CN108957594A - 一种商遥卫星轨道总云量预报修正方法及修正系统 - Google Patents
一种商遥卫星轨道总云量预报修正方法及修正系统 Download PDFInfo
- Publication number
- CN108957594A CN108957594A CN201810462595.0A CN201810462595A CN108957594A CN 108957594 A CN108957594 A CN 108957594A CN 201810462595 A CN201810462595 A CN 201810462595A CN 108957594 A CN108957594 A CN 108957594A
- Authority
- CN
- China
- Prior art keywords
- cloud
- total amount
- amount
- satellite
- forecast
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种商遥卫星轨道总云量预报修正方法及修正系统,本发明的修正方法包括以下步骤:提取云量预报图和累计概率总云量预报值;获取累计概率卫星总云量反演值;将云量预报图区隔成与商遥卫星的多个行进轨道格点相匹配的多个云量预报格点;根据各行进轨道格点的坐标对应查找与其位置相对应的各云量预报格点;分别提取出各云量预报格点中包含的云量预报数据,并将各云量数据汇总为原始卫星轨道总云量预报数据,计算卫星轨道总云量预报数据修正系数;对原始卫星轨道总云量预报数据进行修正,得到修正的卫星轨道总云量预报数据。本发明的修正方法及修正系统能够修正数值预报系统性误差,得到更准确的云量预报数据。
Description
技术领域
本发明涉及航天气象领域,尤其涉及一种商遥卫星轨道总云量预报修正方法及修正系统。
背景技术
商业遥感卫星(以下简称商遥卫星)具有高空间分辨率、高时间分辨率、覆盖区域广、制造成本低等优点,在国土资源调查、城市规划、地图编制、城市监管、林业、环保、资源管理、金融保险以及互联网等行业都有广泛而重要的应用。我国首个商遥卫星“高景一号”01/02卫星于2017年1月正式具备运营能力,03/04卫星与之构成星座后于2018年1月开始商业化运营服务。
就商遥卫星的拍摄而言,卫星自身参数、天气因素、信号与数传等等都会影响其拍摄,其中总云量是影响卫星拍摄的一个关键因素,历史统计表明商遥卫星废片率在70%左右,其中90%以上的废片是由于云的遮蔽照成。因此,为商遥卫星提供准确的总云量预报产品,能够降低废片率,带来显著的经济效益和社会效益。
20世纪70年代以来,数值天气预报作为全球预报技术的主要发展方向,给气象科学的发展带来了革命性的进步,支撑了预报准确率的持续提高。高景一号的拍摄是以一轨一景来分割的。作为极轨卫星,高景一号每次过境会拍摄一“轨”卫星条带数据,为便于管理和后续处理,将整轨按照幅宽进行切割,形成一个个接近等边的平行四边形的“景”。高景一号幅宽12km,每一景即12km*12km范围,需要提供0.1°*0.1°云量格点数据。因此,高景一号商业运营规划需要0.1°*0.1°全球总云量短期预报。在为高景一号商业运营规划提供总云量预报产品中,对2017年3月1日至5月31日的总云量预报准确率进行验证,显示:在亚欧大陆东部地区(70°~140°E,0°~60°N),包括东亚和南亚部分区域,48h内预报准确率在0.570~0.763之间,平均0.650,其中孟加拉湾(0.584)和青藏高原(0.598)为准确率较低的地区,而赤道地区(0.611)和高纬度地区(0.620)较其余纬度整体偏低。反映出现有业务数值预报数据库对大尺度云系的预报准确率较高,而赤道、孟加拉湾这类局地云系多发的区域,以及青藏高原这样典型的复杂区域,云量预报均有待改进。
目前,业务数值预报数据库借助优质的形势场预报、高质量的基本气象变量预报和不断改进的参数化方案,可以较好地预报总云量。以2017年3月1日11时为例,对比风云二号卫星反演的总云量(即云量实况)与相应时刻的业务数值预报数据库预报的总云量(即云量预报值)可知,预报的总云量和卫星反演的总云量整体一致性较好,不仅分布形态基本吻合,而且在中纬涡旋云系、赤道云带、极区锋面云系等细节的刻画上也颇为一致。但是,也可以直观地看到,业务数值预报数据库预报的总云量值显著偏大,在赤道和极区更为明显;同时在孟加拉湾和青藏高原附近地区也有明显的云系漏报。通过随机抽取并对比若干时次的预报值和反演值,发现预报值整体偏大、部分地区漏报云系的现象是普遍存在的,其显著影响模式评分检验结果,对总云量预报在商遥卫星规划中的实际应用效果也产生影响。
进一步分析业务数值预报数据库的流程发现,这种偏差可能与模式中使用的参数化方案相关,而利用现有的参数化经验公式无法实现偏差修正。因此,考虑通过一些算法来修正总云量预报的量值。
分析总云量预报的空间分布情况后,发现修正偏差需要解决的首要问题是修正预报量值;而修正预报量值,首要的问题就是如何确定数值的偏差量。对于云量这种空间非连续分布的气象变量来说,简单的加减容易带来更大的偏差,例如:某格点的云量预报值是0,计算得到的偏差是-20%,导致修正后的偏差量为-20%,即修正得到的是一个没有实际物理意义的云量预报值。
因此,如何修正预报系统误差、提高云量预报准确率,是商遥卫星云预报服务面临的一个技术难题。
因此,提出一种商遥卫星轨道总云量预报修正方法及修正系统。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的商遥卫星轨道总云量预报修正方法及修正系统,该修正方法及修正系统能够修正数值预报系统性误差,避免不合理的数值出现,得到更准确的总云量预报结果。
根据本发明的一个方面,本发明提供的商遥卫星轨道总云量预报修正方法,包括以下步骤:从业务数值预报数据库中提取云量预报图和累计概率总云量预报值;从卫星云图历史数据库获取累计概率卫星总云量反演值;将云量预报图区隔成与商遥卫星的多个行进轨道格点相匹配的多个云量预报格点;根据各行进轨道格点的坐标对应查找与其位置相对应的各云量预报格点;分别提取出各云量预报格点中包含的云量预报数据,并将各云量数据汇总为原始卫星轨道总云量预报数据,根据累计概率卫星总云量反演值与累计概率总云量预报值进行比值得到卫星轨道总云量预报数据修正系数;根据卫星轨道总云量预报数据修正系数对原始卫星轨道总云量预报数据进行修正,得到修正的卫星轨道总云量预报数据。
进一步地,通过以下公式对卫星轨道总云量预报数据进行修正:
Ck=Cc*ak
其中,Ck为修正的卫星轨道总云量预报数据,Cc为原始卫星轨道总云量预报数据,ak为卫星轨道总云量预报数据修正系数。
进一步地,通过以下公式将云量预报图区隔成与商遥卫星的多个行进轨道格点相匹配的多个云量预报格点:
其中,Cs为插值获得的预测位置s处的云量预报值,Ci为第i个格点处的预报值,λi为第i个格点处的预报值的权重,n为格点值数。
进一步地,通过以下公式根据各行进轨道格点的坐标对应查找与其位置相对应的各云量预报格点:
其中,LONm为第m景中心的经度,LONmn为第m景的4个顶点的经度,n=1,2,3,4;LATm为第m景中心的纬度,LATmn为第m景的4个顶点的纬度,n=1,2,3,4;
通过以下公式提取出各云量预报格点中包含的云量预报数据:
其中,Cm为中心经纬度为(LONm、LATm)的第m景的云量预报值,Cmj为景中心点周围第j个格点的云量预报值,j=1,2,3,4;Rmj为第j个格点与景中心之间的距离。
进一步地,通过以下方式从卫星云图历史数据库获取累计概率卫星总云量反演值:收集卫星总云量反演值的历史数据,统计总云量反演值的概率分布,计算总云量反演值累计概率分布,从该总云量反演值累计概率分布中获取预设时次下预设累计概率的累计概率卫星总云量反演值;通过以下方式从业务数值预报数据库中提取累计概率总云量预报值:收集业务数值预报数据库中总云量预报值的历史数据,统计总云量预报值的概率分布,计算总云量预报值累计概率分布,从该总云量预报值累计概率分布中获取预设时次下预设累计概率的累计概率总云量预报值。
根据本发明的另一方面,本发明提供的商遥卫星轨道总云量预报修正系统,包括:云量预报图提取模块,用于从业务数值预报数据库中提取云量预报图;累计概率总云量预报值提取模块,用于从业务数值预报数据库中提取累计概率总云量预报值;累计概率卫星总云量反演值获取模块,用于从卫星云图历史数据库获取累计概率卫星总云量反演值;云量预报格点匹配模块,用于将云量预报图区隔成与商遥卫星的多个行进轨道格点相匹配的多个云量预报格点;云量预报格点查找模块,根据各行进轨道格点的坐标对应查找与其位置相对应的各云量预报格点;原始卫星轨道总云量预报数据计算模块,分别提取出各云量预报格点中包含的云量预报数据,并将各云量数据汇总为原始卫星轨道总云量预报数据;卫星轨道总云量预报数据修正系数计算模块,用于根据累计概率卫星总云量反演值与累计概率总云量预报值进行比值得到卫星轨道总云量预报数据修正系数;卫星轨道总云量预报数据修正模块,用于根据卫星轨道总云量预报数据修正系数对原始卫星轨道总云量预报数据进行修正,得到修正的卫星轨道总云量预报数据。
进一步地,在卫星轨道总云量预报数据修正模块中,通过以下公式对原始卫星轨道总云量预报数据进行修正:
Ck=Cc*ak
其中,Ck为修正的卫星轨道总云量预报数据,Cc为原始卫星轨道总云量预报数据,ak为卫星轨道总云量预报数据修正系数。
进一步地,云量预报格点匹配模块中包含有实现匹配的如下公式:
其中,Cs为插值获得的预测位置s处的云量预报值,Ci为第i个格点处的预报值,λi为第i个格点处的预报值的权重,n为格点值数。
进一步地,云量预报格点查找模块包含有实现查找的如下公式:
其中,LONm为第m景中心的经度,LONmn为第m景的4个顶点的经度,n=1,2,3,4;LATm为第m景中心的纬度,LATmn为第m景的4个顶点的纬度,n=1,2,3,4;
卫星轨道总云量预报数据提取模块包含有实现提取的如下公式:
其中,Cm为中心经纬度为(LONm、LATm)的第m景的云量预报值,Cmj为景中心点周围第j个格点的云量预报值,j=1,2,3,4;Rmj为第j个格点与景中心之间的距离。
进一步地,在累计概率卫星总云量反演值获取模块中,通过以下方式从卫星云图历史数据库获取累计概率卫星总云量反演值:收集卫星总云量反演值的历史数据,统计总云量反演值的概率分布,计算总云量反演值累计概率分布,从该总云量反演值累计概率分布中获取预设时次下预设累计概率的累计概率卫星总云量反演值;在累计概率总云量预报值提取模块中,通过以下方式从业务数值预报数据库中提取累计概率总云量预报值:收集业务数值预报数据库中总云量预报值的历史数据,统计总云量预报值的概率分布,计算总云量预报值累计概率分布,从该总云量预报值累计概率分布中获取预设时次下预设累计概率的累计概率总云量预报值。
本发明与现有技术相比,具有以下优点:
1.本发明首先基于卫星总云量反演值的历史数据,统计不同总云量反演值的概率分布情况,得到总云量反演值的累积概率分布;进而收集业务数值预报数据库总云量预报值的历史数据,统计不同预报时次下总云量预报值的概率分布,得到不同预报时次的总云量预报值累积概率分布;然后根据“累积概率相同时总云量预报值应该等于反演值”的基本规则,计算偏差比例,即相应的修正系数;最后将实时接收的总云量预报值乘以修正系数,得到修正后的预报总云量,采用本发明的商遥卫星轨道总云量预报修正方法及修正系统能够提高总云量预报准确率,为商业遥感卫星提供技术支持,在商遥卫星云量预报服务中,修正了系统误差,能够提高总云量预报准确率,提高了云量预报产品质量;
2.本发明的商遥卫星轨道总云量预报修正方法及修正系统能够修正商遥卫星的云量数值预报,为拍摄规划提供更准确的总云量预报产品,进一步降低废片率,提高规划效率,具有显著的经济和社会效益。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的设置。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明的商遥卫星轨道总云量预报修正方法步骤图;
图2为“高景一号”商遥卫星拍摄“一轨”、“一景”示意图,图中左边为拍摄的“一轨”,右边为具体的“一景”;
图3为本发明克里金插值中实测点与待测点关系示意图;
图4为本发明克里金插值中实测点格点数值不一致示意图;
图5为本发明克里金插值中变异函数曲线;
图6为本发明的量值优化修正原理示意图;
图7为本发明的商遥卫星轨道总云量预报修正方法流程图;
图8(a)和8(b)分别为本发明对2017年3月亚欧大陆东部地区总云量原始预报和修正预报的全区域分时次评分检验图;
图9为本发明的商遥卫星轨道总云量预报修正系统连接框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所设置。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
图1为本发明的商遥卫星轨道总云量预报修正方法步骤图,如图1所示,本发明提供的商遥卫星轨道总云量预报修正方法,包括以下步骤:从业务数值预报数据库中提取云量预报图和累计概率总云量预报值;从卫星云图历史数据库获取累计概率卫星总云量反演值;将云量预报图区隔成与商遥卫星的多个行进轨道格点相匹配的多个云量预报格点;根据各行进轨道格点的坐标对应查找与其位置相对应的各云量预报格点;分别提取出各云量预报格点中包含的云量预报数据,并将各云量数据汇总为原始卫星轨道总云量预报数据,根据累计概率卫星总云量反演值与累计概率总云量预报值进行比值得到卫星轨道总云量预报数据修正系数;根据卫星轨道总云量预报数据修正系数对原始卫星轨道总云量预报数据进行修正,得到修正的卫星轨道总云量预报数据。本发明的商遥卫星轨道总云量预报修正方法能够修正商遥卫星的云量数值预报,为拍摄规划提供更准确的总云量预报产品,进一步降低废片率,提高规划效率,具有显著的经济和社会效益。
其中,所述商遥卫星轨道总云量预报修正方法,还包括:从多种业务数值预报数据库中选取合适的业务数值预报数据库。多种业务数值预报数据库包括GRAPES业务数值预报模式、T639业务数值预报模式、ECMWF业务数值预报模式和NCEP业务数值预报模式。
可以通过以下公式对卫星轨道总云量预报数据进行修正:
Ck=Cc*ak
其中,Ck为修正的卫星轨道总云量预报数据,Cc为原始卫星轨道总云量预报数据,ak为卫星轨道总云量预报数据修正系数。
图2为“高景一号”商遥卫星拍摄“一轨”、“一景”示意图,图中左边为拍摄的“一轨”,右边为具体的“一景”。如图1所示,高景一号的拍摄是以一轨一景来分割的。作为极轨卫星,高景一号每次过境会拍摄一“轨”卫星条带数据,为便于管理和后续处理,将整轨按照幅宽进行切割,形成一个个接近等边的平行四边形的“景”。高景一号幅宽12km,每一景即12km*12km范围,需要提供0.1°*0.1°云量格点数据。
因此,可以通过以下公式将云量预报图区隔成与商遥卫星的多个行进轨道格点相匹配的多个云量预报格点,以通过该步骤,对0.125°×0.125°的总云量预报格点数据Ci(下例中的实测点)插值,获得0.1°×0.1°的位置s处的Cs(下例中的待测点)的云量预报格点值:
其中,Cs为插值获得的预测位置s处的云量预报值,Ci为第i个格点处的预报值,λi为第i个格点处的预报值的权重,n为格点值数。其中,权重λi取决于格点、预测位置的距离和预测位置周围的格点值之间空间关系的拟合模型。
实例如下:
如图3所示,设待测点O坐标为(0,0),周围有十个坐标、数值已知的实测点,如下图所示:圆圈表示距待测点距离为3的范围。第一步,选取在范围内的A(0,1)、B(-1,-2)、C(3,0)和D(0,-3)四个点作为测量点,测量值分别为CA、CB、CC和CD,插值得出O处的数值,即:
Co=λACA+λBCB+λCCC+λDCD
第二步,建立空间拟合模型,计算被距离h分隔的每一点对相对应的位置。公式如下:
式中,n表示距离为固定长度的个数,Sh表示固定长度的变异函数方差值。
1)在ABCD格点数值都是0(无云)的情况下:
Sh在各个距离上都为0,输入各个实测点的λ权重后总和也为0。
2)在周围格点数值都是100(全部多云)的情况下:
同理,Sh在各个距离上都为0,输入各个实测点的λ权重后总和也为100。
3)在周围格点数值不一的情况下,假设A、C=0,B=90,D=100,如图5所示,要求得O处的数值;
第三步,建立变异函数曲线:通过选择变异模型来拟合样本获得变异函数曲线,进而计算插值结果。而变异模型的优劣决定了能否有效地拟合样本的变异性,对于插值结果影响很大。以下用于解释说明,选用线性拟合公式。
结合以下线性拟合公式:
得出回归方程y=791.76x+782.48,如图6所示。
O点到ABCD各点的距离分别为1、2.23、3和3,带入到回归方程中求得各自的半方差,半方差越小,则该观测点越接近所求点的值,赋予的权重越高,各个实测点的权重与各自半方差的倒数成正相关。
结合集合平均公式λA+λB+λC+λD=1,求得O点到ABCD各点的权重分别为0.38、0.24、0.19、0.19。
最终求得O点的值为40.6。
可以通过以下公式根据各行进轨道格点的坐标对应查找与其位置相对应的各云量预报格点:
其中,LONm为第m景中心的经度,LONmn为第m景的4个顶点的经度,n=1,2,3,4;LATm为第m景中心的纬度,LATmn为第m景的4个顶点的纬度,n=1,2,3,4。
例如,某一景四个顶点的经度为:LONm1=117.6°,LONm2=117.74°,LONm3=117.56°,LONm4=117.69°;纬度为:LATm1=36.49°,LATm2=36.47°,LATm3=36.33°,LATm4=36.3°。由于一景的范围很小,直接采用算术平均的方法来求得中心点的经纬度。
即,景中心点的经度为:
景中心点的纬度为:
进而通过以下公式提取出各云量预报格点中包含的云量预报数据:
其中,Cm为中心经纬度为(LONm、LATm)的第m景的云量预报值,Cmj为景中心点周围第j个格点的云量预报值,j=1,2,3,4;Rmj为第j个格点与景中心之间的距离。
例如:某一景周围4个格点的云量预报值分别为Cm1=80,Cm2=75,Cm3=65,Cm4=70;与景中心之间的距离依次为Rm1=5km,Cm2=7.5km,Cm3=3km,Cm4=5.5km。
则,某一景的云量预报值:
通过上述方程组构建的商遥卫星云量预报模型,即可获得某一景的云量预报结果。如本例中求得的第m景的云量预报值为73.45。
通过以下方式从卫星云图历史数据库获取累计概率卫星总云量反演值:收集卫星总云量反演值的历史数据,统计总云量反演值的概率分布,计算总云量反演值累计概率分布,从该总云量反演值累计概率分布中获取预设时次下预设累计概率的累计概率卫星总云量反演值;通过以下方式从业务数值预报数据库中提取累计概率总云量预报值:收集业务数值预报数据库中总云量预报值的历史数据,统计总云量预报值的概率分布,计算总云量预报值累计概率分布,从该总云量预报值累计概率分布中获取预设时次下预设累计概率的累计概率总云量预报值。
图6为本发明的量值优化修正原理示意图,图中点虚线1表示总云量卫星反演的累积概率分布;虚线2表示00时次总云量预报的累积概率分布;细实线3为修正系数。以2017年3月的修正实例为例,详细介绍修正的实施过程。具体如下:
第一,统计卫星总云量反演值Ck的累积概率分布,例如修正3月份的反演云量预报时,收集2月至4月的总云量卫星反演的3-5年历史资料,计算总云量反演的概率分布,总云量间隔为1;之后,计算总云量反演值的累积概率分布,总云量间隔仍然是1。从而得到总云量反演值的累积概率分布,如图6中的点虚线所示。
第二,统计数值总云量预报值Cf的累积概率分布,例如修正3月份的总云量预报值时,收集2月至4月的总云量预报值的3-5年历史资料,计算每个时次的总云量预报的概率分布,总云量间隔为1;之后,计算每个时次总云量预报的累积概率分布,总云量间隔仍然是1。从而得到预报总云量的累积概率分布,如图6中的虚线所示。
第三,计算修正系数ak,基于累积概率相同时总云量预报值应该等于反演值的原则,计算每个累积概率下总云量预报值与反演值的比值,即为相应的修正系数。例如,在图6中利用粗实线表示的累积概率是60%的时候,卫星总云量反演值是25,总云量预报值是70。这时,在60%的累积概率下,模式总云量的修正系数是:ak=25/70=0.357。
需要指出的是,根据月份的不同及时间的累积,可以相应更新修正系数。
第四,计算修正后的总云量预报值
Ck=Cc*ak
其中,Ck为修正后预报总云量,Cc为实时预报总云量,ak为修正系数。
将总云量预报值乘以修正系数,得到修正后的总云量预报。
推广应用步骤三中的例子,在修正中,如果遇到模式预报的总云量是70,需要将总云量预报值乘以修正系数0.357,得到修正后的总云量值为25。
重复上述过程,可以得到修正后的总云量预报值分布。通过对比总云量反演值、总云量预报值和修正后的总云量预报值,可以看出,总云量修正效果明显,总云量预报值整体偏大的情况明显改善,在赤道和极区修正后的总云量预报值整体更接近总云量反演值,反映出本方法对模式系统误差有显著改进。
图7为本发明的商遥卫星轨道总云量预报修正方法流程图,如图7所示,本发明的商遥卫星轨道总云量预报修正方法具体如下:
第一,统计卫星总云量反演值Ck的累积概率分布
收集卫星总云量反演值的历史数据,统计不同总云量反演值的概率分布情况,获得总云量反演值的累积概率分布。
优选地,历史数据可以选择当月、前一月及后一月的数据。比如:修正3月份的云量预报,历史数据可以使用过去若干年2月、3月及4月的卫星总云量反演值,当然,历史数据的选择期间不限于此。
第二,统计数值总云量预报值Cf的累积概率分布
收集业务数值预报数据库总云量预报值的历史数据,统计不同预报时次下总云量预报值的概率分布,得到不同预报时次的总云量预报值累积概率分布。
优选地,历史数据选取规则同步骤一。
第三,计算修正系数ak
根据“累积概率相同时总云量预报值应该等于反演值”的基本规则,计算偏差比例,即为相应的修正系数。
需要指出的是,根据月份的不同及时间的累积,可以逐月更新修正系数。
第四,计算修正后的总云量预报值Ck
Ck=Cc*ak
其中,Ck为修正后预报总云量,Cc为实时预报总云量,ak为修正系数。将总云量预报值乘以修正系数,得到修正后的总云量预报值。
本发明检验了2017年3月11时、14时、17时的修正效果,对比上述三个时次的卫星总云量反演值、总云量数值预报值和修正后的总云量预报值可以发现,本发明的修正方法可以改进数值预报量值。经过修正后,总云量预报效果改善明显,总体而言,总云量修正值与卫星反演值更接近,特别是在高纬度和低纬度等云层覆盖较密的区域,说明本发明的修正方法是有效的。
进一步对2017年3月亚欧大陆东部地区(70°~140°E,0°~60°N)总云量的修正效果作定量检验,以总云量预报值与反演值的差值的绝对值D来定量分析检验效果。表1为总云量预报检验评分标准表,表2为2017年3月亚欧大陆东部地区总云量数值预报评分统计表,表3为2017年3月亚欧大陆东部地区总云量修正预报评分统计表,图8展示了分区评分检验结果和全区域分时次评分检验结果。
表1
D | <5 | 5≤D<10 | 10≤D<15 | 15≤D<20 | 20≤D<25 | 25≤D<30 | 30≤D<35 | ≥35 |
得分 | 1 | 0.9 | 0.8 | 0.7 | 0.6 | 0.5 | 0.4 | 0 |
表2
表3
表2和表3统计了不同经纬度区域的检验结果,分别是2017年3月亚欧大陆东部地区总云量数值预报评分和修正预报评分。对比表2和表3可见,在云量分布常年较少的区域,比如内蒙古地区(110°~130°E、40°~50°N),改进作用有限,评分仅从0.73提高到0.78左右。而在对流发展旺盛、云量变化剧烈的地区,比如华南地区(100°~120°E、20°~30°N)、东南亚暖池地带(90°~120°E、0°~10°N)等,改进作用则较为明显;以广东地区(110°~120°E、20°~30°N)为例,评分从0.577提高到0.710;在东南亚低纬度地区(120°~130°E、0°~10°N),评分从0.56提升到0.70。上述数据表明,本发明能够有效修正云量数值预报的系统误差,提升预报准确率。
图8(a)和7(b)分别为本发明对2017年3月亚欧大陆东部地区总云量原始预报和修正预报的全区域分时次评分检验图,如图8所示,从不同时次的预报检验效果来看,总云量预报的评分随时间的变化较为稳定,修正之前,全区域的评分为0.7左右;修正之后,评分提高到0.77;提升幅度约为10%。
由表2和图8可知,经过总云量的量值修正,云量数值预报有较为明显的改善。
综合定性和定量的验证表明,本发明具备现实有效性,可以用于商遥卫星的云量数值预报修正,能够为拍摄规划提供更准确的总云量预报产品,降低废片率,提高规划效率,具有显著的经济和社会效益。
本发明首先基于卫星总云量反演值的历史数据,统计不同总云量反演值的概率分布情况,得到总云量反演值的累积概率分布;进而收集业务数值预报数据库总云量预报值的历史数据,统计不同预报时次下总云量预报值的概率分布,得到不同预报时次的总云量预报值累积概率分布;然后根据“累积概率相同时总云量预报值应该等于反演值”的基本规则,计算偏差比例,即相应的修正系数;最后将实时接收的总云量预报值乘以修正系数,得到修正后的预报总云量,采用本发明的商遥卫星轨道总云量预报修正方法及修正系统能够提高总云量预报准确率,为商业遥感卫星提供技术支持,在商遥卫星云量预报服务中,修正了系统误差,能够提高总云量预报准确率,提高了云量预报产品质量。
图9为本发明的商遥卫星轨道总云量预报修正系统连接框图,如图9所示,本发明提供的商遥卫星轨道总云量预报修正方法及修正系统,包括:云量预报图提取模块,用于从业务数值预报数据库中提取云量预报图;累计概率总云量预报值提取模块,用于从业务数值预报数据库中提取累计概率总云量预报值;累计概率卫星总云量反演值获取模块,用于从卫星云图历史数据库获取累计概率卫星总云量反演值;云量预报格点匹配模块,用于将云量预报图区隔成与商遥卫星的多个行进轨道格点相匹配的多个云量预报格点;云量预报格点查找模块,根据各行进轨道格点的坐标对应查找与其位置相对应的各云量预报格点;原始卫星轨道总云量预报数据计算模块,分别提取出各云量预报格点中包含的云量预报数据,并将各云量数据汇总为原始卫星轨道总云量预报数据;卫星轨道总云量预报数据修正系数计算模块,用于根据累计概率卫星总云量反演值与累计概率总云量预报值进行比值得到卫星轨道总云量预报数据修正系数;卫星轨道总云量预报数据修正模块,用于根据卫星轨道总云量预报数据修正系数对原始卫星轨道总云量预报数据进行修正,得到修正的卫星轨道总云量预报数据。
其中,所述商遥卫星轨道总云量预报修正系统,还包括:业务数值预报数据库选取模块,用于从多种业务数值预报数据库中选取合适的业务数值预报数据库。多种业务数值预报数据库包括GRAPES业务数值预报模式、T639业务数值预报模式、ECMWF业务数值预报模式和NCEP业务数值预报模式。
在卫星轨道总云量预报数据修正模块中,可以通过以下公式对原始卫星轨道总云量预报数据进行修正:
Ck=Cc*ak
其中,Ck为修正的卫星轨道总云量预报数据,Cc为原始卫星轨道总云量预报数据,ak为卫星轨道总云量预报数据修正系数。
云量预报格点匹配模块中包含有实现匹配的如下公式:
其中,Cs为插值获得的预测位置s处的云量预报值,Ci为第i个格点处的预报值,λi为第i个格点处的预报值的权重,n为格点值数。
云量预报格点查找模块包含有实现查找的如下公式:
其中,LONm为第m景中心的经度,LONmn为第m景的4个顶点的经度,n=1,2,3,4;LATm为第m景中心的纬度,LATmn为第m景的4个顶点的纬度,n=1,2,3,4;
卫星轨道总云量预报数据提取模块包含有实现提取的如下公式:
其中,Cm为中心经纬度为(LONm、LATm)的第m景的云量预报值,Cmj为景中心点周围第j个格点的云量预报值,j=1,2,3,4;Rmj为第j个格点与景中心之间的距离。
在累计概率卫星总云量反演值获取模块中,通过以下方式从卫星云图历史数据库获取累计概率卫星总云量反演值:收集卫星总云量反演值的历史数据,统计总云量反演值的概率分布,计算总云量反演值累计概率分布,从该总云量反演值累计概率分布中获取预设时次下预设累计概率的累计概率卫星总云量反演值;在累计概率总云量预报值提取模块中,通过以下方式从业务数值预报数据库中提取累计概率总云量预报值:收集业务数值预报数据库中总云量预报值的历史数据,统计总云量预报值的概率分布,计算总云量预报值累计概率分布,从该总云量预报值累计概率分布中获取预设时次下预设累计概率的累计概率总云量预报值。
本发明的商遥卫星轨道总云量预报修正系统首先基于卫星总云量反演值的历史数据,统计不同总云量反演值的概率分布情况,得到总云量反演值的累积概率分布;进而收集业务数值预报数据库总云量预报值的历史数据,统计不同预报时次下总云量预报值的概率分布,得到不同预报时次的总云量预报值累积概率分布;然后根据“累积概率相同时总云量预报值应该等于反演值”的基本规则,计算偏差比例,即相应的修正系数;最后将实时接收的总云量预报值乘以修正系数,得到修正后的预报总云量,采用本发明的商遥卫星轨道总云量预报修正方法及修正系统能够提高总云量预报准确率,为商业遥感卫星提供技术支持,在商遥卫星云量预报服务中,修正了系统误差,能够提高总云量预报准确率,提高了云量预报产品质量,本发明的商遥卫星轨道总云量预报修正系统能够修正商遥卫星的云量数值预报,为拍摄规划提供更准确的总云量预报产品,进一步降低废片率,提高规划效率,具有显著的经济和社会效益。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
以上所述的具体描述,对本发明的目的、技术方案和实施方式进行了详细说明,所应理解的是,以上所述的本发明的具体实例,并不用于限定本发明的保护范围,凡在本发明的精神与原则之内,所做的任何修改、等同替换、改进等,以及伴随相关技术进步后新的资料源和数值预报模式,以及预报范围时空尺度的细化、统计产品、插值和加权计算方法的增加或改进,均应包含在本发明的保护范围之内。
Claims (10)
1.一种商遥卫星轨道总云量预报修正方法,其特征在于,包括以下步骤:
从业务数值预报数据库中提取云量预报图和累计概率总云量预报值;
从卫星云图历史数据库中获取累计概率卫星总云量反演值;
将云量预报图区隔成与商遥卫星的多个行进轨道格点相匹配的多个云量预报格点;
根据各行进轨道格点的坐标对应查找与其位置相对应的各云量预报格点;
分别提取出各云量预报格点中包含的云量预报数据,并将各云量数据汇总为原始卫星轨道总云量预报数据,根据累计概率卫星总云量反演值与累计概率总云量预报值进行比值得到卫星轨道总云量预报数据修正系数;
根据卫星轨道总云量预报数据修正系数对原始卫星轨道总云量预报数据进行修正,得到修正的卫星轨道总云量预报数据。
2.根据权利要求1所述的商遥卫星轨道总云量预报修正方法,其特征在于,通过以下公式对卫星轨道总云量预报数据进行修正:
Ck=Cc*ak
其中,Ck为修正的卫星轨道总云量预报数据,Cc为原始卫星轨道总云量预报数据,ak为卫星轨道总云量预报数据修正系数。
3.根据权利要求2所述的商遥卫星轨道总云量预报修正方法,其特征在于,通过以下公式将云量预报图区隔成与商遥卫星的多个行进轨道格点相匹配的多个云量预报格点:
其中,Cs为插值获得的预测位置s处的云量预报值,Ci为第i个格点处的预报值,λi为第i个格点处的预报值的权重,n为格点值数。
4.根据权利要求3所述的商遥卫星轨道总云量预报修正方法,其特征在于,通过以下公式根据各行进轨道格点的坐标对应查找与其位置相对应的各云量预报格点:
其中,LONm为第m景中心的经度,LONmn为第m景的4个顶点的经度,n=1,2,3,4;LATm为第m景中心的纬度,LATmn为第m景的4个顶点的纬度,n=1,2,3,4;
通过以下公式提取出各云量预报格点中包含的云量预报数据:
其中,Cm为中心经纬度为(LONm、LATm)的第m景的云量预报值,Cmj为景中心点周围第j个格点的云量预报值,j=1,2,3,4;Rmj为第j个格点与景中心之间的距离。
5.根据权利要求4所述的商遥卫星轨道总云量预报修正方法,其特征在于,通过以下方式从卫星云图历史数据库获取累计概率卫星总云量反演值:收集卫星总云量反演值的历史数据,统计总云量反演值的概率分布,计算总云量反演值累计概率分布,从该总云量反演值累计概率分布中获取预设时次下预设累计概率的累计概率卫星总云量反演值;
通过以下方式从业务数值预报数据库中提取累计概率总云量预报值:收集业务数值预报数据库中总云量预报值的历史数据,统计总云量预报值的概率分布,计算总云量预报值累计概率分布,从该总云量预报值累计概率分布中获取预设时次下预设累计概率的累计概率总云量预报值。
6.一种商遥卫星轨道总云量预报修正系统,其特征在于,包括:
云量预报图提取模块,用于从业务数值预报数据库中提取云量预报图;
累计概率总云量预报值提取模块,用于从业务数值预报数据库中提取累计概率总云量预报值;
累计概率卫星总云量反演值获取模块,用于从卫星云图历史数据库获取累计概率卫星总云量反演值;
云量预报格点匹配模块,用于将云量预报图区隔成与商遥卫星的多个行进轨道格点相匹配的多个云量预报格点;
云量预报格点查找模块,根据各行进轨道格点的坐标对应查找与其位置相对应的各云量预报格点;
原始卫星轨道总云量预报数据计算模块,分别提取出各云量预报格点中包含的云量预报数据,并将各云量数据汇总为原始卫星轨道总云量预报数据;
卫星轨道总云量预报数据修正系数计算模块,用于根据累计概率卫星总云量反演值与累计概率总云量预报值进行比值得到卫星轨道总云量预报数据修正系数;
卫星轨道总云量预报数据修正模块,用于根据卫星轨道总云量预报数据修正系数对原始卫星轨道总云量预报数据进行修正,得到修正的卫星轨道总云量预报数据。
7.根据权利要求6所述的商遥卫星轨道总云量预报修正系统,其特征在于,在卫星轨道总云量预报数据修正模块中,通过以下公式对原始卫星轨道总云量预报数据进行修正:
Ck=Cc*ak
其中,Ck为修正的卫星轨道总云量预报数据,Cc为原始卫星轨道总云量预报数据,ak为卫星轨道总云量预报数据修正系数。
8.根据权利要求7所述的商遥卫星轨道总云量预报修正系统,其特征在于,云量预报格点匹配模块中包含有实现匹配的如下公式:
其中,Cs为插值获得的预测位置s处的云量预报值,Ci为第i个格点处的预报值,λi为第i个格点处的预报值的权重,n为格点值数。
9.根据权利要求8所述的商遥卫星轨道总云量预报修正系统,其特征在于,云量预报格点查找模块包含有实现查找的如下公式:
其中,LONm为第m景中心的经度,LONmn为第m景的4个顶点的经度,n=1,2,3,4;LATm为第m景中心的纬度,LATmn为第m景的4个顶点的纬度,n=1,2,3,4;
卫星轨道总云量预报数据提取模块包含有实现提取的如下公式:
其中,Cm为中心经纬度为(LONm、LATm)的第m景的云量预报值,Cmj为景中心点周围第j个格点的云量预报值,j=1,2,3,4;Rmj为第j个格点与景中心之间的距离。
10.根据权利要求9所述的商遥卫星轨道总云量预报修正系统,其特征在于,在累计概率卫星总云量反演值获取模块中,通过以下方式从卫星云图历史数据库获取累计概率卫星总云量反演值:收集卫星总云量反演值的历史数据,统计总云量反演值的概率分布,计算总云量反演值累计概率分布,从该总云量反演值累计概率分布中获取预设时次下预设累计概率的累计概率卫星总云量反演值;
在累计概率总云量预报值提取模块中,通过以下方式从业务数值预报数据库中提取累计概率总云量预报值:收集业务数值预报数据库中总云量预报值的历史数据,统计总云量预报值的概率分布,计算总云量预报值累计概率分布,从该总云量预报值累计概率分布中获取预设时次下预设累计概率的累计概率总云量预报值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810462595.0A CN108957594B (zh) | 2018-05-15 | 2018-05-15 | 一种商遥卫星轨道总云量预报修正方法及修正系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810462595.0A CN108957594B (zh) | 2018-05-15 | 2018-05-15 | 一种商遥卫星轨道总云量预报修正方法及修正系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108957594A true CN108957594A (zh) | 2018-12-07 |
CN108957594B CN108957594B (zh) | 2021-01-15 |
Family
ID=64499664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810462595.0A Active CN108957594B (zh) | 2018-05-15 | 2018-05-15 | 一种商遥卫星轨道总云量预报修正方法及修正系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108957594B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161592A (zh) * | 2019-06-19 | 2019-08-23 | 华云信息技术工程有限公司 | 一种大气稳定度的确定方法及装置 |
CN114337778A (zh) * | 2021-12-28 | 2022-04-12 | 军事科学院系统工程研究院网络信息研究所 | 一种基于联合概率的卫星通信频轨资源数据修正方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050246103A1 (en) * | 2004-04-30 | 2005-11-03 | Nec Toshiba Space Systems, Ltd. | Weather forecast data distributing system and method |
CN101969207A (zh) * | 2010-09-16 | 2011-02-09 | 国网电力科学研究院 | 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法 |
CN103308956A (zh) * | 2013-06-25 | 2013-09-18 | 中国科学院遥感与数字地球研究所 | 利用云气候学数据预判目标区域未来月平均云量的方法 |
CN103412963A (zh) * | 2013-09-04 | 2013-11-27 | 国家测绘地理信息局卫星测绘应用中心 | 光学遥感卫星数据获取方法 |
CN103810376A (zh) * | 2014-01-17 | 2014-05-21 | 浙江大学 | 基于卫星遥感与回归克里格的地面日降雨量预测方法 |
US20160070025A1 (en) * | 2014-09-10 | 2016-03-10 | Kabushiki Kaisha Toshiba | Weather forecasting apparatus and weather forecasting method |
CN106295190A (zh) * | 2016-08-11 | 2017-01-04 | 南京般若金科信息技术有限公司 | 一种遥感云量资料降尺度方法 |
CN106919645A (zh) * | 2017-01-17 | 2017-07-04 | 广西师范学院 | 复杂地貌大景区的景点气象要素智能精细预测方法 |
CN107644416A (zh) * | 2017-09-15 | 2018-01-30 | 中国科学院寒区旱区环境与工程研究所 | 一种基于地基云图的实时动态云量反演方法 |
CN107991721A (zh) * | 2017-11-21 | 2018-05-04 | 上海电力学院 | 一种基于天文和气象环境因子的逐时散射比预测方法 |
-
2018
- 2018-05-15 CN CN201810462595.0A patent/CN108957594B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050246103A1 (en) * | 2004-04-30 | 2005-11-03 | Nec Toshiba Space Systems, Ltd. | Weather forecast data distributing system and method |
CN101969207A (zh) * | 2010-09-16 | 2011-02-09 | 国网电力科学研究院 | 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法 |
CN103308956A (zh) * | 2013-06-25 | 2013-09-18 | 中国科学院遥感与数字地球研究所 | 利用云气候学数据预判目标区域未来月平均云量的方法 |
CN103412963A (zh) * | 2013-09-04 | 2013-11-27 | 国家测绘地理信息局卫星测绘应用中心 | 光学遥感卫星数据获取方法 |
CN103810376A (zh) * | 2014-01-17 | 2014-05-21 | 浙江大学 | 基于卫星遥感与回归克里格的地面日降雨量预测方法 |
US20160070025A1 (en) * | 2014-09-10 | 2016-03-10 | Kabushiki Kaisha Toshiba | Weather forecasting apparatus and weather forecasting method |
CN106295190A (zh) * | 2016-08-11 | 2017-01-04 | 南京般若金科信息技术有限公司 | 一种遥感云量资料降尺度方法 |
CN106919645A (zh) * | 2017-01-17 | 2017-07-04 | 广西师范学院 | 复杂地貌大景区的景点气象要素智能精细预测方法 |
CN107644416A (zh) * | 2017-09-15 | 2018-01-30 | 中国科学院寒区旱区环境与工程研究所 | 一种基于地基云图的实时动态云量反演方法 |
CN107991721A (zh) * | 2017-11-21 | 2018-05-04 | 上海电力学院 | 一种基于天文和气象环境因子的逐时散射比预测方法 |
Non-Patent Citations (1)
Title |
---|
李昀英等: "AREM模拟云参数与卫星观测的比较研究", 《大气科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161592A (zh) * | 2019-06-19 | 2019-08-23 | 华云信息技术工程有限公司 | 一种大气稳定度的确定方法及装置 |
CN114337778A (zh) * | 2021-12-28 | 2022-04-12 | 军事科学院系统工程研究院网络信息研究所 | 一种基于联合概率的卫星通信频轨资源数据修正方法 |
CN114337778B (zh) * | 2021-12-28 | 2022-06-24 | 军事科学院系统工程研究院网络信息研究所 | 一种基于联合概率的卫星通信频轨资源数据修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108957594B (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11144835B2 (en) | Systems and methods for outage prediction | |
CN111260111B (zh) | 基于气象大数据的径流预报改进方法 | |
CN104834977B (zh) | 基于距离度量学习的交通警情等级预测方法 | |
Bao et al. | Coupling ensemble weather predictions based on TIGGE database with Grid-Xinanjiang model for flood forecast | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
Free et al. | Creating climate reference datasets: CARDS workshop on adjusting radiosonde temperature data for climate monitoring | |
Nadoushan et al. | Modeling land use/cover changes by the combination of Markov chain and cellular automata Markov (CA-Markov) models | |
US11644597B2 (en) | Automated processing and combination of weather data sources for weather severity and risk scoring | |
Miao et al. | A fuzzy logic fog forecasting model for Perth Airport | |
Grouillet et al. | Sensitivity analysis of runoff modeling to statistical downscaling models in the western Mediterranean | |
Panjwani et al. | Prioritization of global climate models using fuzzy analytic hierarchy process and reliability index | |
CN112131731A (zh) | 一种基于空间特征向量滤波的城市生长元胞模拟方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN112819064B (zh) | 基于谱聚类的终端区时序气象场景识别方法 | |
CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
CN113632101A (zh) | 一种通过向量化分析预测大气污染的方法 | |
CN115879630A (zh) | 基于土地利用的碳排放即时表征与预测的方法及装置 | |
CN108957594A (zh) | 一种商遥卫星轨道总云量预报修正方法及修正系统 | |
CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
CN117219183A (zh) | 多云雨地区的高覆盖度近地面no2浓度估算方法及系统 | |
Hong et al. | Prediction of Asian dust days over Northern China using the KMA-ADAM2 model | |
Li et al. | Comparing the lasso predictor-selection and regression method with classical approaches of precipitation bias adjustment in decadal climate predictions | |
KR102255655B1 (ko) | 생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법 및 시스템 | |
Watson | Range-specific high-resolution mesoscale model setup | |
Thilakarathne et al. | Predicting Floods in North Central Province of Sri Lanka using Machine Learning and Data Mining Methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |