CN110175545A - 一种基于ls谱和小波谱的主导重力波识别方法 - Google Patents
一种基于ls谱和小波谱的主导重力波识别方法 Download PDFInfo
- Publication number
- CN110175545A CN110175545A CN201910402946.3A CN201910402946A CN110175545A CN 110175545 A CN110175545 A CN 110175545A CN 201910402946 A CN201910402946 A CN 201910402946A CN 110175545 A CN110175545 A CN 110175545A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- gravitational wave
- data
- wave
- wavelet
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于LS谱和小波谱的主导重力波识别方法。对于给定的时域或空间域的数据,分别使用LS谱和小波谱进行谱分析,在给定的频谱范围内,通过谱分析的显著度选出各自选出备选的重力波,两种结果互相比对,挑出最优结果即为给定数据内的主导重力波。与人工识别方法或者单一的频谱分析阈值相比,可自动运行,计算快速,有效排除干扰,快速识别出数据中一定时空范围内的主导重力波,提高了重力波的识别效率,对大气重力波的参数化描述,以及全球大气气候模式的发展具有重要价值。
Description
技术领域
本发明涉及大气动力学领域,尤其涉及一种基于LS谱和小波谱的主导重力波的识别方法。
背景技术
大气重力波是大气中最常见的现象之一。大气受到地形、对流、风切变、急流、锋面系统等影响时,会产生扰动偏离平衡态,重力和浮力共同作用使大气以波动形式振荡,故常被称作重力波。大气重力波在上传的过程中,其振幅会随着大气密度降低而升高,重力波会因振幅过大而不稳定或者因遇到临界层而破碎。一方面,重力波的破碎可能导致晴空湍流,这种肉眼不可见、天气雷达无法探测到的现象会对航空安全造成巨大的威胁;另一方面,重力波在破碎过程中,会将波动携带的能量和动量沉积到背景大气中,从而影响不同圈层大气的动力学耦合过程,并影响大气圈层的动力学和热力学结构。因此,重力波在大气中有着重要的作用。
近年来,随着大气探测技术的发展,可以用越来越多的方式对大气重力波进行探测。
本发明的发明人经过研究发现:传统的重力波人工识别无法满足大量观测数据的要求,对大气重力波的快速准确自动识别提出了新的要求。在复杂的大气动力学过程下,大气重力波覆盖了从分钟到数十小时的时域范围,一公里到数千公里的空间范围。在实际观测中,重力波通常有着较宽的频谱,为了研究重力波中的动力学过程,需要提取出中其中占据主导的重力波,以便于按照单色重力波理论进行分析。传统的频谱分析方法,多为通过单一阈值判定并识别重力波。该办法在湍流噪音影响较大时容易将噪音信号识别为波动信号,影响分析结果的准确性。
发明内容
本发明的目的在于提供一种基于LS谱和小波谱的主导重力波的识别方法,旨在解决快速识别海量观测数据中关注区域内指定频谱范围内占据主导的大气重力波。
为实现上述目的,本发明提供如下技术方案:
提出一种基于LS谱和小波谱的主导重力波的识别方法。具体的实施步骤为:
步骤一:在时域或空间域上明确待识别重力波的频谱范围;
步骤二:根据所述频谱范围选取一组适合长度的测量数据;所述测量数据为可表征大气重力波的数据,所述测量数据包括温度、密度、压强、风场、辐射中的一个或多个;所述适合长度为所述测量数据在时间域或空间域上的长度至少包含两个选定频谱最大周期或波长的数据;
步骤三:对所述测量数据计算LS谱,根据LS谱的显著度和频谱范围选取一系列备选重力波W1;如无备选重力波W1,则判定该组数据无重力波;
步骤四:对测量数据计算小波谱,对时域或空间域上中心附近的小波谱求平均,根据小波谱显著度选取一系列备选重力波W2;如无备选重力波W2,则判定该组数据无重力波;
步骤五:将备选重力波W1与备选重力波W2进行匹配,选出最为匹配的一组重力波,判定该组重力波为该组数据中的主导重力波;如无匹配W1与W2,则判定改组数据无主导重力波。
进一步的,该测量数据可以为时域或者空间域的等间隔数据。
进一步的,若测量数据为不等间隔数据,则将所述测量数据插值为等间隔数据。
进一步的,小波谱可以Morlet小波函数、Meyer小波函数或其它可以对波动进行分析提取的小波函数。
进一步的,对于LS谱,备选重力波为频谱关注频谱范围内所有大于显著度的极大值;对于小波谱,备选重力波为中心区域平均后的小波谱在关注频谱范围内所有大于小波谱显著度的极大值。
进一步的,在频谱差异和相对幅度中使用任意权重的任意方法找出的最匹配的一组重力波。
进一步的,步骤五中将备选重力波W1与备选重力波W2进行匹配,包括:
根据得到的W1与W2的频谱差异和相对幅度,分别对W1和W2赋以预定权重,根据预设的匹配策略,选出相对振幅与频谱差异满足匹配策略要求的一对W1和W2。
由此可见,本发明提供的一种基于LS谱和小波谱的主导重力波识别方法如下有益效果:
(1)该算法操作简便,有助于准确快速的从海量数据中提取出重力波的相应特征。
(2)本发明基于两种谱分析方法的显著度,共同比对识别出数据中的主导重力波,可有效去除噪音信号的以及具有较宽频谱重力波的干扰,使结果更加准确。
综上所述,本发明提出了一种基于Lomb-Scargle(LS)谱和小波谱的主导重力波的识别方法。该算法对实测信号分别使用LS谱和小波谱两种谱分析办法,比较功率谱的一致性,通过各自谱的显著度度找出其中占据主导的重力波。使用该算法,可以自动快速找出一定时域或者空间域上指定频谱范围内占据主导的大气重力波,适用于海量观测数据分析,对于大气重力波的研究以及大气模式中重力波的参数化过程有着重要的意义。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明进行附图说明。
图1为本发明提出的基于LS谱和小波谱的主导重力波识别方法的流程图。
图2是本发明实施例提供的主导重力波识别过程及结果的示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
实施例
本发明公开了一种基于LS谱和小波谱的主导重力波识别方法。本发明中的LS谱均指Lomb-Scargle谱。其基本原理为:对于给定的时域或空间域的数据,分别使用LS谱和小波谱进行谱分析,在给定的频谱范围内,通过谱分析的显著度选出各自选出备选的重力波,两种结果互相比对,挑出最优结果即为给定数据内的主导重力波。与人工识别方法或者单一的频谱分析阈值相比,可自动运行,计算快速,有效排除干扰,提高了主导重力波的识别效率。
结合图1,本发明基于LS谱和小波谱的主导重力波识别方法,包括:
步骤一:在时域或空间域上明确待识别重力波的频谱范围。
具体的,选定所关注重力波的频谱范围。该频谱范围可对应时域的数据或者空间域的数据。本实施例中,使用时域数据,选定周期范围为5分钟到50分钟,如图2所示。
可选的,在上述方法中,频谱范围包含时域上的周期范围,频域上的频率范围,空间域上的波长范围以及波数范围等。
步骤二:根据所述频谱范围选取一组适合长度的测量数据;所述测量数据为可表征大气重力波的数据,所述测量数据包括温度、密度、压强、风场、辐射中的一个或多个;所述适合长度为所述测量数据在时间域或空间域上的长度至少包含两个选定频谱最大周期或波长的数据。
具体的,步骤二包括:根据频谱范围获取一组适合长度的测量数据。如数据为不等间隔,则插值到等间隔。
特别的,上述方法中,数据为可表征大气重力波的数据,包括但不限于温度、密度、压强、风场、辐射等数据。
可选的,在上述方法中,该组数据可以为时域上的,也可以为空间域上的数据。
特别的,在上述方法中,适合长度指测量数据在时间域或空间域上的长度至少包含两个选定频谱最大周期或波长的数据,以满足采样率要求。
可选的,在上述方法中,插值方法包括但不限于样条插值,线性插值等多种插值方法。
步骤三:对所述测量数据计算LS谱,根据LS谱的显著度和频谱范围选取一系列备选重力波W1;如无备选重力波W1,则判定该组数据无重力波;
具体的,步骤三包括:对测量数据计算LS谱,根据LS谱的显著度和频谱范围选取一系列备选重力波W1。如无备选重力波W1,则判定该组数据无重力波。
其中,LS谱全称Lomb-Scargle谱,LS谱是指,对于给定的信号Y(ti)=η(ti)+∈(ti),i=1,……,N,其中η(ti)是以T为最小周期的周期函数,∈(ti)是期望为0的正态随机误差函数。ti实际信号为y(ti),对于待检验频率fj,取ωj=2πfj,j=1,……,M。LS谱的定义为:
式中,分别为均值和方差,τ满足:
对于给定的显著度,可由LS谱P(ωj)计算出相应的幅值。
可选的,在上述方法中,显著度可以根据需求选定,如95%。
特别的,备选重力波W1的选取办法为,在选定的频谱范围找出LS谱的所有极大值,大于显著度幅值的部分极大值即为备选重力波W1的波谱。
步骤四:对测量数据计算小波谱,对时域或空间域上中心附近的小波谱求平均,根据小波谱显著度选取一系列备选重力波W2;如无备选重力波W2,则判定该组数据无重力波。
具体的,步骤四包括:对测量数据计算小波谱,对时域或空间域上中心附近的小波谱求平均,根据小波谱显著度选取一系列备选重力波W2。如无备选重力波W2,则判定该组数据无重力波。其中,显著度可在小波谱的计算中根据小波功率谱得出。
可选的,在上述方法中,小波谱所用的小波函数包括但不限于Morlet小波函数,Meyer小波函数等可以对波动进行分析的小波函数。其中,Morlet小波函数为:
式中,a为小波缩放系数,b为小波函数中心位置。对测量数据与小波函数进行协方差计算,即可得到相应的小波功率谱。
可选的,在上述方法中,中心附近为中心点旁与周期范围或波长范围最大值相当的一段宽度,可根据用户任务需求选定。
可选的,在上述方法中,显著度可以根据需求选定,如95%。
特别的,备选重力波W2的选取办法为,对于时域或空间域上中心附近平均后的小波谱,在选定的频谱范围找出所有极大值,大于小波谱显著度的部分极大值即为备选重力波W2的波谱。
步骤五:将备选重力波W1与备选重力波W2进行匹配,选出最为匹配的一组重力波,判定该组重力波为该组数据中的主导重力波;如无匹配的W1与W2,则判定改组数据无主导重力波。
具体的,步骤五中将备选重力波W1与备选重力波W2进行匹配,包括:
根据得到的W1与W2的频谱差异和相对幅度,分别对W1和W2赋以预定的权重,根据预设的匹配策略,选出相对振幅与频谱差异满足匹配策略要求的一对W1和W2。
预设的匹配策略可以是选出相对振幅最大且频谱差异小于预定阈值的一对W1和W2。例如,选出W1和W2中振幅最大的一对,如果相对频谱差异小于某阈值,如30%,即认为改组W1和W2最为匹配,如大于该阈值,则认为不匹配。
下面结合具体的实测数据,对本发明的方法进行详细阐述。本发明的方法包括:
S1,选定所关注重力波的频谱范围。该频谱范围可对应时域的数据或者空间域的数据。本实施例中,使用时域数据,选定周期范围为5分钟到50分钟,如图2所示。
S2,根据频谱范围确定相应的数据长度并提取数据。本实施例中,根据最大周期50分钟,选取数据长度为4小时,如图2a和2b所示。
优选的,数据的长度应包含3到5个完整的频谱范围对应的最大周期(时域)或波长(空间域)。
优选的,数据如为不等间隔数据,则采用三次样条插值到等间隔,该间隔与频谱范围应满足采样率要求。
S3,对数据进行LS谱变换,从指定频谱范围内,选出大于显著度的极大值,作为备选重力波W1。本实施例中,结果如图2e和2f所示。
优选的,取LS谱的显著度为95%。
S4,对数据进行小波变换,对中心区域的小波谱求平均,选出大于显著度的小波谱平均极大值作为备选重力波W2。在本实施例中,使用Morlet小波函数,中心区域取为数据窗口中心1小时范围,取小波谱显著度为95%,如图2c-f所示。
优选的,小波分析使用Morlet小波函数。
优选的,取小波谱显著度为95%。
优选的,中心区域与指定频谱范围最大周期(时域)或波长(空间域)相当。
S5,对备选重力波进行比对,找出最为匹配的重力波,作为该信号的主导重力波。该实施例中,为简化运算,从备选重力波中找出振幅最大的备选重力波,然后比较两者周期,如周期相对差值在30%以内,则为主导重力波,如图2所示,左图为识别出主导重力波,右图为未识别出主导重力波。
图2为基于LS谱和小波谱的主导重力波识别方法过程和结果示意图。图2上图为原始的时域信号,时间分辨率为41秒,时间窗口4小时,关注的周期范围为5分钟到50分钟。图2中图为小波谱,垂直虚线示意中心区域,黑色廓线表征显著度为95%的区域。图2下图中实曲线为LS谱,水平实线表示95%的显著度,实心圆和实心方形表示备选重力波W1,点划曲线表示小波谱中心区域平均值,水平点划线表示95%显著度,空心圆和空心方形表示备选重力波W2。为简化计算,直接选出振幅最大的备选重力波,如图2下图方形所示,如两者周期相对差值小于30%,则认定该重力波为主导重力波。图2左图识别出主导重力波约20分钟,右图无主导重力波。该算法排除噪音和普通频谱分析阈值变化的干扰,可快速识别出数据中一定时空范围内的主导重力波,对大气重力波的参数化描述,以及全球大气气候模式的发展具有重要价值。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.一种基于LS谱和小波谱的主导重力波识别方法,其特征在于:
步骤一:在时域或空间域上明确待识别重力波的频谱范围;
步骤二:根据所述频谱范围选取一组适合长度的测量数据;所述测量数据为可表征大气重力波的数据,所述测量数据包括温度、密度、压强、风场、辐射中的一个或多个;所述适合长度为所述测量数据在时间域或空间域上的长度至少包含两个选定频谱最大周期或波长的数据;
步骤三:对所述测量数据计算LS谱,根据LS谱的显著度和频谱范围选取一系列备选重力波W1;如无备选重力波W1,则判定该组数据无重力波;
步骤四:对测量数据计算小波谱,对时域或空间域上中心附近的小波谱求平均,根据小波谱显著度选取一系列备选重力波W2;如无备选重力波W2,则判定该组数据无重力波;
步骤五:将备选重力波W1与备选重力波W2进行匹配,选出最为匹配的一组重力波,判定该组重力波为该组数据中的主导重力波;如无匹配W1与W2,则判定改组数据无主导重力波。
2.根据权利要求1所述的方法,其特征在于,该测量数据可以为时域或者空间域的等间隔数据。
3.根据权利要求2所述的方法,其特征在于,若测量数据为不等间隔数据,则将所述测量数据插值为等间隔数据。
4.根据权利要求1所述的方法,其特征在于,小波谱可以Morlet小波函数、Meyer小波函数或其它可以对波动进行分析提取的小波函数。
5.根据权利要求1所述的方法,其特征在于,对于LS谱,备选重力波为频谱关注频谱范围内所有大于显著度的极大值;对于小波谱,备选重力波为中心区域平均后的小波谱在关注频谱范围内所有大于小波谱显著度的极大值。
6.根据权利要求1所述的方法,其特征在于,在频谱差异和相对幅度中使用任意权重的任意方法找出的最匹配的一组重力波。
7.根据权利要求1所述的方法,其特征在于,步骤五中将备选重力波W1与备选重力波W2进行匹配,包括:
根据得到的W1与W2的频谱差异和相对幅度,分别对W1和W2赋以预定权重,根据预设的匹配策略,选出相对振幅与频谱差异满足匹配策略要求的一对W1和W2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910402946.3A CN110175545A (zh) | 2019-05-15 | 2019-05-15 | 一种基于ls谱和小波谱的主导重力波识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910402946.3A CN110175545A (zh) | 2019-05-15 | 2019-05-15 | 一种基于ls谱和小波谱的主导重力波识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110175545A true CN110175545A (zh) | 2019-08-27 |
Family
ID=67690986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910402946.3A Withdrawn CN110175545A (zh) | 2019-05-15 | 2019-05-15 | 一种基于ls谱和小波谱的主导重力波识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175545A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111390271A (zh) * | 2020-03-02 | 2020-07-10 | 浙江工业大学 | 一种拉削力测量装置及测量数据处理方法 |
CN112305640A (zh) * | 2020-06-24 | 2021-02-02 | 航天动信(北京)科技有限公司 | 天气预警方法、装置、电子设备和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101223747A (zh) * | 2005-07-13 | 2008-07-16 | 文卡达·古鲁普拉赛德 | 使用均匀采样测谱法的依赖于距离的波谱 |
KR101504100B1 (ko) * | 2013-11-26 | 2015-03-19 | 재단법인 한국형수치예보모델개발사업단 | 로렌츠 연직 이산화 기반의 육면체구 수평 격자체계를 사용하는 수치일기예보모델의 물리과정 모수화 패키지 구성 방법 및 이를 구현하는 하드웨어 장치 |
CN106874690A (zh) * | 2017-03-07 | 2017-06-20 | 南京大学 | 考量水平传播因素的地形重力波拖曳参数化方法 |
CN107678025A (zh) * | 2017-08-01 | 2018-02-09 | 北京海兰信数据科技股份有限公司 | 海浪波高计算方法和装置、存储介质及处理器 |
CN108334710A (zh) * | 2018-02-11 | 2018-07-27 | 上海长望气象科技股份有限公司 | 重力波参数的计算方法、装置及终端 |
-
2019
- 2019-05-15 CN CN201910402946.3A patent/CN110175545A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101223747A (zh) * | 2005-07-13 | 2008-07-16 | 文卡达·古鲁普拉赛德 | 使用均匀采样测谱法的依赖于距离的波谱 |
KR101504100B1 (ko) * | 2013-11-26 | 2015-03-19 | 재단법인 한국형수치예보모델개발사업단 | 로렌츠 연직 이산화 기반의 육면체구 수평 격자체계를 사용하는 수치일기예보모델의 물리과정 모수화 패키지 구성 방법 및 이를 구현하는 하드웨어 장치 |
CN106874690A (zh) * | 2017-03-07 | 2017-06-20 | 南京大学 | 考量水平传播因素的地形重力波拖曳参数化方法 |
CN107678025A (zh) * | 2017-08-01 | 2018-02-09 | 北京海兰信数据科技股份有限公司 | 海浪波高计算方法和装置、存储介质及处理器 |
CN108334710A (zh) * | 2018-02-11 | 2018-07-27 | 上海长望气象科技股份有限公司 | 重力波参数的计算方法、装置及终端 |
Non-Patent Citations (4)
Title |
---|
CAO CHEN 等: "Lidar observations of persistent gravity waves with periods of 3–10h in the Antarctic middle and upper atmosphere at McMurdo(77.83°S, 166.67°E)", 《JOURNAL OF GEOPHYSICAL RESEARCH》 * |
RYAN MATTHEW AGNER: "On the Variation of Gravity Wave Activity through the Solar Cycle at the South Pole", 《EMBRY-RIDDLE AERONAUTICAL UNIVERSITY SCHOLARLY COMMONS DISSERTATIONS AND THESES》 * |
李驰钦 等: "青藏高原上空一次重力波过程的识别与天气影响分析", 《气象学报》 * |
程胡华 等: "估算大气重力波参数的垂直扰动廓线获取新方法", 《物理学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111390271A (zh) * | 2020-03-02 | 2020-07-10 | 浙江工业大学 | 一种拉削力测量装置及测量数据处理方法 |
CN112305640A (zh) * | 2020-06-24 | 2021-02-02 | 航天动信(北京)科技有限公司 | 天气预警方法、装置、电子设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082842B (zh) | 一种降水估测方法及装置 | |
Feingold et al. | A modeling study of the effect of drizzle on cloud optical depth and susceptibility | |
Bonin et al. | Thermodynamic and turbulence characteristics of the southern great plains nocturnal boundary layer under differing turbulent regimes | |
US20110103693A1 (en) | Method for predicting a trend of a meteorological phenomenon on the basis of data originating from a meteorological radar | |
CN106960204B (zh) | 一种估算近海水体浮游植物粒级结构的遥感方法 | |
Bianco et al. | Convective boundary layer depth estimation from wind profilers: Statistical comparison between an automated algorithm and expert estimations | |
CN110175545A (zh) | 一种基于ls谱和小波谱的主导重力波识别方法 | |
Lei et al. | Comparisons of sea ice motion and deformation, and their responses to ice conditions and cyclonic activity in the western Arctic Ocean between two summers | |
DiNapoli et al. | Uncertainty and intercalibration analysis of H* Wind | |
Chattopadhyay et al. | A description of the Madden–Julian oscillation based on a self-organizing map | |
Rietveld et al. | The tromsø dynasonde | |
Aydoğdu et al. | Assimilation experiments for the fishery observing system in the Adriatic Sea | |
Bovalo et al. | Examining relationships between cloud‐resolving model parameters and total flash rates to generate lightning density maps | |
Wang et al. | The identification of hail storms in the early stage using time series analysis | |
Davis | On the coastal-upwelling overturning cell | |
Alexander et al. | High resolution VHF radar measurements of tropopause structure and variability at Davis, Antarctica (69° S, 78° E) | |
Hirsch et al. | On transition-zone water clouds | |
CN105891078B (zh) | 基于风廓线雷达的沙尘暴沙尘质量浓度定量反演估算方法 | |
Gerrard et al. | Noctilucent clouds and wave dynamics: Observations at Sondrestrom, Greenland | |
Das et al. | Characteristics of atmospheric turbulence in terms of background atmospheric parameters inferred using MST radar at Gadanki (13.5 N, 79.2 E) | |
Banks et al. | Retrieval of boundary layer height from lidar using extended Kalman filter approach, classic methods, and backtrajectory cluster analysis | |
KR20130049521A (ko) | 강수에코 이동경로 예측 방법 및 장치 | |
Laurukevich et al. | Estimation of energy, spectral and polarimetric characteristics of meteorological echoes in DMRL-C | |
Pelon et al. | Optical and microphysical parameters of dense stratocumulus clouds during mission 206 of EUCREX'94 as retrieved from measurements made with the airborne lidar LEANDRE 1 | |
Schneider et al. | Analysis of spatially and temporally disjoint precipitation datasets to estimate the 3D distribution of rain |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190827 |