CN104200082A - 台风登陆预测方法 - Google Patents
台风登陆预测方法 Download PDFInfo
- Publication number
- CN104200082A CN104200082A CN201410419651.4A CN201410419651A CN104200082A CN 104200082 A CN104200082 A CN 104200082A CN 201410419651 A CN201410419651 A CN 201410419651A CN 104200082 A CN104200082 A CN 104200082A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- region
- landfall
- landing
- probability
- 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.)
- Granted
Links
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种台风登陆预测方法,包括:获取特定区域的台风活动记录;从台风活动记录中筛选出登陆台风和未登陆台风;筛选出登陆台风在登陆特定区域之前的预设时间段,登陆台风所在的区域,并利用聚类算法将区域化为多个子区域;针对多个子区域中的每个区域,筛选出进入每个区域的所有登陆台风观测点和未登陆台风观测点,并分别获取登陆台风观测点和未登陆台风观测点的特征因子;利用每个区域获取的登陆台风观测点和未登陆台风观测点的特征因子,利用分类算法生成每个区域的台风登陆判断标准;利用每个区域获取的登陆台风观测点和未登陆台风观测点,对每个区域的台风登陆判断标准进行验证,以获取台风登陆预测的概率。本方法准确性高,实时性好。
Description
技术领域
本发明涉及台风预警技术领域,尤其涉及一种台风登陆预测方法。
背景技术
台风预报评估工作在国内外一直被广泛关注,由于台风具有随机性强、影响范围广、爆发能量巨大的特点,以往的研究主要集中于台风强度及路径预测方面。美国国家飓风中心、日本东京台风中心和中国中央气象台等多个机构一直对不同区域的热带气旋的预报情况进行统计分析、总结和改进。
目前台风预测的主要方法有:变维分形模型预测,基于地理信息系统(GIS)的空间分析预测、气候持续(CLIPER)模式预测,基于遗传算法的人工神经元网络预测,数值预报模式并行化预测,卫星导风技术预测和分形分布模型预测等。以2004年为例,美国飓风中心分别预测预测大西洋飓风24/48/72小时位置平均距离误差分别为106/187/280公里。日本东京台风中心发布的台风位置预测平均误差分别为125/243/355公里。中国中央气象台24/48/72小时台风位置预报平均误差分别为120/215/326公里。由此可见台风路径预报误差较大的缺点虽有所改善,但仍旧无法满足各行业对台风预报精度的需求。而且以往的台风预测方法不能判断台风是否登陆,只能预测台风路径及相应特征因子。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种准确性高、实时性强的台风登陆预测方法。
为了实现上述目的,本发明的实施例提出一种台风登陆预测方法,包括以下步骤:获取特定区域的台风活动记录;从所述台风活动记录中筛选出登陆台风和未登陆台风;筛选出所述登陆台风在登陆所述特定区域之前的预设时间段,所述登陆台风所在的区域,并利用聚类算法将所述区域化为多个子区域;针对所述多个子区域中的每个区域,筛选出进入所述每个区域的所有登陆台风观测点和未登陆台风观测点,并分别获取所述登陆台风观测点和所述未登陆台风观测点的特征因子;利用所述每个区域获取的所述登陆台风观测点和所述未登陆台风观测点的特征因子,利用分类算法生成所述每个区域的台风登陆判断标准;利用所述每个区域获取的所述登陆台风观测点和所述未登陆台风观测点,对所述每个区域的台风登陆判断标准进行验证,以获取所述台风登陆预测的概率。
根据本发明实施例的台风登陆预测方法,依据特定区域的台风登陆记录,结合聚类分析和分类分析等的数据挖掘方法,计算出特定区域的台风的登陆的判断标准和预测概率,目标性强。准确性高,实时性好。
在一些示例中,所述登陆台风定义为:台风中心与特定区域边界的最小距离小于或等于台风的影响半径。
在一些示例中,所述最小距离的计算公式为:假设已知两点的经纬度坐标分别为d1=(E1,N1),d2=(E2,N2),则所述已知两点之间的最小距离为:
|d1d2|=R·arccos[cosN1·cosN2·cos(E1-E2)+sinN1·sinN2]
其中,E1,E2代表经度,N1,N2代表纬度,R为地球的平均半径。
在一些示例中,所述聚类算法为K-means聚类算法。
在一些示例中,所述特征因子包括:强度等级、纬度、经度、中心最低气压、2分钟平均近中心最大风速、纬度迁移速度和经度迁移速度。
在一些示例中,所述纬度迁移速度和经度迁移速度的计算公式为:假设当前观测时刻和所述当前观测时刻之前的两个观测时刻的台风中心经纬度分别为(Et,Nt),(Et-1,Nt-1)和(Et-2,Nt-2),则所述当前时刻的所述经度迁移速度和所述纬度迁移速度分别如下所示:
其中,R为地球的平均半径, 所述经度迁移速度和所述纬度迁移速度的单位为:km/h。
在一些示例中,所述分类算法为分类回归树算法。
在一些示例中,所述台风登陆预测的概率包括:正判概率、虚警概率和漏检概率。
在一些示例中,所述正判概率、虚警概率和漏检概率的计算公式如下:假设某区域中的登陆台风和未登陆台风的观测点的数目分别为Z1和Z2,将登陆台风观测点的台风登陆的数目设为M1,将未登陆台风观测点未登陆台风的数目为M2,则所述正判概率、虚警概率和漏检概率分别为:
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是根据本发明一个实施例的台风登陆预测方法的流程图;
图2是本发明一个实施例的台风登陆前48小时所处区域划分示意图;
图3是本发明一个实施例的一个区域的台风登陆判断标准流程图;和
图4是本发明一个实施例的另一个区域的台风登陆判断标准流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明的实施例提出一种台风登陆预测方法,如图1所示的根据本发明一个实施例的台风登陆预测方法的流程图,该方法包括:获取特定区域的台风活动记录;从台风活动记录中筛选出登陆台风和未登陆台风;筛选出登陆台风在登陆特定区域之前的预设时间段,登陆台风所在的区域,并利用聚类算法将区域化为多个子区域;针对多个子区域中的每个区域,筛选出进入每个区域的所有登陆台风观测点和未登陆台风观测点,并分别获取登陆台风观测点和未登陆台风观测点的特征因子;利用每个区域获取的登陆台风观测点和未登陆台风观测点的特征因子,利用分类算法生成每个区域的台风登陆判断标准;利用每个区域获取的登陆台风观测点和未登陆台风观测点,对每个区域的台风登陆判断标准进行验证,以获取台风登陆预测的概率。具体过程如下:
步骤S101,获取特定区域的台风活动记录。
步骤S102,从台风活动记录中筛选出登陆台风和未登陆台风。
具体地,在本发明的一个实施例中,登陆台风定义为:台风中心与特定区域边界的最小距离小于或等于台风的影响半径。其中,最小距离的计算公式为:
假设已知两点的经纬度(弧度制)坐标分别为d1=(E1,N1),d2=(E2,N2),则已知两点之间的最小距离为:
|d1d2|=R·arccos[cosN1·cosN2·cos(E1-E2)+sinN1·sinN2]
其中,E1,E2代表经度,N1,N2代表纬度,R为地球的平均半径。
步骤S103,筛选出登陆台风在登陆特定区域之前的预设时间段,登陆台风所在的区域,并利用聚类算法将区域化为多个子区域。
具体地,在本发明的一个实施例中,筛选出登陆台风在登陆前48小时所在的区域,然后利用K-means聚类算法,将该区域化为若干个子区域。子区域的数目根据实际情况而定,目的是缩小研究范围,提高登陆判断准则的正判概率。
步骤S104,针对多个子区域中的每个区域,筛选出进入每个区域的所有登陆台风观测点和未登陆台风观测点,并分别获取登陆台风观测点和未登陆台风观测点的特征因子。
具体地,在本发明的一个实施例中,针对每个子区域,筛选出进入该子区域的所有登陆台风观测点和未登陆台风观测点,分别得到这些观测点的7个特征因子,包括强度等级(SG)、纬度(LAT)、经度(LON)、中心最低气压(AP)、2分钟平均近中心最大风速(WS)、纬度迁移速度(LATMV)和经度迁移速度(LONMV)。其中,经度迁移速度和纬度迁移速度的计算方法如下:假设当前观测时刻和当前观测时刻之前的两个观测时刻的台风中心经纬度(弧度制)分别为(Et,Nt),(Et-1,Nt-1)和(Et-2,Nt-2),则当前时刻的经度迁移速度(LONMVt)和纬度迁移速度(LATMVt)分别下所示:
其中,R为地球的平均半径, 经度迁移速度和纬度迁移速度的单位为:km/h。
步骤S105,利用每个区域获取的登陆台风观测点和未登陆台风观测点的特征因子,利用分类算法生成每个区域的台风登陆判断标准。
具体地,在本发明的一个实施例中,利用上述步骤S104中的每个区域所筛选出的观测点的7个特征因子,结合分类回归树(CART)算法,形成每个区域的台风登陆判断标准。
步骤S106,利用每个区域获取的登陆台风观测点和未登陆台风观测点,对每个区域的台风登陆判断标准进行验证,以获取台风登陆预测的概率。
具体地,在本发明的一个实施例中,对于每个区域的台风登陆判断标准,再次利用步骤S104中每个区域所筛选出的观测点,分别进行验证,得到相应的正判概率(PD)、虚警概率(PFA)和漏检概率(PFD)。这三个概率的计算方法如下:如果某区域中的登陆台风和未登陆台风的观测点的数目分别为Z1和Z2,将登陆台风观测点的台风登陆的数目设为M1,将未登陆台风观测点未登陆台风的数目为M2,则有:
下面以海南岛为例,具体介绍本发明实施例的台风登陆预测方法的实现过程:
1)获取海南岛所处地区的台风活动记录,其中,每个台风记录点应包括风速等级、纬度、经度、中心最低气压和2分钟平均近中心最大风速。具体地,获取海南岛所处地区的历史台风数据,来源于中国气象局(CMA)热带气旋资料中心(tcdata.typhoon.gov.cn)提供的1949年~2012年西北太平洋(含南海,赤道以北,东经180°以西)海域热带气旋最佳路径数据集,部分如表1所示。
表1海南岛所处地区历史台风数据样表
2)从海南岛地区台风活动记录中筛选出登陆台风和未登陆台风,其中登陆台风定义为:台风中心与特定区域边界的最小距离小于等于台风的影响半径。根据两点经纬度换算成两点距离的方法如下:如果已知两点的经纬度(弧度制)坐标为d1=(E1,N1),d2=(E2,N2),则两点之间的GCD(大圆距离:球面两点之间的最小距离)如下式所示:
|d1d2|=R·arccos[cosN1·cosN2·cos(E1-E2)+sinN1·sinN2],
其中,E1,E2代表经度,N1,N2代表纬度。设定台风影响半径为300km,利用上述公式,结合曲线拟合筛选出登陆台风与未登陆台风。
3)对于登陆台风,筛选出这些登陆台风在登陆前48小时所在的区域,然后利用K-means聚类算法,将该区域化为5个子区域,如图2所示。
4)针对每个子区域,筛选出进入该子区域的所有登陆台风观测点和未登陆台风观测点,分别得到这些观测点的7个特征因子,包括强度等级(SG)、纬度(LAT)、经度(LON)、中心最低气压(AP)、2分钟平均近中心最大风速(WS)、纬度迁移速度(LATMV)和经度迁移速度(LONMV)。其中经度迁移速度和纬度迁移速度的计算方法如下:假设当前观测时刻和之前两个观测时刻的台风中心经纬度(弧度制)分别为(Et,Nt),(Et-1,Nt-1)和(Et-2,Nt-2),则当前时刻的经度迁移速度(LONMVt)和纬度迁移速度(LATMVt)分别如下式所示:
其中,R为地球的平均半径, LONMVt和LATMVt的单位为:km/h。
5)利用4)中每个区域所筛选出的观测点的7个特征因子,结合分类回归树(CART)算法,形成每个区域的台风登陆判断标准,如图3和图4所示。
6)对于每个区域的台风登陆判断标准,再次利用4)中每个区域所筛选出的观测点,分别进行验证,得到相应的正判概率(PD)、虚警概率(PFA)和漏检概率(PFD)。这三个概率的计算方法如下:如果某区域中的登陆台风和未登陆台风观测点的数目分别为Z1和Z2,将登陆观测点登陆台风的数目设为M1,将未登陆观测点未登陆台风的数目设为M2,则有:
利用上述公式计算出每个台风登陆判据的正判概率、虚警概率和漏检概率,如表2所示。
表2各区域判断流程图的正判、虚警及漏检概率
根据本发明实施例的台风登陆预测方法,依据特定区域的台风登陆记录,结合聚类分析和分类分析等的数据挖掘方法,计算出特定区域的台风的登陆的判断标准和预测概率,目标性强。准确性高,实时性好。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种台风登陆预测方法,其特征在于,包括以下步骤:
获取特定区域的台风活动记录;
从所述台风活动记录中筛选出登陆台风和未登陆台风;
筛选出所述登陆台风在登陆所述特定区域之前的预设时间段,所述登陆台风所在的区域,并利用聚类算法将所述区域化为多个子区域;
针对所述多个子区域中的每个区域,筛选出进入所述每个区域的所有登陆台风观测点和未登陆台风观测点,并分别获取所述登陆台风观测点和所述未登陆台风观测点的特征因子;
利用所述每个区域获取的所述登陆台风观测点和所述未登陆台风观测点的特征因子,利用分类算法生成所述每个区域的台风登陆判断标准;
利用所述每个区域获取的所述登陆台风观测点和所述未登陆台风观测点,对所述每个区域的台风登陆判断标准进行验证,以获取所述台风登陆预测的概率。
2.如权利要求1所述的方法,其特征在于,所述登陆台风定义为:台风中心与特定区域边界的最小距离小于或等于台风的影响半径。
3.如权利要求2所述的方法,其特征在于,所述最小距离的计算公式为:
假设已知两点的经纬度坐标分别为d1=(E1,N1),d2=(E2,N2),则所述已知两点之间的最小距离为:
|d1d2|=R·arccos[cosN1·cosN2·cos(E1-E2)+sinN1·sinN2]
其中,E1,E2代表经度,N1,N2代表纬度,R为地球的平均半径。
4.如权利要求1所述的方法,其特征在于,所述聚类算法为K-means聚类算法。
5.如权利要求1所述的方法,其特征在于,所述特征因子包括:强度等级、纬度、经度、中心最低气压、2分钟平均近中心最大风速、纬度迁移速度和经度迁移速度。
6.如权利要求5所述的方法,其特征在于,所述纬度迁移速度和经度迁移速度的计算公式为:
假设当前观测时刻和所述当前观测时刻之前的两个观测时刻的台风中心经纬度分别为(Et,Nt),(Et-1,Nt-1)和(Et-2,Nt-2),则所述当前时刻的所述经度迁移速度和所述纬度迁移速度分别如下所示:
其中,R为地球的平均半径, 所述经度迁移速度和所述纬度迁移速度的单位为:km/h。
7.如权利要求1所述的方法,其特征在于,所述分类算法为分类回归树算法。
8.如权利要求1所述的方法,其特征在于,所述台风登陆预测的概率包括:正判概率、虚警概率和漏检概率。
9.如权利要求8所述的方法,其特征在于,所述正判概率、虚警概率和漏检概率的计算公式如下:
假设某区域中的登陆台风和未登陆台风的观测点的数目分别为Z1和Z2,将登陆台风观测点的台风登陆的数目设为M1,将未登陆台风观测点未登陆台风的数目为M2,则所述正判概率、虚警概率和漏检概率分别为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410419651.4A CN104200082B (zh) | 2014-08-22 | 2014-08-22 | 台风登陆预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410419651.4A CN104200082B (zh) | 2014-08-22 | 2014-08-22 | 台风登陆预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104200082A true CN104200082A (zh) | 2014-12-10 |
CN104200082B CN104200082B (zh) | 2017-07-28 |
Family
ID=52085375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410419651.4A Active CN104200082B (zh) | 2014-08-22 | 2014-08-22 | 台风登陆预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104200082B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570161A (zh) * | 2015-01-21 | 2015-04-29 | 中国南方电网有限责任公司 | 基于ec/jma全球格点预报资料的台风自动化预报方法 |
CN106501878A (zh) * | 2016-10-18 | 2017-03-15 | 河海大学 | 预估偏差法集合化台风预报方法 |
CN107103173A (zh) * | 2016-10-31 | 2017-08-29 | 陈柏宇 | 一种体现台风三因素影响的设计波高推算方法 |
CN110488392A (zh) * | 2019-08-13 | 2019-11-22 | 中国科学院海洋研究所 | 一种基于海平面气压数据的气旋中心识别和半径估算方法 |
CN110837136A (zh) * | 2019-10-30 | 2020-02-25 | 中国科学院深圳先进技术研究院 | 台风影响范围评估方法、装置、终端设备及存储介质 |
WO2021081795A1 (zh) * | 2019-10-30 | 2021-05-06 | 中国科学院深圳先进技术研究院 | 台风影响范围评估方法、装置、终端设备及存储介质 |
CN114355483A (zh) * | 2022-03-18 | 2022-04-15 | 南方海洋科学与工程广东省实验室(广州) | 一种台风中心定位方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156308A (zh) * | 2011-03-09 | 2011-08-17 | 南京恩瑞特实业有限公司 | 台风路径判别方法 |
KR20120008384A (ko) * | 2010-07-16 | 2012-01-30 | 제주대학교 산학협력단 | 한반도 해역의 태풍, 폭풍해일의 강도변화 예측 시스템 및 그 방법 |
CN102938075A (zh) * | 2012-11-29 | 2013-02-20 | 浙江师范大学 | 最大风半径和台风眼尺寸建模的相关向量机方法 |
CN103544379A (zh) * | 2013-09-30 | 2014-01-29 | 福建四创软件有限公司 | 基于gis的台风登陆相似分析方法 |
-
2014
- 2014-08-22 CN CN201410419651.4A patent/CN104200082B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120008384A (ko) * | 2010-07-16 | 2012-01-30 | 제주대학교 산학협력단 | 한반도 해역의 태풍, 폭풍해일의 강도변화 예측 시스템 및 그 방법 |
CN102156308A (zh) * | 2011-03-09 | 2011-08-17 | 南京恩瑞特实业有限公司 | 台风路径判别方法 |
CN102938075A (zh) * | 2012-11-29 | 2013-02-20 | 浙江师范大学 | 最大风半径和台风眼尺寸建模的相关向量机方法 |
CN103544379A (zh) * | 2013-09-30 | 2014-01-29 | 福建四创软件有限公司 | 基于gis的台风登陆相似分析方法 |
Non-Patent Citations (2)
Title |
---|
梅双丽等: "西北太平洋热带气旋迅速增强特征及其影响因子", 《热带气象学报》 * |
郑颖青等: "K-均值聚类法用于西北太平洋热带气旋路径分类", 《热带气象学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570161A (zh) * | 2015-01-21 | 2015-04-29 | 中国南方电网有限责任公司 | 基于ec/jma全球格点预报资料的台风自动化预报方法 |
CN104570161B (zh) * | 2015-01-21 | 2017-09-15 | 中国南方电网有限责任公司 | 基于ec/jma全球格点预报资料的台风自动化预报方法 |
CN106501878A (zh) * | 2016-10-18 | 2017-03-15 | 河海大学 | 预估偏差法集合化台风预报方法 |
CN106501878B (zh) * | 2016-10-18 | 2018-12-14 | 河海大学 | 预估偏差法集合化台风预报方法 |
CN107103173A (zh) * | 2016-10-31 | 2017-08-29 | 陈柏宇 | 一种体现台风三因素影响的设计波高推算方法 |
CN110488392A (zh) * | 2019-08-13 | 2019-11-22 | 中国科学院海洋研究所 | 一种基于海平面气压数据的气旋中心识别和半径估算方法 |
CN110837136A (zh) * | 2019-10-30 | 2020-02-25 | 中国科学院深圳先进技术研究院 | 台风影响范围评估方法、装置、终端设备及存储介质 |
WO2021081795A1 (zh) * | 2019-10-30 | 2021-05-06 | 中国科学院深圳先进技术研究院 | 台风影响范围评估方法、装置、终端设备及存储介质 |
CN114355483A (zh) * | 2022-03-18 | 2022-04-15 | 南方海洋科学与工程广东省实验室(广州) | 一种台风中心定位方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104200082B (zh) | 2017-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200082A (zh) | 台风登陆预测方法 | |
CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
Hondula et al. | A back‐trajectory and air mass climatology for the Northern Shenandoah Valley, USA | |
CN105095589B (zh) | 一种山区电网风区分布图绘制方法 | |
CN106950614A (zh) | 一种区域自动气象站小时雨量数据质量控制方法 | |
Messer et al. | Environmental sensor networks using existing wireless communication systems for rainfall and wind velocity measurements | |
CN109522603A (zh) | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 | |
CN104899437A (zh) | 强降雨型滑坡灾害预警方法 | |
CN111323352B (zh) | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 | |
CN111428942B (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
CN105206057A (zh) | 基于浮动车居民出行热点区域的检测方法及系统 | |
CN106842368B (zh) | 一种基于北斗定位的单点降水预报方法 | |
CN110019595A (zh) | 一种多源气象数据集成方法及系统 | |
CN104900057B (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
CN107367773A (zh) | 一种基于北斗定位的单点气象要素确定方法 | |
CN110009037A (zh) | 一种基于物理信息耦合的工程风速短时预测方法及系统 | |
CN105740643A (zh) | 一种基于城市区域网格自适应的pm2.5浓度推测方法 | |
CN104182594A (zh) | 一种电力系统风区图的绘制方法 | |
CN109191845A (zh) | 一种公交车辆到站时间预测方法 | |
CN103163568B (zh) | 利用界聚法预报强降水的方法 | |
CN104392113B (zh) | 一种近海海面冷空气大风风速的估算方法 | |
Svertoka et al. | Evaluation of real-life LoRaWAN localization: Accuracy dependencies analysis based on outdoor measurement datasets | |
CN104463442B (zh) | 一种城乡建设集聚性的探测方法 | |
Bartok et al. | Data mining for fog prediction and low clouds detection | |
CN103424782B (zh) | 一种中层径向辐合的自动识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |