CN109815962B - 一种识别海洋涡旋边缘叶绿素环状结构的方法 - Google Patents
一种识别海洋涡旋边缘叶绿素环状结构的方法 Download PDFInfo
- Publication number
- CN109815962B CN109815962B CN201910043137.8A CN201910043137A CN109815962B CN 109815962 B CN109815962 B CN 109815962B CN 201910043137 A CN201910043137 A CN 201910043137A CN 109815962 B CN109815962 B CN 109815962B
- Authority
- CN
- China
- Prior art keywords
- chlorophyll
- vortex
- data
- ocean
- identifying
- 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.)
- Active
Links
Images
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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种识别海洋涡旋边缘叶绿素环状结构的方法,包括以下步骤:(1)利用卫星观测海平面高度异常(MSLA)数据,通过计算识别海洋涡旋,形成涡旋数据集。(2)对涡旋数据集与海表面叶绿素数据集进行时空匹配,获得带有叶绿素浓度数据的涡旋综合数据集。(3)在涡旋综合数据集中选取样本区域,样本区域将某个海洋涡旋包含在样本区域内。(4)通过提取样本区域内的叶绿素浓度数据的特征,判断在该区域内是否形成了叶绿素环状结构。本发明能够对大样本的海洋涡旋和海表叶绿素浓度数据集进行处理,自动识别出大量叶绿素环状结构,节省了人力和测绘时间。
Description
技术领域
本发明涉及一种通过计算机识别环状结构的方法,尤其涉及一种自动识别海洋涡旋边缘叶绿素环状结构的方法。
背景技术
中国世界大洋中,半径尺度在100km的中尺度涡旋几乎无处不在,无论何时都占海洋表面积的25%左右(Chelton D B,Schlax.Global observations of nonlinearmesoscale eddies[J].Progress in Oceanography,2011,91(2):167-216)。海洋涡旋是海洋环流能量的重要组成部分,对海洋中营养盐、浮游植物的输运及分布都起着十分重要的作用。目前较多的研究成果发现涡旋中心的“艾克曼抽吸”会导致营养盐、叶绿素等物质的垂直输运,在气旋涡中心引起叶绿素浓度的提升,这是因为气旋涡会将海底深层营养丰富的冷水输运到真光层,这些营养盐可以为表层的浮游植物光合作用所吸收,进而提高了海表的叶绿素浓度(Xiu P,Chai F.Modeled biogeochemical responses to mesoscaleeddies in the South China Sea[J].Journal of Geophysical Research Oceans,2011,116(C10):1790-1797)。许多学者在世界大洋不同的区域,如白令海、南极绕流区、Pagasitikos海湾、冰岛海盆以及中国南海,发现在反气旋涡的边缘同样出现了叶绿素浓度的高值区,即海洋涡旋边缘的叶绿素环状结构。对这种现象进行研究,有助于了解和掌握海洋营养较为丰富的区域,为生产、捕捞提供指导。
很多学者对于叶绿素环状结构现象的动力机制展开了研究,有研究者通过研究叶绿素环状结构的分布特征认为这是由于反气旋涡产生的沿等密度面的上升流将高营养盐的海水输送到海表,形成高叶绿素浓度区域;也有人认为这是由于反气旋涡内部的径向动量不平衡使得涡旋内部的叶绿素向边缘移动形成高浓度区。现有的研究方法是根据叶绿素浓度数据汇出颜色深浅不一的叶绿素浓度图像,然后依靠经验判断是否存在叶绿素环状结构。但是,基于目视识别的个例研究具有较大的不确定性,其所得结果不具有系统性,导致动力机制方面的研究较片面。因此,要想对叶绿素环状结构进行系统性的研究,就需要通过观测大量的叶绿素浓度图来识别出其中的叶绿素环状结构,并以此为基础绘制出大范围内的叶绿素环状结构分布图。面对大量的观测数据,仅依靠人工来逐个判断叶绿素环状结构,工作量过大且耗费时间。
发明内容
发明目的:针对以上问题,本发明提出一种识别海洋涡旋边缘叶绿素环状结构的方法,能够对大样本的海洋涡旋和海表叶绿素浓度数据集进行处理,自动识别出大量叶绿素环状结构。
技术方案:本发明所采用的技术方案是一种识别海洋涡旋边缘叶绿素环状结构的方法,包括以下步骤:
(1)利用卫星观测海平面高度异常(MSLA)数据,通过计算识别海洋涡旋,形成涡旋数据集。采用涡流检测算法,基于流场速度几何特征对海洋涡旋进行自动识别和追踪。
(2)通过SeaWiFS、Meris和MODIS-Aqua卫星数据获得海表面叶绿素数据,对涡旋数据集与海表面叶绿素数据集进行时空匹配。选择生命周期大于4周的涡旋数据进行匹配,将相同时间相同位置的涡旋数据以及叶绿素浓度数据对应起来,获得带有叶绿素浓度数据的涡旋综合数据集。
(3)在涡旋综合数据集中选取样本区域,样本区域将某个海洋涡旋包含在样本区域内。样本区域可以是以涡旋中心为区域中心、边长为5倍涡旋半径的正方形研究样本,其中涡旋半径取涡旋中心到涡旋边缘距离的平均值。
(4)通过提取样本区域内的叶绿素浓度数据的特征,判断在该区域内是否形成了叶绿素环状结构。具体过程包括:
(41)通过插值法补充样本区域中叶绿素浓度数据的缺失值。对缺失值占比小于30%的样本区域进行双线性插值,缺失值大于30%的数据为无效数据。
(42)对样本区域网格化,通过插值法获得网格中的叶绿素浓度插值数据,网格大小与海表叶绿素浓度原始数据的数据采集位置间隔保持一致。
(43)计算不同半径所对应的每一圈叶绿素浓度的平均值,形成叶绿素浓度随径向距离变化关系曲线,对该曲线进行拟合,判断其峰值的位置是否落在叶绿素环状结构的特征区域内,若是,则进入下一步,若否,则判断该样本区域中不含有叶绿素环状结构;特征区域为0.5倍涡旋半径至1.5倍涡旋半径之间。
(44)选取16个不同方向,计算这些不同的方向上叶绿素浓度随径向距离的变化关系,判断其峰值的位置是否落在叶绿素环状结构的特征区域内,如果9个及以上任意方向均满足该判断条件,则判断该样本区域中含有叶绿素环状结构,反之则不含有。该16个方向中两个相邻方向间夹角为22.5°。
(5)遍历涡旋综合数据集中的海洋涡旋,重复步骤3和步骤4,识别数据集中所有的叶绿素环状结构。
有益效果:本发明相对于现有技术,将海洋涡旋与叶绿素浓度数据相结合,通过叶绿素浓度数据的特征来计算判断是否满足叶绿素环状结构,能够对大样本的海洋涡旋和海表叶绿素浓度数据集进行处理,自动识别出大量叶绿素环状结构,节省了人力和测绘时间。
附图说明
图1是本发明所述识别方法的流程图;
图2是本发明所述的判断叶绿素环状结构的流程图;
图3是本发明所述样本区域的选取、插值、网格化以及极坐标转换的中间结果图,其中(a)、(b)为反气旋边缘的叶绿素环状结构(2008年12月31日),(d)、(e)为气旋边缘的叶绿素环状结构(2005年04月27日);
图4是本发明所述的叶绿素浓度随径向距离变化的拟合曲线;
图5是识别出的海洋涡旋边缘叶绿素环状结构示例,(a)、(b)分别为2007年3月21日和2010年12月15日在反气旋涡边缘识别到的叶绿素环状结构;(c)、(d)分别为2005年8月3日和2006年7月19日在气旋涡边缘识别到的叶绿素环状结构;
图6是识别出的海洋涡旋边缘叶绿素环状结构在北太平洋区域的空间分布。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1所示,本发明所述的一种识别海洋涡旋边缘叶绿素环状结构的方法,包括以下步骤:(1)识别海洋涡旋,形成涡旋数据集,(2)涡旋数据集与海表面叶绿素数据集进行时空匹配,(3)选取样本区域,(4)提取样本区域的数据特征,判断叶绿素环状结构,(5)遍历海洋涡旋,识别出数据集中所有的叶绿素环状结构。
以下介绍详细过程:
(1)利用卫星观测海平面高度异常(MSLA)数据,采用涡流检测算法,通过计算识别海洋涡旋,形成涡旋数据集。涡流检测算法能够基于流场速度几何特征对海洋涡旋进行自动识别和追踪。
(2)通过SeaWiFS、Meris和MODIS-Aqua卫星数据获得海表面叶绿素数据,对生命周期大于4周的涡旋数据集与海表面叶绿素数据集进行时空匹配。将相同时间相同位置的涡旋数据以及叶绿素浓度数据对应起来,获得带有叶绿素浓度数据的涡旋综合数据集。
(3)在涡旋综合数据集中选取样本区域,选取样本区域的方法为:以涡旋的中心为中心,在经向和纬向上均扩张涡旋半径(Ls)2.5倍的距离形成一个方形的研究样本。如图3中的a所示,以涡旋中心为原点,在经向和纬向上分别扩张±2.5Ls,形成边长为5Ls的正方形样本区域。
(4)在涡旋边缘出现叶绿素浓度高值区并形成环状结构,我们将其定义为叶绿素环状结构。接下来我们需要从之前得到的样本中自动识别叶绿素环状结构,流程如图2所示,具体过程包括:
(41)由于叶绿素产品数据中有一些缺失值,对缺失值占比小于30%的个例进行双线性插值,补齐区域中的缺失值(图3中的a,图3中的d),缺失值大于30%的数据为无效数据,予以舍弃。
(42)将插值得到的叶绿素区域进行归一化处理,插值到5Ls×5Ls的样本区域的网格中,并且将插值数据由笛卡尔坐标转换为极坐标。做坐标系的转换是为了后续计算方便。转换后,位于原方形样本区域内的四角部分的数据被舍弃,如图3中的b和图3中的e。所述网格大小与原始海表叶绿素浓度数据保持一致,目前通过SeaWiFS、Meris和MODIS-Aqua卫星数据所获得得海表面叶绿素数据,其数据间的位置间隔为9km,样本区域的网格边长也据此取为9km,控制估计值(插值)的占比。
(43)计算不同半径处每一圈叶绿素浓度的平均值,并对其进行拟合,判断其峰值的位置是否落在0.5Ls~1.5Ls之间如图4中的c,图4中的f所示,如果落在该范围内,我们初步判断其具有环状特征,否则判断为不存在叶绿素环状区域。图4中的c为对图3中的a所示的反气旋边缘的叶绿素环状结构(2008年12月31日)进行叶绿素浓度计算并拟合的结果,图4中的f为对图3中的d所示的气旋边缘的叶绿素环状结构(2005年04月27日)进行叶绿素浓度计算并拟合的结果,其峰值均落在0.5Ls~1.5Ls之间。如果峰值位置没有落在该范围内,则判断没有叶绿素环状结构。
(44)对于初步判断具有环状特征的结果进行进一步的分析,取16个方向上的叶绿素浓度随半径的变化,以同样的方法判断其峰值是否落在0.5Ls~1.5Ls之间,由于叶绿素环状结构不一定是封闭的圆环,因此如果9个方向及以上(≥9)满足该条件即可判断该样本区域中含有叶绿素环状结构,反之则不含有该结构。所述16个方向的两个相邻方向间夹角为22.5°,将360°平均分为16等份,计算每个方向角上所对应的叶绿素浓度变化。本例中从方向角0开始(极坐标),依次加22.5°为一个计算方向,计算该方向上叶绿素浓度随半径的变化。当选择9个及以上任意方向满足叶绿素峰值落在特征区间内为判断存在叶绿素环状结构的条件时,环状结构的判断结果最佳,准确率达到95%以上。增加计算方向的数量,能够在一定程度上提升准确率,但是会大大降低计算效率。
(5)遍历涡旋综合数据集中的海洋涡旋,重复步骤3和步骤4,识别数据集中所有的叶绿素环状结构。
基于上述识别方法,我们对2003-2010年间北太平洋区域241,380个海洋涡旋进行判别,仅约1%的涡旋边缘出现叶绿素的高值区,其中反气旋涡1,506个,气旋涡1,286个。识别出的海洋涡旋边缘叶绿素环状结构示例如图5所示,图5中的a、b分别为2007年3月21日和2010年12月15日在反气旋涡边缘识别到的叶绿素环状结构;图5中的c、d分别为2005年8月3日和2006年7月19日在气旋涡边缘识别到的叶绿素环状结构。气旋和反气旋处的叶绿素环状结构在识别方法上没有区别。我们不仅发现了前人研究中提到的反气旋涡边缘出现叶绿素浓度正异常(图5中的a和图5中的b),还在气旋涡的边缘也同样发现了叶绿素呈现环状特征(图5中的c和图5中的d)。
对识别出的叶绿素环状结构特征进行空间分布特征的研究。由图6可以看出,叶绿素环状结构在北太平洋的东西边界以及黑潮延伸区分布得较多,这些区域的流场较强,海洋涡旋活动较为频繁,同时沿岸区域水体中的叶绿素和营养样含量较高,这都为叶绿素环状结构的形成提供了一定条件。
Claims (8)
1.一种识别海洋涡旋边缘叶绿素环状结构的方法,其特征在于,包括以下步骤:
(1)利用卫星观测海平面高度异常数据,通过涡流检测算法,基于流场速度几何特征计算识别海洋涡旋,形成涡旋数据集;
(2)通过SeaWiFS、Meris和MODIS-Aqua卫星数据获得海表面叶绿素数据,对涡旋数据集与海表面叶绿素数据集进行时空匹配,将相同时间相同位置的涡旋数据以及叶绿素浓度数据对应起来,获得带有叶绿素浓度数据的涡旋综合数据集;
(3)在涡旋综合数据集中选取样本区域,样本区域将某个海洋涡旋包含在样本区域内;
(4)通过提取样本区域内的叶绿素浓度数据的特征,判断在该区域内是否形成了叶绿素环状结构;
(5)遍历涡旋综合数据集中的海洋涡旋,重复步骤3和步骤4,识别数据集中所有的叶绿素环状结构。
2.根据权利要求1所述的识别海洋涡旋边缘叶绿素环状结构的方法,其特征在于:步骤2中所述的对涡旋数据集与海表面叶绿素数据集进行时空匹配,是在所有涡旋数据中选择生命周期大于4周的涡旋数据进行匹配。
3.根据权利要求1所述的识别海洋涡旋边缘叶绿素环状结构的方法,其特征在于:步骤3中所述的样本区域,是以涡旋中心为区域中心、边长为5倍涡旋半径的正方形研究样本,其中涡旋半径取涡旋中心到涡旋边缘距离的平均值。
4.根据权利要求1所述的识别海洋涡旋边缘叶绿素环状结构的方法,其特征在于,步骤4包括以下过程:
(41)通过插值法补充样本区域中叶绿素浓度数据的缺失值;
(42)对样本区域网格化,通过插值法获得网格中的叶绿素浓度插值数据;
(43)计算不同半径所对应的每一圈叶绿素浓度的平均值,形成叶绿素浓度随径向距离变化关系曲线,对该曲线进行拟合,判断其峰值的位置是否落在叶绿素环状结构的特征区域内,若是,则进入下一步;
(44)选取16个不同方向,计算这些不同的方向上叶绿素浓度随径向距离的变化关系,判断其峰值的位置是否落在叶绿素环状结构的特征区域内,如果9个及以上任意方向均满足峰值位置落在叶绿素环状结构的特征区域内,则判断该样本区域中含有叶绿素环状结构。
5.根据权利要求4所述的识别海洋涡旋边缘叶绿素环状结构的方法,其特征在于,步骤41中所述的通过插值法补充样本区域中叶绿素浓度数据的缺失值,是对缺失值占比小于30%的样本区域进行双线性插值,缺失值大于30%的数据为无效数据。
6.根据权利要求4所述的识别海洋涡旋边缘叶绿素环状结构的方法,其特征在于,在步骤42中所述的对样本区域网格化,网格大小与海表叶绿素浓度原始数据的数据采集位置间隔保持一致。
7.根据权利要求4所述的识别海洋涡旋边缘叶绿素环状结构的方法,其特征在于,在步骤43中所述的叶绿素环状结构的特征区域为0.5倍涡旋半径至1.5倍涡旋半径之间。
8.根据权利要求4所述的识别海洋涡旋边缘叶绿素环状结构的方法,其特征在于,在步骤44中所述的16个不同方向,两个相邻方向间夹角为22.5°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043137.8A CN109815962B (zh) | 2019-01-17 | 2019-01-17 | 一种识别海洋涡旋边缘叶绿素环状结构的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043137.8A CN109815962B (zh) | 2019-01-17 | 2019-01-17 | 一种识别海洋涡旋边缘叶绿素环状结构的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109815962A CN109815962A (zh) | 2019-05-28 |
CN109815962B true CN109815962B (zh) | 2022-12-23 |
Family
ID=66603420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910043137.8A Active CN109815962B (zh) | 2019-01-17 | 2019-01-17 | 一种识别海洋涡旋边缘叶绿素环状结构的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815962B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931409A (zh) * | 2020-08-14 | 2020-11-13 | 南京大学 | 基于高分辨率海洋模式数据的涡旋三维体态识别和追踪方法 |
CN112465894B (zh) * | 2020-11-25 | 2024-02-27 | 创新奇智(成都)科技有限公司 | 圆环内外径拟合方法、装置、电子设备及存储介质 |
CN116824276B (zh) * | 2023-08-29 | 2023-12-12 | 广东海洋大学 | 基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2899051A1 (en) * | 2015-07-31 | 2015-12-01 | Blue Carbon Solutions Inc | Process and method for the enhancement of sequestering atmospheric carbon through ocean iron fertilization, and method for calculating net carbon capture from said process and method |
CA2853638A1 (en) * | 2014-06-04 | 2015-12-04 | Oceanea Environmental Solutions | Process and methodology for quantifying carbon offsets from ocean phytoplankton stimulation |
CN105894439A (zh) * | 2016-04-05 | 2016-08-24 | 中国海洋大学 | 基于CUDA的海洋涡旋及Argo浮标交集数据快速提取算法 |
CN106872424A (zh) * | 2017-01-09 | 2017-06-20 | 浙江大学 | 基于光合色素荧光的浮游植物原位在线检测装置 |
CN106960204A (zh) * | 2017-05-05 | 2017-07-18 | 南京信息工程大学 | 一种估算近海水体浮游植物粒级结构的遥感方法 |
CN108446325A (zh) * | 2018-02-11 | 2018-08-24 | 中国水产科学研究院南海水产研究所 | 一种叶绿素a浓度分布可视化方法、系统及装置 |
-
2019
- 2019-01-17 CN CN201910043137.8A patent/CN109815962B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2853638A1 (en) * | 2014-06-04 | 2015-12-04 | Oceanea Environmental Solutions | Process and methodology for quantifying carbon offsets from ocean phytoplankton stimulation |
CA2899051A1 (en) * | 2015-07-31 | 2015-12-01 | Blue Carbon Solutions Inc | Process and method for the enhancement of sequestering atmospheric carbon through ocean iron fertilization, and method for calculating net carbon capture from said process and method |
CN105894439A (zh) * | 2016-04-05 | 2016-08-24 | 中国海洋大学 | 基于CUDA的海洋涡旋及Argo浮标交集数据快速提取算法 |
CN106872424A (zh) * | 2017-01-09 | 2017-06-20 | 浙江大学 | 基于光合色素荧光的浮游植物原位在线检测装置 |
CN106960204A (zh) * | 2017-05-05 | 2017-07-18 | 南京信息工程大学 | 一种估算近海水体浮游植物粒级结构的遥感方法 |
CN108446325A (zh) * | 2018-02-11 | 2018-08-24 | 中国水产科学研究院南海水产研究所 | 一种叶绿素a浓度分布可视化方法、系统及装置 |
Non-Patent Citations (1)
Title |
---|
海洋涡旋自动探测几何方法、涡旋数据库及其应用;董昌明等;《海洋科学进展》;20171031;第439-453页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109815962A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815962B (zh) | 一种识别海洋涡旋边缘叶绿素环状结构的方法 | |
CN106204705B (zh) | 一种基于多线激光雷达的3d点云分割方法 | |
CN111427100B (zh) | 一种台风中心定位方法、装置及台风路径生成方法 | |
Kubryakov et al. | Mesoscale eddies in the Black Sea from satellite altimetry data | |
CN105467393B (zh) | 一种毫米波云雷达三维风场反演方法及系统 | |
CN111931409A (zh) | 基于高分辨率海洋模式数据的涡旋三维体态识别和追踪方法 | |
CN110006434B (zh) | 温跃层海域中基于蚁群算法避障的水下滑翔机路径规划方法 | |
CN105809684A (zh) | 一种自主式水下机器人的光学引导回收系统及其回收方法 | |
CN110442661B (zh) | 基于cfsr数据的冬季北太平洋地区中尺度涡旋的识别和追踪方法 | |
CN104570161A (zh) | 基于ec/jma全球格点预报资料的台风自动化预报方法 | |
Satpathy et al. | Variations of physicochemical properties in Kalpakkam coastal waters, east coast of India, during southwest to northeast monsoon transition period | |
Zhou et al. | Tidal variation of total suspended solids over the Yangtze Bank based on the geostationary ocean color imager | |
Prasad et al. | Phytoplankton community structure and its variability during southwest to northeast monsoon transition in the coastal waters of Kalpakkam, east coast of India | |
Savidge et al. | Cyclogenesis in the deep ocean beneath the Gulf Stream: 1. Description | |
Dai et al. | Observed spatiotemporal variation of three-dimensional structure and heat/salt transport of anticyclonic mesoscale eddy in Northwest Pacific | |
CN115310706A (zh) | 一种台风路径智能预报方法 | |
Diedhiou et al. | Composite patterns of easterly disturbances over West Africa and the tropical Atlantic: A climatology from the 1979–95 NCEP/NCAR reanalyses | |
CN113971377B (zh) | 一种东太平洋赤道海域涡旋的判别及其对茎柔鱼渔场影响评估的技术方法 | |
CN117408534B (zh) | 一种基于卫星遥感的浒苔绿潮打捞效果短期评估方法 | |
Ducklow | Ocean biogeochemical fluxes: New production and export of organic matter from the upper ocean | |
Pires et al. | Coastal wind power in southern santa catarina, Brazil | |
CN113763280B (zh) | 用于点云去噪的基于空间层次拓扑关系的区域生长方法 | |
CN108269268A (zh) | 基于微波散射计数据自动提取台风高风速云系区域算法 | |
CN117574748B (zh) | 一种动力与水热结构相平衡的高原涡初始化方法 | |
CN111797578A (zh) | 一种定量计算降雨致海面应力的方法 |
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 |