CN110161506A - 一种基于多源气象观测资料的分类型冰雹落区识别方法 - Google Patents

一种基于多源气象观测资料的分类型冰雹落区识别方法 Download PDF

Info

Publication number
CN110161506A
CN110161506A CN201910586619.8A CN201910586619A CN110161506A CN 110161506 A CN110161506 A CN 110161506A CN 201910586619 A CN201910586619 A CN 201910586619A CN 110161506 A CN110161506 A CN 110161506A
Authority
CN
China
Prior art keywords
hail
data
cell
classifying type
lightning
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
Application number
CN201910586619.8A
Other languages
English (en)
Other versions
CN110161506B (zh
Inventor
徐芬
曾明剑
郑媛媛
慕熙昱
杨吉
孙康远
刘青元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JIANGSU INSTITUTE OF METEOROLOGICAL SCIENCES
Original Assignee
JIANGSU INSTITUTE OF METEOROLOGICAL SCIENCES
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by JIANGSU INSTITUTE OF METEOROLOGICAL SCIENCES filed Critical JIANGSU INSTITUTE OF METEOROLOGICAL SCIENCES
Priority to CN201910586619.8A priority Critical patent/CN110161506B/zh
Publication of CN110161506A publication Critical patent/CN110161506A/zh
Application granted granted Critical
Publication of CN110161506B publication Critical patent/CN110161506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • 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
    • G01S13/006—Theoretical aspects
    • 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
    • G01S13/958—Theoretical aspects
    • 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
    • G01S7/414—Discriminating targets with respect to background clutter
    • 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
    • G01S7/418—Theoretical aspects
    • 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

本发明公开了一种基于多源气象观测资料的分类型冰雹落区识别方法，包括综合原材料、原材料预处理、滤波、提取计算、建立模型、时空匹配、计算概率和落区边缘的识别，本发明结构科学合理，使用安全方便，利用多种高时空分辨率的气象探测资料，能够有效分类识别强冰雹单体和普通冰雹单体，结合冰雹单体闪电特征，进一步有效降低冰雹识别虚警率，且所用数据源通用，适用范围广，通过采用常规非气象回波去除方法外，还对反射率因子分别进行了空间域和值域的双重滤波，该措施在消除反射率因子数据脉动的同时，最大可能的保留了回波结构，通过建立基于闪电特征的分类型冰雹发生概率过滤器，进一步有效降低了冰雹单体识别的虚警率。

Description

一种基于多源气象观测资料的分类型冰雹落区识别方法
技术领域
本发明涉及大气科学技术领域，具体为一种基于多源气象观测资料的分类型冰雹落区识别方法。
背景技术
冰雹是重要灾害性天气之一，影响范围小、时间短促，但来势迅猛、强度大，并常伴随雷暴大风、短时强降水等灾害性天气；通常将落到地面直径超过2cm的冰雹称为强冰雹；直径小于2cm的冰雹则为普通冰雹；强冰雹天气具有更大破坏力，给农业、交通、通信、城市建筑等造成巨大损失；对冰雹尤其是强冰雹的准确识别预警将能有效降低损失。
冰雹云中的起电过程非常剧烈，放电现象非常活跃，国外学者对强冰雹过程运用闪电数据分析认为，强冰雹出现在正闪电频繁的时候，一旦转为负闪电，降雹的大小和频率都减小；我国气象学者在研究不同区域闪电活动与强对流对应关系时也发现闪电数据特征变化比起雷达数据具有一定的提前量，例如有学者在研究夏季北京地区的闪电活动中发现，闪电频数的日变化与强对流天气发生有一定对应关系，不同类型的天气过程，如冰雹、暴雨发生时，地闪和云闪的比例有明显的差异，其中闪电中正、负闪比例呈现一定的规律性，这些研究工作表明，闪电对强对流天气的发生有指示作用，闪电特征的变化与冰雹天气的发生发展有一定关系，但目前尚缺乏利用闪电特征变化提高雹云尤其是强雹云的识别成功率的客观方法。
目前气象部门业务使用的冰雹探测算法Hail Detection Algorithm，HDA沿用于美国WSR-88D build10版本的冰雹算法，该算法计算的冰雹指数产品能够给出普通冰雹概率、强冰雹概率和最大预期冰雹尺寸，但由于该探测算法冰雹概率统计公式是建立在美国大平原地区外场观测基础上，因此引入我国后，尽管部分参数可以进行本地化调整，但核心算法无法修改，虚警率偏高、空报较多的问题无法根本解决，且缺乏落区识别能力，难以满足当前强冰雹天气监测预警的业务需求，所以急需一种基于多源气象观测资料的分类型冰雹落区识别方法来解决上述问题。
发明内容
本发明提供一种基于多源气象观测资料的分类型冰雹落区识别方法，可以有效解决上述背景技术中提出基于多源气象观测资料的分类型冰雹落区识别方法的问题。
为实现上述目的，本发明提供如下技术方案：一种基于多源气象观测资料的分类型冰雹落区识别方法，包括如下具体步骤：
S1、综合原材料：综合整理并使用多源气象观测资料；
S2、原材料预处理：清洗原材料中的天气雷达反射率因子数据和闪电定位仪数据；
S3、滤波：根据天气雷达反射率因子数据，对其进行滤波，从而对数据的质量进行控制；
S4、提取计算：提取气象探空数据中0℃层高度和-20℃层高度，并计算相应高度的天气雷达反射率因子等高平面数据；
S5、建立模型：建立冰雹单体融化层垂直结构概念模型，并识别分类型冰雹单体；
S6、时空匹配：时空匹配已识别分类型冰雹单体和相应闪电数据；
S7、计算概率：设计闪电特征的分类型建立冰雹发生概率过滤器，并计算已识别分类型冰雹单体发生相应类型冰雹的概率；
S8、落区边缘的识别；建立简化的步进方格，对分类型冰雹落区边缘的进行识别。
优选的，所述步骤S1中，综合整理并使用多源气象观测资料，其中多源气象观测资料包括天气雷达反射率因子数据、闪电数据和气象探空数据。
优选的，所述步骤S2中，清洗原材料中的天气雷达反射率因子数据和闪电定位仪数据，其具体步骤为：
S21、对不完整天气雷达数据的清洗，即根据天气雷达基数据解压缩后的字节数，初步判断该天气雷达基数据文件是否观测完整，若字节数小于6兆，则删除该雷达数据文件；
S22、对孤立闪电数据的清洗，即逐条判断闪电数据是否孤立，根据闪电数据的经纬度去寻找以该闪电数据为中心，以10×10km为搜索框，进行搜寻该区域对应的天气雷达反射率因子数据，若该区域存在反射率因子值>35dBZ的格点，且格点数超过10，则该闪电不孤立，否则，删除该条闪电数据。
优选的，所述步骤S3中，根据天气雷达反射率因子数据，对其进行滤波，从而对数据的质量进行控制，其具体步骤为：
S31、对非气象孤立点回波的去除，即纠正由于系统噪声或如飞机、昆虫这样的孤立目标、非正常传播造成的虚假回波。
S32、对反射率因子数据进行空间域值域的双重滤波，即在对天气雷达反射率因子进行滤波时，构造了一个二维双重滤波器，同时在空间域和值域进行滤波；
其中，空间域滤波是对空间上邻近的点进行加权平均，加权系数随着距离的增加而减少，值域滤波则是对像元值相近的点进行加权平均，加权系数随着值差的增大而减少，值域阈值设置为5dBZ。
优选的，所述步骤S4中，提取计算的具体步骤为：
S41、对融化层高度进行提取，其中，融化层高度是指0℃层高度和-20℃层高度，且从气象探空数据中提取；
S42、对天气雷达反射率因子等高平面数据的进行计算，通过测高公式，分别选取0℃层高度和-20℃层高度上下两个仰角相应的雷达斜距上的反射率因子数据，且采用双线性插值方法得到所在特性层高度的天气雷达反射率因子等高平面数据，其中，测高公式为：
其中，H是雷达波束中心轴线在斜距R处的离地高度，h是雷达台站的海拔高度，R是雷达斜距，δ是仰角；
双线性插值公式为：
其中，(Ri，θj)为所要求解的特性层高度hi上的反射率因子极坐标，(Ri1，θj1)、(Ri2，θj1)、(Ri1，θj2)和(Ri2，θj2)四点为与该高度点邻近的反射率因子极坐标。
优选的，所述步骤S5中，建立冰雹单体融化层垂直结构概念模型，并识别分类型冰雹单体，其具体步骤为：
S51、根据不同类型雷暴单体在融化层垂直结构变化特征，建立分类型冰雹单体垂直结构概念模型，其中，冰雹单体包括强冰雹单体、普通冰雹单体和非冰雹单体；
S52、根据步骤S51中建立的模型，计算不同特性层的天气雷达反射率因子等高平面数据差异特性，从而识别分类型冰雹单体。
优选的，所述步骤S52中，识别分类型冰雹单体的具体过程为：
a、判断cappidata_zero是否大于等于30dBZ，同时判断cappidata_minus20是否大于等于55dBZ，若是则进行b，否则进行c；
b、判断0℃高度层和-20℃高度层两层数值差值是否小于等于5dBZ，若是则输出易发生强冰雹，若否则输出易发生普通冰雹；
c、判断cappidata_zero是否大于等于50dBZ，同时判断cappidata_minus20是否大于等于30dBZ，若是则进行d，否则进行e；
d、判断0℃高度层和-20℃高度层两层数值差值是否小于等于10dBZ，若是则输出易发生普通冰雹；
e、输出非冰雹单体。
优选的，所述步骤S6中，时空匹配已识别分类型冰雹单体和相应闪电数据包括空间匹配和时间匹配；
其中，空间匹配是对已识别为冰雹单体的格点分别为搜索中心寻找与之对应的闪电数据，其中，搜索半径为5km，若存在，则标为与该冰雹单体匹配的闪电；
时间匹配是把闪电数据进行降尺度处理，按照雷达数据时间tr，累加处理闪电数据CG＝CGtr+CGtr-1+CGtr-2+CGtr-3+CGtr-4+CGtr-5。
优选的，所述步骤S7中，基于闪电特征的分类型建立冰雹发生概率过滤器，并计算已识别分类型冰雹单体发生相应类型冰雹的概率，其具体步骤为：
S71、统计每个冰雹单体所匹配的闪电属性，其中闪电属性包括负闪个数，正闪个数，负闪平均强度、正闪平均强度、正负闪绝对值强度比值，根据统计数据建立不同类型冰雹发生概率的曲线，并根据曲线建立分类型冰雹发生概率过滤器；
S72、根据步骤S71中的分类型冰雹发生概率过滤器，计算已识别分类型冰雹单体发生相应类型冰雹的概率；
其中，过滤器对应的计算公式为：
其中，Psh(i)为强冰雹发生概率，i为正负闪绝对值强度比值；
其中，Ph(i)为普通冰雹发生概率，i为正负闪绝对值强度比值。
优选的，所述步骤S8中，建立简化的步进方格，对分类型冰雹落区边缘的进行识别，其具体步骤为：
S81、对已识别分类型冰雹单体数据进行灰度化处理；
S82、根据步进方格算法思想，用边缘线上两点所连线段代替步进方格边缘线上该两点间多锯齿状线段，并给定一个背离参数T，其中，背离参数T表示为新边缘与原边缘产生误差的最大值，计算原边缘顶点与要生成的新边缘的距离di，通过比较di和T的大小，判断对应点相连生成新边缘，从而建立简化的步进方格，并利用笛卡尔坐标到经纬度坐标的转换公式，实现对不同类型冰雹单体落区的识别。
与现有技术相比，本发明的有益效果：本发明结构科学合理，使用安全方便：
1、利用多种高时空分辨率的气象探测资料，能够有效分类识别强冰雹单体和普通冰雹单体，结合冰雹单体闪电特征，进一步有效降低冰雹识别虚警率，且所用数据源通用，能够满足气象业务部门推广使用的要求。
2、通过采用常规非气象回波去除方法外，还对反射率因子分别进行了空间域和值域的双重滤波，该措施在消除反射率因子数据脉动的同时，最大可能的保留了回波结构。
3、通过分析融化层不同雷暴单体垂直结构的差异，提取相关阈值，并建立基于闪电特征的分类型冰雹发生概率过滤器，进一步有效降低了冰雹单体识别的虚警率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本发明分类型冰雹落区识别方法的框图；
图2是本发明分类型冰雹落区识别方法的流程图；
图3是本发明双线性插值的示意图；
图4是本发明融化层不同类型雷暴单体平均反射率垂直廓线图；
图5是本发明基于闪电特征的分类型冰雹发生概率曲线图；
图6是本发明步进方格边缘识别的示意图；
图7是本发明两组灰度简化的步进方格边缘识别的示意图；
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例：如图1和2所示，本发明提供一种技术方案，一种基于多源气象观测资料的分类型冰雹落区识别方法，包括如下具体步骤：S1、综合原材料：综合整理并使用多源气象观测资料；S2、原材料预处理：清洗原材料中的天气雷达反射率因子数据和闪电定位仪数据；S3、滤波：根据天气雷达反射率因子数据，对其进行滤波，从而对数据的质量进行控制；S4、提取计算：提取气象探空数据中0℃层高度和-20℃层高度，并计算相应高度的天气雷达反射率因子等高平面数据；S5、建立模型：建立冰雹单体融化层垂直结构概念模型，并识别分类型冰雹单体；S6、时空匹配：时空匹配已识别分类型冰雹单体和相应闪电数据；S7、计算概率：设计闪电特征的分类型建立冰雹发生概率过滤器，并计算已识别分类型冰雹单体发生相应类型冰雹的概率；S8、落区边缘的识别；建立简化的步进方格，对分类型冰雹落区边缘的进行识别。
进一步的，为了便于有效分类识别强冰雹单体和普通冰雹单体，步骤S1中，综合整理并使用多源气象观测资料，其中多源气象观测资料包括天气雷达反射率因子数据、闪电数据和气象探空数据。
进一步的，为了避免原材料中的异常数据干扰，步骤S2中，清洗原材料中的天气雷达反射率因子数据和闪电定位仪数据，其具体步骤为：
S21、对不完整天气雷达数据的清洗，即根据天气雷达基数据解压缩后的字节数，初步判断该天气雷达基数据文件是否观测完整，若字节数小于6兆，则删除该雷达数据文件；
S22、对孤立闪电数据的清洗，即逐条判断闪电数据是否孤立，根据闪电数据的经纬度去寻找以该闪电数据为中心，以10×10km为搜索框，进行搜寻该区域对应的天气雷达反射率因子数据，若该区域存在反射率因子值>35dBZ的格点，且格点数超过10，则该闪电不孤立，否则，删除该条闪电数据。
进一步的，为了便于保留降水回波数据，尽可能去除非气象回波和数据脉动对识别算法的干扰，步骤S3中，根据天气雷达反射率因子数据，对其进行滤波，从而对数据的质量进行控制，其具体步骤为：
S31、对非气象孤立点回波的去除，即纠正由于系统噪声或如飞机、昆虫这样的孤立目标、非正常传播造成的虚假回波；
步骤S31中，为了有效降低了冰雹单体识别的虚警率，具体的处理的数值包括孤点值、孤立值和空洞值，孤点值是在无降雨回波的区域中存在着有降雨的距离库值，孤立值是指在周围都是降雨回波的区域中，中间距离库的反射率因子Z值大大超过了预计的回波反射率因子Z值，空洞值是指在周围都是降雨回波的区域中，中间距离库的反射率因子Z值大大低于预计的回波反射率因子Z值；
对于孤点值处理过程为：若某一个距离库的反射率因子Z值大于最小临界值18dBZ，并且周围相邻的距离库中最多有一个距离库的Z值大于最小临界值，认为该距离库的值是孤立的，则该距离库值被判定为孤点值，当距离库的反射率因子Z值被标记为孤点值时，则将它赋予0dBZ；
为了避免孤点值被误判为具有冰雹单体特征的回波值，对于孤立值处理过程为：若距离库中反射率因子Z值超过了当前孤立值的最大临界值65dBZ，则此距离库就被标记为孤立值，若该值周围所有8个相邻距离库的值都低于临界值，则孤立值用8个相邻距离库的值的平均值来取代，若该值周围的相邻距离库中也包含了一个孤立值，则此距离库将被赋予较低的dBZ值为7dBZ；
为了避免空洞值造成降雨过低估计，对于空洞值处理过程为：若周围距离库中反射率因子Z值低于了当前空洞值的最小临界值，则此距离库就被标记为空洞值，并以该点为中心，第二圈的16个邻域点的值中至少有10个点的值都高于最大临界值，则空洞值用16个点中的高于最小临界值的点的值的平均值来取代。
S32、对反射率因子数据进行空间域值域的双重滤波，即在对天气雷达反射率因子进行滤波时，构造了一个二维双重滤波器，同时在空间域和值域进行滤波，其中，空间域滤波是对空间上邻近的点进行加权平均，加权系数随着距离的增加而减少，值域滤波则是对像元值相近的点进行加权平均，加权系数随着值差的增大而减少，值域阈值设置为5dBZ，通过对反射率因子数据进行双重滤波预处理，在消除数据脉动的同时，尽可能保留回波的结构，为冰雹落区识别技术提供了高质量的数据场
进一步的，步骤S4中，提取计算的具体步骤为：
S41、对融化层高度进行提取，其中，融化层高度是指0℃层高度和-20℃层高度，且从气象探空数据中提取；
具体的，步骤S41中，当气象探空数据文件中无法直接获取到0℃和-20℃高度时，利用最接近的温度高度替代，其中，两者温差绝对值≤2℃；当无法获取到最接近温度高度时，根据温度随高度变化规律，即每升高1km温度下降6℃，分别计算两个特性层高度。
S42、对天气雷达反射率因子等高平面数据的进行计算，通过测高公式，分别选取0℃层高度和-20℃层高度上下两个仰角相应的雷达斜距上的反射率因子数据，且采用双线性插值方法得到所在特性层高度的天气雷达反射率因子等高平面数据，其中，测高公式为：
其中，H是雷达波束中心轴线在斜距R处的离地高度，h是雷达台站的海拔高度，R是雷达斜距，δ是仰角；
双线性插值公式为：
根据上述公式，如图3所示，其中，(Ri，θj)为所要求解的特性层高度hi上的反射率因子极坐标，(Ri1，θj1)、(Ri2，θj1)、(Ri1，θj2)和(Ri2，θj2)四点为与该高度点邻近的反射率因子极坐标。
优选的，步骤S5中，建立冰雹单体融化层垂直结构概念模型，并识别分类型冰雹单体，其具体步骤为：
S51、根据不同类型雷暴单体在融化层垂直结构变化特征，建立分类型冰雹单体垂直结构概念模型，其中，冰雹单体包括强冰雹单体、普通冰雹单体和非冰雹单体；
如图4所示，为了客观获取垂直结构递减率差别，本实施例中，利用现有的数据，并大量统计冰雹日不同雷暴单体0℃—20℃层厚度内的融化层高的递减率，其中，包括强冰雹单体、普通冰雹单体和非冰雹单体，统计结果为：强冰雹单体的递减率最大值为5.3dBZ/km，最小为-1.4dBZ/km，平均值为1.0dBZ/km；冰雹日普通降雹单体的强回波区递减率最大值达到7.1dBZ/km，最小为-0.8dBZ/km，平均值为2.0dBZ/km，降雹日普通单体的强回波区递减率最大值达到7.6dBZ/km，最小为0.1dBZ/km，平均值为2.6dBZ/km，可见对于冰雹单体，在0℃到-20℃层高内，反射率强度衰减明显小于普通雷暴单体，甚至出现增长情况，其中，三种类型雷暴单体的平均反射率垂直递减率有明显差别，从而通过判别雷暴单体垂直结构特征加以区分。
S52、根据步骤S51中建立的模型，计算不同特性层的天气雷达反射率因子等高平面数据差异特性，从而识别分类型冰雹单体。
具体的，步骤S52中，识别分类型冰雹单体的具体过程为：
a、判断cappidata_zero是否大于等于30dBZ，同时判断cappidata_minus20是否大于等于55dBZ，若是则进行b，否则进行c；
b、判断0℃高度层和-20℃高度层两层数值差值是否小于等于5dBZ，若是则输出易发生强冰雹，若否则输出易发生普通冰雹；
c、判断cappidata_zero是否大于等于50dBZ，同时判断cappidata_minus20是否大于等于30dBZ，若是则进行d，否则进行e；
d、判断0℃高度层和-20℃高度层两层数值差值是否小于等于10dBZ，若是则输出易发生普通冰雹；
e、输出非冰雹单体。
进一步的，步骤S6中，时空匹配已识别分类型冰雹单体和相应闪电数据包括空间匹配和时间匹配；
其中，空间匹配是对已识别为冰雹单体的格点分别为搜索中心寻找与之对应的闪电数据，其中，搜索半径为5km，若存在，则标为与该冰雹单体匹配的闪电；
时间匹配是把闪电数据进行降尺度处理，按照雷达数据时间tr，累加处理闪电数据CG＝CGtr+CGtr-1+CGtr-2+CGtr-3+CGtr-4+CGtr-5。
进一步的，步骤S7中，基于闪电特征的分类型建立冰雹发生概率过滤器，并计算已识别分类型冰雹单体发生相应类型冰雹的概率，其具体步骤为：
S71、统计每个冰雹单体所匹配的闪电属性，其中闪电属性包括负闪个数，正闪个数，负闪平均强度、正闪平均强度、正负闪绝对值强度比值，根据统计数据建立曲线，并根据曲线建立不同类型冰雹发生概率的冰雹发生概率过滤器；
如图5所示，为了能客观提取冰雹单体的闪电特征，本实施例中，对冰雹日的不同类型的雷暴单体的闪电特征进行了统计分析，并得出结果为，其中，只伴随负闪的雷暴单体降强冰雹概率很低，当同时伴随正负闪的条件下，并同时计算了正负闪绝对值强度比值正负闪个数比值正负闪绝对值差值(|Ave(Ipcg)|-|Ave(Incg)|)，其中，当根据天气雷达反射率因子垂直结构特征识别出不同类型冰雹单体后，利用正负闪绝对值强度比值的变化能进一步确认冰雹的发生概率，即通过辅助利用闪电特征信息能够进一步降低冰雹单体识别的虚警率，并根据雷暴单体正负闪绝对值强度比值与冰雹单体发生概率统计的曲线建立的不同类型冰雹发生概率的冰雹发生概率过滤器。
S72、根据步骤S71中的分类型冰雹发生概率过滤器，计算已识别分类型冰雹单体发生相应类型冰雹的概率；
其中，过滤器对应的计算公式为：
其中，Psh(i)为强冰雹发生概率，i为正负闪绝对值强度比值；
其中，Ph(i)为普通冰雹发生概率，i为正负闪绝对值强度比值。
具体的，为了获得最终分类型冰雹的发生概率，只需将上述公式中的Psh(i)和Ph(i)代入以下公式中即可：
其中，
强冰雹发生概率：Ps＝0.5+0.5×psh(i)
普通冰雹发生概率：Pc＝0.5+0.5×ph(i)
由上述公式可得，当雷暴单体满足天气雷达不同类型冰雹垂直结构特征时，该雷暴单体发生冰雹概率为50％，当该雷暴单体所对应的闪电特征满足一定条件时，该雷暴单体发生冰雹的概率将进一步增大，从而利用雷暴单体产生冰雹的闪电特征，来辅助确认该雷暴单体具有产生冰雹能力。
进一步的，步骤S8中，建立简化的步进方格，对分类型冰雹落区边缘的进行识别，其具体步骤为：
S81、对已识别分类型冰雹单体数据进行灰度化处理；
具体的，本实施例中分别进行两组灰度化处理；
第一组，只处理强冰雹单体数据，遍历所有已识别数据，当某网格数据确认为强冰雹单体数据时，则赋值为1，其他数值赋值为0；
第二组，处理所有冰雹单体数据，遍历所有已识别数据，当某网格数据确认为冰雹单体数据时，其中包含含强冰雹单体，则赋值为1，其他数值赋值为0。
S82、根据步进方格算法思想，用边缘线上两点所连线段代替步进方格边缘线上该两点间多锯齿状线段，并给定一个背离参数T，其中，背离参数T表示为新边缘与原边缘产生误差的最大值，计算原边缘顶点与要生成的新边缘的距离di，通过比较di和T的大小，判断对应点相连生成新边缘，从而建立简化的步进方格，并利用笛卡尔坐标到经纬度坐标的转换公式，实现对不同类型冰雹单体落区的识别。
具体的，步进方格算法如图6所示，以方格为基础，方格的四个角分别存有0，1三种数值，通过确定方格与冰雹单体边缘的位置，将位于冰雹单体边缘上的每个方格两条边的中点进行连接，从而生成描述冰雹单体边缘的多边形，且方格每个角的值为0、1，当四个角的值全为0或1时，方格在轮廓内或外；当四个角的值既有0又有1时，方格在轮廓上，从而确定为方格的哪两条边的中点进行连线，且计算时方格在冰雹单体识别结果的网格上进行逐行扫描，当追踪到轮廓时，则逆时针沿轮廓进行追踪直到得到闭合的轮廓，停止追踪。
为了保持边缘特征的前提下，有效删除边缘上的冗余点，本实施例中，采用用边缘线上两点所连线段代替步进方格边缘线上该两点间多锯齿状线段，对步进方格进行简化；
如图7所示，通过简化的步进方格分别对上述步骤S81中两组灰度化数据分别进行处理，其具体步骤为：
a、设由方格得到的边缘上有n个结点，记作v0，v1，v2，……vn-1，其中，将背离参数为T，简化后的边缘存储在s数组中；
b、设i和j为边缘上的两个结点，初始i＝0，j＝2，将vi放入s中；
c、若j＝n-1，停止简化，否则，记线Lij为vi和vj连线；
d、计算结点vk分别到Lij的距离dk，其中，i<k<j，计算dk的最大值为dmax；
e、若dmax<T，令j＝j+1，继续执行步骤b，否则dmax≥T，将vj-1存入S中，并令i＝j-1，j＝j+1继续执行步骤b。
经过上述循环步骤后即可得到不同类型冰雹单体简化的边缘，最后利用笛卡尔坐标到经纬度坐标的转换公式，实现对不同类型冰雹单体落区的识别。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多源气象观测资料的分类型冰雹落区识别方法，其特征在于，包括如下具体步骤：
S1、综合原材料：综合整理并使用多源气象观测资料；
S2、原材料预处理：清洗原材料中的天气雷达反射率因子数据和闪电定位仪数据；
S3、滤波：根据天气雷达反射率因子数据，对其进行滤波，从而对数据的质量进行控制；
S4、提取计算：提取气象探空数据中0℃层高度和-20℃层高度，并计算相应高度的天气雷达反射率因子等高平面数据；
S5、建立模型：建立冰雹单体融化层垂直结构概念模型，并识别分类型冰雹单体；
S6、时空匹配：时空匹配已识别分类型冰雹单体和相应闪电数据；
S7、计算概率：设计闪电特征的分类型建立冰雹发生概率过滤器，并计算已识别分类型冰雹单体发生相应类型冰雹的概率；
S8、落区边缘的识别；建立简化的步进方格，对分类型冰雹落区边缘的进行识别。
2.根据权利要求1所述的一种基于多源气象观测资料的分类型冰雹落区识别方法，其特征在于：所述步骤S1中，综合整理并使用多源气象观测资料，其中多源气象观测资料包括天气雷达反射率因子数据、闪电数据和气象探空数据。
3.根据权利要求1所述的一种基于多源气象观测资料的分类型冰雹落区识别方法，其特征在于：所述步骤S2中，清洗原材料中的天气雷达反射率因子数据和闪电定位仪数据，其具体步骤为：
S21、对不完整天气雷达数据的清洗，即根据天气雷达基数据解压缩后的字节数，初步判断该天气雷达基数据文件是否观测完整，若字节数小于6兆，则删除该雷达数据文件；
S22、对孤立闪电数据的清洗，即逐条判断闪电数据是否孤立，根据闪电数据的经纬度去寻找以该闪电数据为中心，以10×10km为搜索框，进行搜寻该区域对应的天气雷达反射率因子数据，若该区域存在反射率因子值>35dBZ的格点，且格点数超过10，则该闪电不孤立，否则，删除该条闪电数据。
4.根据权利要求1所述的一种基于多源气象观测资料的分类型冰雹落区识别方法，其特征在于：所述步骤S3中，根据天气雷达反射率因子数据，对其进行滤波，从而对数据的质量进行控制，其具体步骤为：
S31、对非气象孤立点回波的去除，即纠正由于系统噪声或如飞机、昆虫这样的孤立目标、非正常传播造成的虚假回波。
S32、对反射率因子数据进行空间域值域的双重滤波，即在对天气雷达反射率因子进行滤波时，构造了一个二维双重滤波器，同时在空间域和值域进行滤波；
其中，空间域滤波是对空间上邻近的点进行加权平均，加权系数随着距离的增加而减少，值域滤波则是对像元值相近的点进行加权平均，加权系数随着值差的增大而减少，值域阈值设置为5dBZ。
5.根据权利要求1所述的一种基于多源气象观测资料的分类型冰雹落区识别方法，其特征在于：所述步骤S4中，提取计算的具体步骤为：
S41、对融化层高度进行提取，其中，融化层高度是指0℃层高度和-20℃层高度，且从气象探空数据中提取；
S42、对天气雷达反射率因子等高平面数据的进行计算，通过测高公式，分别选取0℃层高度和-20℃层高度上下两个仰角相应的雷达斜距上的反射率因子数据，且采用双线性插值方法得到所在特性层高度的天气雷达反射率因子等高平面数据，其中，测高公式为：
其中，H是雷达波束中心轴线在斜距R处的离地高度，h是雷达台站的海拔高度，R是雷达斜距，δ是仰角；
双线性插值公式为：
其中，(Ri，θj)为所要求解的特性层高度hi上的反射率因子极坐标，(Ri1，θj1)、(Ri2，θj1)、(Ri1，θj2)和(Ri2，θj2)四点为与该高度点邻近的反射率因子极坐标。
6.根据权利要求1所述的一种基于多源气象观测资料的分类型冰雹落区识别方法，其特征在于：所述步骤S5中，建立冰雹单体融化层垂直结构概念模型，并识别分类型冰雹单体，其具体步骤为：
S51、根据不同类型雷暴单体在融化层垂直结构变化特征，建立分类型冰雹单体垂直结构概念模型，其中，冰雹单体包括强冰雹单体、普通冰雹单体和非冰雹单体；
S52、根据步骤S51中建立的模型，计算不同特性层的天气雷达反射率因子等高平面数据差异特性，从而识别分类型冰雹单体。
7.根据权利要求6所述的一种基于多源气象观测资料的分类型冰雹落区识别方法，其特征在于：所述步骤S52中，识别分类型冰雹单体的具体过程为：
a、判断cappidata_zero是否大于等于30dBZ，同时判断cappidata_minus20是否大于等于55dBZ，若是则进行b，否则进行c；
b、判断0℃高度层和-20℃高度层两层数值差值是否小于等于5dBZ，若是则输出易发生强冰雹，若否则输出易发生普通冰雹；
c、判断cappidata_zero是否大于等于50dBZ，同时判断cappidata_minus20是否大于等于30dBZ，若是则进行d，否则进行e；
d、判断0℃高度层和-20℃高度层两层数值差值是否小于等于10dBZ，若是则输出易发生普通冰雹；
e、输出非冰雹单体。
8.根据权利要求1所述的一种基于多源气象观测资料的分类型冰雹落区识别方法，其特征在于：所述步骤S6中，时空匹配已识别分类型冰雹单体和相应闪电数据包括空间匹配和时间匹配；
其中，空间匹配是对已识别为冰雹单体的格点分别为搜索中心寻找与之对应的闪电数据，其中，搜索半径为5km，若存在，则标为与该冰雹单体匹配的闪电；
时间匹配是把闪电数据进行降尺度处理，按照雷达数据时间tr，累加处理闪电数据CG＝CGtr+CGtr-1+CGtr-2+CGtr-3+CGtr-4+CGtr-5。
9.根据权利要求1所述的一种基于多源气象观测资料的分类型冰雹落区识别方法，其特征在于：所述步骤S7中，基于闪电特征的分类型建立冰雹发生概率过滤器，并计算已识别分类型冰雹单体发生相应类型冰雹的概率，其具体步骤为：
S71、统计每个冰雹单体所匹配的闪电属性，其中闪电属性包括负闪个数，正闪个数，负闪平均强度、正闪平均强度、正负闪绝对值强度比值，根据统计数据建立不同冰雹发生概率的曲线，并根据曲线建立分类型冰雹发生概率过滤器；
S72、根据步骤S71中的分类型冰雹发生概率过滤器，计算已识别分类型冰雹单体发生相应类型冰雹的概率；
其中，过滤器对应的计算公式为：
其中，Psh(i)为强冰雹发生概率，i为正负闪绝对值强度比值；
其中，Ph(i)为普通冰雹发生概率，i为正负闪绝对值强度比值。
10.根据权利要求1所述的一种基于多源气象观测资料的分类型冰雹落区识别方法，其特征在于：所述步骤S8中，建立简化的步进方格，对分类型冰雹落区边缘的进行识别，其具体步骤为：
S81、对已识别分类型冰雹单体数据进行灰度化处理；
S82、根据步进方格算法思想，用边缘线上两点所连线段代替步进方格边缘线上该两点间多锯齿状线段，并给定一个背离参数T，其中，背离参数T表示为新边缘与原边缘产生误差的最大值，计算原边缘顶点与要生成的新边缘的距离di，通过比较di和T的大小，判断对应点相连生成新边缘，从而建立简化的步进方格，并利用笛卡尔坐标到经纬度坐标的转换公式，实现对不同类型冰雹单体落区的识别。
CN201910586619.8A 2019-07-01 2019-07-01 一种基于多源气象观测资料的分类型冰雹落区识别方法 Active CN110161506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910586619.8A CN110161506B (zh) 2019-07-01 2019-07-01 一种基于多源气象观测资料的分类型冰雹落区识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910586619.8A CN110161506B (zh) 2019-07-01 2019-07-01 一种基于多源气象观测资料的分类型冰雹落区识别方法

Publications (2)

Publication Number Publication Date
CN110161506A true CN110161506A (zh) 2019-08-23
CN110161506B CN110161506B (zh) 2023-03-31

Family

ID=67637284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910586619.8A Active CN110161506B (zh) 2019-07-01 2019-07-01 一种基于多源气象观测资料的分类型冰雹落区识别方法

Country Status (1)

Country Link
CN (1) CN110161506B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110488297A (zh) * 2019-08-30 2019-11-22 成都信息工程大学 一种复杂地形区域雹暴的预警方法
CN111916089A (zh) * 2020-07-27 2020-11-10 南京信息工程大学 基于声信号特征分析的冰雹检测方法和装置
CN112596058A (zh) * 2021-03-03 2021-04-02 南京信息工程大学 一种基于三维雷达探测数据的闪电落区识别方法
CN113534090A (zh) * 2021-07-14 2021-10-22 中国科学院大气物理研究所 一种云中液态水含量的反演方法及装置
CN113933845A (zh) * 2021-10-18 2022-01-14 南京气象科技创新研究院 一种基于双线偏振雷达的地面降雹识别和预警方法
CN117055051A (zh) * 2023-10-09 2023-11-14 国家气象中心(中央气象台) 基于多源数据的冰雹识别方法、系统、设备及存储介质
CN118191781A (zh) * 2024-05-15 2024-06-14 成都信息工程大学 一种基于雷达图像空间映射的冰雹自动识别方法
CN118191781B (zh) * 2024-05-15 2024-07-09 成都信息工程大学 一种基于雷达图像空间映射的冰雹自动识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110148694A1 (en) * 2009-12-17 2011-06-23 Honeywell International Inc. Systems and methods for infering hail and lightning using an airborne weather radar volumetric buffer
CN105068075A (zh) * 2015-06-30 2015-11-18 江苏省气象科学研究所 一种近地面大风的计算方法
CN105653855A (zh) * 2015-12-29 2016-06-08 中国电力科学研究院 适用于数值天气模式的三维雷电分形结构数值模拟方法
US20160299257A1 (en) * 2015-04-10 2016-10-13 Nowcast Gmbh System and method for identification and/or nowcasting of hail events
CN106526708A (zh) * 2016-09-21 2017-03-22 广东奥博信息产业有限公司 一种基于机器学习的气象强对流天气的智能预警分析方法
CN107843884A (zh) * 2017-09-13 2018-03-27 成都信息工程大学 基于双偏振雷达观测提高雷暴天气预警预报准确度的方法
CN108680920A (zh) * 2018-04-28 2018-10-19 深圳市雅码科技有限公司 一种基于双偏振雷达的灾害天气识别预警系统及方法
CN108802733A (zh) * 2018-06-15 2018-11-13 安徽诺安信息科技有限公司 一种基于气象雷达数据对冰雹探测的算法
CN109086916A (zh) * 2018-07-16 2018-12-25 国家气象中心 一种基于多源观测数据的对流天气临近预报方法及装置
CN109116358A (zh) * 2018-08-09 2019-01-01 成都信息工程大学 基于新一代天气雷达的冰雹识别及落区预报方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110148694A1 (en) * 2009-12-17 2011-06-23 Honeywell International Inc. Systems and methods for infering hail and lightning using an airborne weather radar volumetric buffer
US20160299257A1 (en) * 2015-04-10 2016-10-13 Nowcast Gmbh System and method for identification and/or nowcasting of hail events
CN105068075A (zh) * 2015-06-30 2015-11-18 江苏省气象科学研究所 一种近地面大风的计算方法
CN105653855A (zh) * 2015-12-29 2016-06-08 中国电力科学研究院 适用于数值天气模式的三维雷电分形结构数值模拟方法
CN106526708A (zh) * 2016-09-21 2017-03-22 广东奥博信息产业有限公司 一种基于机器学习的气象强对流天气的智能预警分析方法
CN107843884A (zh) * 2017-09-13 2018-03-27 成都信息工程大学 基于双偏振雷达观测提高雷暴天气预警预报准确度的方法
CN108680920A (zh) * 2018-04-28 2018-10-19 深圳市雅码科技有限公司 一种基于双偏振雷达的灾害天气识别预警系统及方法
CN108802733A (zh) * 2018-06-15 2018-11-13 安徽诺安信息科技有限公司 一种基于气象雷达数据对冰雹探测的算法
CN109086916A (zh) * 2018-07-16 2018-12-25 国家气象中心 一种基于多源观测数据的对流天气临近预报方法及装置
CN109116358A (zh) * 2018-08-09 2019-01-01 成都信息工程大学 基于新一代天气雷达的冰雹识别及落区预报方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YONG SHE ET AL.: "Application research on intelligent pattern recognition methods in hail identification of weather radar", 《2010 INTERNATIONAL CONFERENCE ON COMPUTER APPLICATION AND SYSTEM MODELING (ICCASM 2010)》 *
冯桂力等: "雹暴的闪电活动特征与降水结构研究", 《中国科学(D辑:地球科学)》 *
路志英等: "雷达回波反射率垂直剖面图的冰雹识别方法", 《天津大学学报(自然科学与工程技术版)》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110488297A (zh) * 2019-08-30 2019-11-22 成都信息工程大学 一种复杂地形区域雹暴的预警方法
CN110488297B (zh) * 2019-08-30 2023-03-24 成都信息工程大学 一种复杂地形区域雹暴的预警方法
CN111916089A (zh) * 2020-07-27 2020-11-10 南京信息工程大学 基于声信号特征分析的冰雹检测方法和装置
CN112596058B (zh) * 2021-03-03 2021-06-01 南京信息工程大学 一种基于三维雷达探测数据的闪电落区识别方法
CN112596058A (zh) * 2021-03-03 2021-04-02 南京信息工程大学 一种基于三维雷达探测数据的闪电落区识别方法
CN113534090A (zh) * 2021-07-14 2021-10-22 中国科学院大气物理研究所 一种云中液态水含量的反演方法及装置
CN113534090B (zh) * 2021-07-14 2024-01-30 中国科学院大气物理研究所 一种云中液态水含量的反演方法及装置
CN113933845A (zh) * 2021-10-18 2022-01-14 南京气象科技创新研究院 一种基于双线偏振雷达的地面降雹识别和预警方法
CN113933845B (zh) * 2021-10-18 2024-05-28 南京气象科技创新研究院 一种基于双线偏振雷达的地面降雹识别和预警方法
CN117055051A (zh) * 2023-10-09 2023-11-14 国家气象中心(中央气象台) 基于多源数据的冰雹识别方法、系统、设备及存储介质
CN117055051B (zh) * 2023-10-09 2023-12-19 国家气象中心(中央气象台) 基于多源数据的冰雹识别方法、系统、设备及存储介质
CN118191781A (zh) * 2024-05-15 2024-06-14 成都信息工程大学 一种基于雷达图像空间映射的冰雹自动识别方法
CN118191781B (zh) * 2024-05-15 2024-07-09 成都信息工程大学 一种基于雷达图像空间映射的冰雹自动识别方法

Also Published As

Publication number Publication date
CN110161506B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN110161506A (zh) 一种基于多源气象观测资料的分类型冰雹落区识别方法
CN109738970B (zh) 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质
CN109416413B (zh) 太阳能预报
CN111666918B (zh) 一种基于多因素的海岸线变化识别方法
Sohn et al. Automatic powerline scene classification and reconstruction using airborne lidar data
CN105334551B (zh) 基于数值天气预报模式的电网气象预测预警系统
CN114419825B (zh) 基于毫米波雷达和摄像头的高铁周界入侵监测装置及方法
CN111553204B (zh) 一种基于遥感影像的输电杆塔检测方法
CN115933008A (zh) 一种强对流天气预报预警方法
CN115437036A (zh) 一种基于葵花卫星的对流初生预报方法
CN112084712A (zh) 融合主被动微波遥感信息的洪水淹没范围动态模拟方法
CN114821018B (zh) 一种利用多方向性特征构造卷积神经网络的红外弱小目标检测方法
CN106780540B (zh) 面向光伏发电的地基云图云层跟踪及预警方法
CN113933845A (zh) 一种基于双线偏振雷达的地面降雹识别和预警方法
CN115062527A (zh) 一种基于深度学习的静止卫星海温反演方法及系统
CN116009121A (zh) 一种基于深度学习的闪电短时临近预报方法
CN112668615B (zh) 一种基于深度跨尺度外推融合的卫星云图预测方法
CN114254692A (zh) 基于多源闪电数据的多尺度的雷暴智能分类与识别方法
Sun et al. Objects detection with 3-D roadside LiDAR under snowy weather
CN116029162B (zh) 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和系统
CN109975892B (zh) 一种寒潮天气500hPa环流形势的自动识别方法
CN113936166A (zh) 一种基于多普勒天气雷达数据的冰雹回波识别方法及系统
CN113821895B (zh) 输电线路覆冰厚度预测模型的构建方法、装置及存储介质
CN106249241B (zh) 一种自适应杂波功率统计算法
Li et al. Recognition algorithm for deep convective clouds based on FY4A

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