ;对于vil,a=0.5kg/km2,b=5.0kg/km2(Yang,Y.,X.Chen,and Y.Qi(2013),Classification of convective/stratiform echoes in radar reflectivity observations using afuzzy logic algorithm,J.Geophys.Res.Atmos.,118,1896–1905,doi:10.1002/jgrd.50214.);将上述识别参数作为输入变量,即模糊化是将输入变量以隶属函数的方式转换成模糊基,云的类型概率作为输出变量,其值变化范围为[0,1]。很明显
μk,S(x,a,b)=1-μk,C(x,a,b) (3)
(c)将每个水平格点上对流云对应的N=4个不同特征参量所求的隶属度求和:
其中N为识别参数个数(N=4),μk,C为第k个识别参量对应的由隶属函数得到的对流云的隶属值。ωk为k个识别参数的权重系数;这个权重系数代表该特征参量对对流云的贡献程度或不确定程度,且所有识别参数权重系数之和为1(这里)。权重系数一般是由决策者给出,但是,决策者往往很难或者根本无法确定各个目标权重的准确值;另一方面,决策者虽不能给出一个确定的权重,却能给出一个大致的范围(邹进张勇传:一种多目标决策问题的模糊解法及在洪水调度中的应用,水利学报,2003,(1),119-122)。常用的确定权重的方法很多,但都带有较浓厚的主观色彩,在某些情况下,主观确定权数尚有客观的一面,一定程度上反应了实际情况(彭祖赠,孙韫玉:模糊数学及其应用,湖北:武汉大学出版社,2002,3.).我们利用历史数据来统计各个特征参量和降水类别的关系,来找出他们的大概贡献程度.在此,文中识别参数权重ωk都取同一值(1/4)。
(3)将第2步云分类得到的结果中对流云可能性PC>0.5时认为是对流云,用对流云Z-I关系,即Z=82I1.47;否则认为是层状云,用层云Z-I关系,即Z=143I1.5[9](Steiner M,Houze Jr R A,Yuter S E.1995.Climatological characterization of three-dimensional storm structure from operational radar and rain gauge data.Journal of Applied Meteorology,34(9):1978-2007.),得出最终降水率。
算法评估检验:为了说明不同降水类型用不同的Z-I关系优于雷达默认的Z-I关系估计降水,设置了两组试验:
(1)雷达默认降水算法:完全采用雷达自带软件默认降水算法,即Z-I关系为Z=300I1.4;
(2)本发明的云分类降水算法:采用提出的基于云分类的雷达定量降水估计算法,即降水格点如果是对流云时Z-I关系为Z=82I1.47,如果是层状云时Z-I关系为Z=143I1.5。
然后将两组试验估计的降水结果和雨量站实际观测的进行比较。为了定量评估两种算法(两组试验)的降水估计效果,这里选择了3个统计指标:
(a)相关系数:
其反应站点雨量计观测的降水与雷达定量估计的降水之间线性相关程度。
(b)平均绝对误差率
因为雷达估测降水的误差有正有负,平均会使正负抵消,不能客观反映雷达估测降水相对于雨量计测量降水的离差情况,因此为了反映雷达估测降水场的整体精度,定义平均绝对误差率:
(c)均方根误差:
降水分布极不均匀,降水区内大雨和小雨同时存在,由于大雨估测的平均绝对误差率远大于小雨,使用均方根误差来描述雷达估测降水的精度时主要反映大雨的估测结果,为此定义均方根误差:
由以上各式可以看出,方差值越小,说明雷达估计降水偏离其均值的幅度越小,即降水越稳定;相关系数越大,说明站点雨量计观测的降水与雷达定量估计的降水之间线性相关程度越高;RAE值越小说明雷达估测降水场的整体精度越高;RMSE值越小说明雷达对大雨部分的估测越准确。
结果分析:以2009年7月22日(文中时间均值世界时)发生在安徽省的一次强降水过程为例。此次暴雨过程江淮各省份受灾严重,其中安徽省58.9万人口受灾,农作物受灾面积达42.3千公顷,共倒塌745间民房,造成直接经济损失达1.58亿元。受副高减弱,冷空气南下影响,7月21日下午至22日8时,淮北大部、江淮之间东部、江南东北部降中到大雨,局部暴雨、大暴雨;滁州及巢湖的含山、和县大部点雨量达100毫米左右,其中较大点雨量:凤阳鹿塘水库152毫米,天长釜山112毫米、定远仓东水库116毫米、含山城关120毫米、和县戎桥水库133毫米。从雨量站19:00到20:00的1h观测降水(图1)来看,此时,降水范围广,安徽省北部为主要降水区域,大部分降水强度小于4mm/h,其中合肥雷达西北部降水强度较大,主要分布在六安、淮南和蚌埠等地区,最大值达40mm/h。
根据上面提出的模糊逻辑算法,利用合肥雷达19:00到20:00这1小时之内的10次观测资料进行对流云与层状云的识别。图2,3,4分别显示的是这1小时开始时刻、中间时刻、结束时刻的资料识别结果,图中的色标代表是对流云的可能性,当其值大于0.5时认为是对流云,否则是层状云。从图中可以看出,此次强降水过程是以层状云降水为主的对流云与层状云的混合型降水。从开始时刻至结束时刻,大部分分析区域上空有云层覆盖。层状云区域,云层覆盖面积大、持续时间长。只有合肥雷达西北方向有部分区域对流云概率值大于0.5,认为是对流云,覆盖面积小,云变化频繁,其镶嵌在大范围的层状云中。由此,估计降水范围比较大,而且合肥雷达西北方向可能会出现局地特大暴雨。与观测的降水分析一致,层状云区域对应的降水强度较小,基本在4mm/h以下;对流云对应的区域降水强度大,基本大于20mm/h。
雷达估计降水与云识别结果具有很好的对应关系,对流云概率值越大降水强度越大。大部分地区降水强度在4mm/h以下,这些地方刚好对应云识别图中的层状云区域。在雷达西北部降水量相对比较大,刚好对应云识别图中的对流云区域。相比之下,云分类降水算法(图6)估计降水量比雷达默认降水算法(图5)的要大,更接近与雨量站观测的降水(图1)。从整个降水量分析,此次降水过程中,层状云覆盖面积大、持续时间长,对流云覆盖面积小、变化频繁,有对流云时一般降水强度很大,但是,部分地区层状云的降水量甚至大于对流云的降水量,说明暴雨时形成强对流天气的主要原因是对流云区,而层状云区对暴雨的降水量和时间有直接的作用。
为了更清楚地看出新算法优于雷达自带软件默认算法,另给出了分析时刻1小时雷达估计降水与加密观测站观测降水的散点对比图,如图7所示。其中横坐标代表加密观测站观测降水,纵坐标代表雷达估计降水,图中的对角线代表最佳拟合直线,即落在直线上的点代表雷达估计降水与加密观测站观测降水完全相等,位于直线上方的点代表雷达估计降水大于加密观测站观测降水(高估),位于直线下方的点代表雷达估计降水小于加密观测站观测降水(低估)。从图中看出,将降水按不同类型分为层状云降水与对流云降水,然后再按各自对应的Z-I关系估计降水,要比直接按雷达默认的Z-I关系估计降水效果好,更接近与雨量站实际观测降水,明显改善了雷达估计降水的低估问题。
3个统计指标计算结果如表1所示。由表1看出,云分类降水算法相关系数高于雷达默认降水算法,对RAE值和RMSE值来说,都是云分类降水算法小于雷达默认降水算法,说明对流云与层状云按各自对应的Z-I关系估计的降水场的整体精度更高,而且,对大雨部分的估计也更准确。
表12009年7月22日19:00-20:00时1h雷达定量估计降水量的效果评估(n=177,其中*代表通过95%的显著性检验)
由以上内容可见本发明的优点是:(1)地面雨量站测量的雨强和雨量站网密度过稀而往往缺乏代表性,很难准确地测出一定区域上的雨量。而雷达却能估计雷达扫描范围内的雨量分布和降雨量,且可以及时地取得大面积定量的降水资料。(2)用模糊逻辑算法能更准确地识别对流云与层状云,能提高降水估计的准确率。一次大范围降水中往往有多种类型的降水同时存在,并不是所有降水都使用同一种确定的Z-I关系,不同的降水类型使用不同的Z-I关系估计降水,从而减小Z-I关系的不稳定性带来的降水估计误差。
Claims (1)
1.基于云分类的雷达定量降水估计方法,其特征在于先确定被测区域的云种类,当被测区域的云为对流云时用Z=82I1.47估计降水;当被测区域的云为层状云时,用Z=143I1.5估计降水,式中Z为1km高度处的反射率因子,Z的单位为mm6/m3,I为估计的降水强度,单位为mm/h。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410081721.XA CN103792524A (zh) | 2014-03-06 | 2014-03-06 | 基于云分类的雷达定量降水估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410081721.XA CN103792524A (zh) | 2014-03-06 | 2014-03-06 | 基于云分类的雷达定量降水估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103792524A true CN103792524A (zh) | 2014-05-14 |
Family
ID=50668384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410081721.XA Pending CN103792524A (zh) | 2014-03-06 | 2014-03-06 | 基于云分类的雷达定量降水估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103792524A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891833A (zh) * | 2016-04-15 | 2016-08-24 | 兰州大学 | 基于多普勒雷达信息识别暖云降水率的方法 |
CN107807907A (zh) * | 2017-09-08 | 2018-03-16 | 中国电力科学研究院 | 一种降水分类方法及系统 |
CN108474867A (zh) * | 2015-12-18 | 2018-08-31 | 釜庆大学校产学协力团 | 高分辨率降水量资料复原系统及其方法 |
CN108535731A (zh) * | 2018-04-18 | 2018-09-14 | 青岛心中有数科技有限公司 | 短临降水预报方法与装置 |
CN108761408A (zh) * | 2018-06-24 | 2018-11-06 | 中国气象局上海台风研究所 | 一种评估地基天气雷达非降水回波识别算法效果的方法 |
CN109061646A (zh) * | 2018-06-26 | 2018-12-21 | 成都信息工程大学 | 一种基于降水云识别的多普勒天气雷达定量降水估计方法 |
CN109490891A (zh) * | 2018-11-23 | 2019-03-19 | 四川省气象探测数据中心 | 二次云数据获取方法、装置及云参数计算设备 |
CN109614744A (zh) * | 2018-12-28 | 2019-04-12 | 华东交通大学 | 一种基于大数据的降水量检测方法及系统 |
CN110059766A (zh) * | 2019-04-26 | 2019-07-26 | 兰州大学 | 一种运用k临近算法进行降水类型分类的方法 |
CN110082842A (zh) * | 2019-05-24 | 2019-08-02 | 北京敏视达雷达有限公司 | 一种降水估测方法及装置 |
CN110174687A (zh) * | 2019-05-24 | 2019-08-27 | 中国气象科学研究院 | 一种云水路径获取方法及装置 |
CN110208807A (zh) * | 2019-06-14 | 2019-09-06 | 哈尔滨工程大学 | 一种基于航海雷达图像检测区域差异性参数的雨强等级反演方法 |
JP2019152567A (ja) * | 2018-03-05 | 2019-09-12 | 富士通株式会社 | 算出プログラム、算出方法、算出装置、及び表示プログラム |
CN110826526A (zh) * | 2019-11-19 | 2020-02-21 | 上海无线电设备研究所 | 一种测云雷达识别云类的方法 |
CN111123408A (zh) * | 2019-11-26 | 2020-05-08 | 深圳震有科技股份有限公司 | 一种基于gis预测降水分布的方法、系统及存储介质 |
CN111323026A (zh) * | 2018-12-17 | 2020-06-23 | 兰州大学 | 一种基于高精度点云地图的地面过滤方法 |
CN113034853A (zh) * | 2021-03-02 | 2021-06-25 | 成都正和德能风险管理咨询有限公司 | 一种洪水预报预警分析方法及系统 |
CN116184342A (zh) * | 2023-04-27 | 2023-05-30 | 无锡智鸿达电子科技有限公司 | 一种基于多雷达组网的测云雷达数据校准方法及系统 |
-
2014
- 2014-03-06 CN CN201410081721.XA patent/CN103792524A/zh active Pending
Non-Patent Citations (1)
Title |
---|
MATTHIAS STEINER等: "Climatological characterization of three-dimensional storm structure from operational radar and rain gauge data", 《JOURNAL OF APPLIED METEOROLOGY》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108474867A (zh) * | 2015-12-18 | 2018-08-31 | 釜庆大学校产学协力团 | 高分辨率降水量资料复原系统及其方法 |
CN105891833A (zh) * | 2016-04-15 | 2016-08-24 | 兰州大学 | 基于多普勒雷达信息识别暖云降水率的方法 |
CN107807907A (zh) * | 2017-09-08 | 2018-03-16 | 中国电力科学研究院 | 一种降水分类方法及系统 |
JP2019152567A (ja) * | 2018-03-05 | 2019-09-12 | 富士通株式会社 | 算出プログラム、算出方法、算出装置、及び表示プログラム |
JP7052429B2 (ja) | 2018-03-05 | 2022-04-12 | 富士通株式会社 | 算出プログラム、算出方法、算出装置、及び表示プログラム |
CN108535731A (zh) * | 2018-04-18 | 2018-09-14 | 青岛心中有数科技有限公司 | 短临降水预报方法与装置 |
CN108761408A (zh) * | 2018-06-24 | 2018-11-06 | 中国气象局上海台风研究所 | 一种评估地基天气雷达非降水回波识别算法效果的方法 |
CN108761408B (zh) * | 2018-06-24 | 2023-05-23 | 中国气象局上海台风研究所(上海市气象科学研究所) | 一种评估地基天气雷达非降水回波识别算法效果的方法 |
CN109061646A (zh) * | 2018-06-26 | 2018-12-21 | 成都信息工程大学 | 一种基于降水云识别的多普勒天气雷达定量降水估计方法 |
CN109061646B (zh) * | 2018-06-26 | 2022-04-08 | 成都信息工程大学 | 一种基于降水云识别的多普勒天气雷达定量降水估计方法 |
CN109490891A (zh) * | 2018-11-23 | 2019-03-19 | 四川省气象探测数据中心 | 二次云数据获取方法、装置及云参数计算设备 |
CN111323026A (zh) * | 2018-12-17 | 2020-06-23 | 兰州大学 | 一种基于高精度点云地图的地面过滤方法 |
CN109614744A (zh) * | 2018-12-28 | 2019-04-12 | 华东交通大学 | 一种基于大数据的降水量检测方法及系统 |
CN110059766A (zh) * | 2019-04-26 | 2019-07-26 | 兰州大学 | 一种运用k临近算法进行降水类型分类的方法 |
CN110082842A (zh) * | 2019-05-24 | 2019-08-02 | 北京敏视达雷达有限公司 | 一种降水估测方法及装置 |
CN110174687A (zh) * | 2019-05-24 | 2019-08-27 | 中国气象科学研究院 | 一种云水路径获取方法及装置 |
CN110174687B (zh) * | 2019-05-24 | 2020-11-20 | 中国气象科学研究院 | 一种云水路径获取方法及装置 |
CN110208807A (zh) * | 2019-06-14 | 2019-09-06 | 哈尔滨工程大学 | 一种基于航海雷达图像检测区域差异性参数的雨强等级反演方法 |
CN110826526A (zh) * | 2019-11-19 | 2020-02-21 | 上海无线电设备研究所 | 一种测云雷达识别云类的方法 |
CN111123408A (zh) * | 2019-11-26 | 2020-05-08 | 深圳震有科技股份有限公司 | 一种基于gis预测降水分布的方法、系统及存储介质 |
CN111123408B (zh) * | 2019-11-26 | 2022-02-18 | 深圳震有科技股份有限公司 | 一种基于gis预测降水分布的方法、系统及存储介质 |
CN113034853A (zh) * | 2021-03-02 | 2021-06-25 | 成都正和德能风险管理咨询有限公司 | 一种洪水预报预警分析方法及系统 |
CN113034853B (zh) * | 2021-03-02 | 2023-10-17 | 成都正和德能风险管理咨询有限公司 | 一种洪水预报预警分析方法及系统 |
CN116184342A (zh) * | 2023-04-27 | 2023-05-30 | 无锡智鸿达电子科技有限公司 | 一种基于多雷达组网的测云雷达数据校准方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103792524A (zh) | 基于云分类的雷达定量降水估计方法 | |
Ma et al. | Precipitation bias variability versus various gauges under different climatic conditions over the Third Pole Environment (TPE) region. | |
CN105678085B (zh) | 一种pm2.5浓度的估算方法及系统 | |
Yasutomi et al. | Development of a long-term daily gridded temperature dataset and its application to rain/snow discrimination of daily precipitation | |
CN102628944B (zh) | 一种基于多普勒雷达资料的层云与对流云自动识别方法 | |
CN105891833A (zh) | 基于多普勒雷达信息识别暖云降水率的方法 | |
Collis et al. | Statistics of storm updraft velocities from TWP-ICE including verification with profiling measurements | |
KR101531224B1 (ko) | 이중편파 레이더 기반의 강수 추정 시스템 및 그 방법 | |
CN106842368B (zh) | 一种基于北斗定位的单点降水预报方法 | |
Tao et al. | Using fractal downscaling of satellite precipitation products for hydrometeorological applications | |
CN102175209B (zh) | 历史遥感产品数据支持下的作物种植面积测量高效抽样方法 | |
Schrom et al. | Connecting microphysical processes in Colorado winter storms with vertical profiles of radar observations | |
Manton et al. | A confirmatory snowfall enhancement project in the Snowy Mountains of Australia. Part I: Project design and response variables | |
CN105069295B (zh) | 基于卡尔曼滤波的卫星以及地面降水测量值同化方法 | |
CN106019408A (zh) | 一种基于多源遥感数据的高分辨率卫星遥感估算方法 | |
CN110044327A (zh) | 一种基于sar数据与gnss数据的基础设施沉降监测方法及系统 | |
CN113866770A (zh) | 一种冰雹云早期识别方法及存储介质 | |
Hormann et al. | Variability of near-surface circulation and sea surface salinity observed from Lagrangian drifters in the northern Bay of Bengal during the waning 2015 southwest monsoon | |
Wang et al. | Application of wind-profiling radar data to the analysis of dust weather in the Taklimakan Desert | |
Yin et al. | On statistical nowcasting of road surface temperature | |
CN105068075B (zh) | 一种近地面大风的计算方法 | |
Wardah et al. | Radar rainfall estimates comparison with kriging interpolation of gauged rain | |
CN103593576B (zh) | 一种人工增雨环境效应测评方法 | |
CN103424782A (zh) | 一种中层径向辐合的自动识别方法 | |
Gregow et al. | Improving the precipitation accumulation analysis using lightning measurements and different integration periods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140514 |