CN110442661B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110442661B
CN110442661B CN201910602471.2A CN201910602471A CN110442661B CN 110442661 B CN110442661 B CN 110442661B CN 201910602471 A CN201910602471 A CN 201910602471A CN 110442661 B CN110442661 B CN 110442661B
Authority
CN
China
Prior art keywords
vortex
sst
data
ocean current
center
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
Application number
CN201910602471.2A
Other languages
English (en)
Other versions
CN110442661A (zh
Inventor
胡海波
陈菲菲
文质彬
白皓坤
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN201910602471.2A priority Critical patent/CN110442661B/zh
Publication of CN110442661A publication Critical patent/CN110442661A/zh
Application granted granted Critical
Publication of CN110442661B publication Critical patent/CN110442661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于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。该方法基于CFSR数据中的海流场和海表面温度场，首先对数据进行预处理，得到海流和海表面温度异常场。然后利用海流异常数据，分两种情况寻找涡旋中心点，根据得到的涡旋中心点，确定涡旋半径。最后，根据海流场计算得到涡旋可能运动的最大距离，在该范围内进行涡旋追踪。该方法通过CFSR数据中的海流场和海表面温度场进行涡旋的识别和追踪，避免了由于高度计计算地转流场的误差导致的低纬度地区识别结果不准确。另外有效利用了海流场帮助涡旋追踪，提高了涡旋追踪的效率。

Description

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
技术领域
本发明涉及海洋地区中尺度涡旋的识别和追踪方法，尤其涉及基于CFSR数据的冬季北太平洋中尺度涡旋的识别和追踪方法，属于海洋可视化领域。
背景技术
中尺度涡旋作为海洋中重要的物理过程，对全球气候、海洋环流、生产力等有着重要的影响。但涡旋的产生并不是空间均匀分布的，而是集中在某些特殊地区，比如北太平洋区域。因此，对北太平洋地区的涡旋识别和追踪有着一定的研究价值和意义。
对海洋中尺度涡旋识别提取的方法有多种，目前常见的涡旋识别方法有Okubo-Weiss(OW)法、Wind-angle(WA)法、SSH法、Hybird Detection(HD)法等。
(1)OW法：OW法以W值作为物理参数，W值是由SSH计算得到的。将-0.2σw(σw为整个W场的标准差)作为阈值，判断检测区域是否为涡旋。OW法的特点是根据W值划分涡旋核心，而且涡旋外围只需要海表面高度数据即可确定。但这种方法存在以下几个问题：第一，该方法的计算易受SSH数据的噪音影响，往往会把W场的噪点误判为涡旋。第二，该方法需要明确一个阈值来进行涡旋的提取，但不同阈值得到的结果波动很大。
(2)WA法：WA法通过一个点来确定涡旋的中心，通过一条闭合的外廓连线来确定涡旋的边界，从而表达一个完整的涡旋结构。对于被地转流所围绕的涡旋，它的外廓线大致与SSH的闭合等值线相符，因此这种方法逐渐被更简便的SSH方法取代。
(3)SSH法：SSH法通过查找SSH最外层的闭合等值线来确定涡旋边界，再以涡旋边界内的SSH局地极值为涡旋中心。这种方法的运算量较大。
(4)HD法：是OW法和SSH法的混合。先以SSH局地极值和“涡核”确定涡心，再以包含“涡核”的最内圈闭合SSH等值线为涡边，最后确定“多核结构”及其边界。
涡旋的追踪方法主要有pixel connectivity algorithm,threshold searchingalgorithm等。Pixel connectivity algorithm对于涡旋中心区域比较明显，且不同涡旋个体之间存在一定距离的情况比较有效，该方法是通过确认在x、y以及时间上相邻的像元组的办法来实现的。Threshold searching algorithm是一种基于最近距离的方法，此方法按照时间步长从一个时间到下一个时间追踪每个涡旋，在下一张地图中找到的涡旋中心距离最近的对象即视为追踪到的目标。
采用以上方法进行涡旋识别和追踪，都会出现由于计算得到的地转流速不准确导致的误差，同时运算量大，识别和追踪速率较低的缺点。
发明内容
本发明所要解决的技术问题是克服现有识别方法识别误差大，效率低的缺陷，提供一种基于CFSR数据的冬季北太平洋地区中尺度涡旋识别和追踪方法，提高涡旋的识别和追踪效率。
为了解决上述技术问题，本发明的基于CFSR数据的冬季北太平洋地区中尺度涡旋的识别方法，包含如下步骤：
①选取CFSR数据库中的海流场数据和海表面温度场数据；将上200米海流场数据进行平均，再去除海流场数据中的季节循环信号，获得海流异常场；去除海表面温度场数据中的季节循环信号，再移除纬向平均的海表面温度，获得海表面温度异常场。
②根据海流异常场数据，找出涡旋中心点。
③对涡旋中心点进行筛选，根据筛选后的涡旋中心确定涡旋半径。
上述技术方案中进一步优化，所述去除海流场数据中季节循环数据的具体方法是用每一天的海流场数据减去至少5年平均的该天的海流场数据；所述去除海表面温度场数据中季节循环数据的具体方法是用每一天的海表面温度场数据减去至少5年平均的该天的海表面温度场数据。
上述技术方案中进一步优化，所述步骤②中找出的涡旋中心点为圆形涡旋中心时需满足沿着涡旋中心的东西向，海流v分量在中心点两侧的数值符号相反；沿着涡旋中心的南北向，海流u分量在中心点两侧的数值符号相反，u的变化方向需与v的变化方向一致；同时还需满足围绕涡旋中心涡旋速度矢量变化的旋转性一致，两个临近的速度矢量方向必须位于同一个或两个相邻的象限。
上述技术方案中进一步优化，所述步骤②中找出的涡旋中心点为矩形涡旋中心时需满足中心流场为辐合或辐散。
上述技术方案中进一步优化，所述步骤③中对涡旋中心点的筛选满足如下条件，当两个中心点的距离≤100km时，选取流速较小的中心点为涡旋中心点；选取海表面温度异常＜-0.2℃的气旋式涡旋中心和＞0.2℃的反气旋式涡旋中心，气旋式涡旋为冷海温异常，反气旋式涡旋为暖海温异常。
上述技术方案中进一步优化，所述步骤③中涡旋半径r0*50km,所述r0为u(i+r0,j)*u(i-r0,j)＜0，v(i,j+r0)*v(i,j-r0)＜0，u(i-r0,j)*v(i,j-r0)＜0，u(i+r0,j)*v(i,j+r0)＜0中最大r0值，且同时满足sst(i+r0-1,j)*sst(i,j)＞0，sst(i-r0+1,j)*sst(i,j)＞0，sst(i,j-r0+1)*sst(i,j)＞0，sst(i,j+r0-1)*sst(i,j)＞0。
7.如权利要求4所述的基于CFSR数据的冬季北太平洋地区中尺度涡旋的识别方法，其特征在于：所述步骤③中涡旋半径r0*50km,所述r0为u(i+r0,j)*u(i-r0-1,j)＜0或u(i+r0,j+1)*u(i-r0-1,j+1)＜0，v(i-1,j+r0+1)*v(i-1,j-r0)＜0或v(i,j+r0+1)*v(i,j-r0)＜0，u(i-r0-1,j)*v(i-1,j-r0)＜0，u(i+r0,j+1)*v(i-1,j+r0+1)＜0中最大r0值，且同时满足sst(i+r0-1,j)*sst(i,j)＞0，sst(i-r0+1,j)*sst(i,j)＞0，sst(i,j-r0+1)*sst(i,j)＞0，sst(i,j+r0-1)*sst(i,j)＞0。
基于CFSR数据的冬季北太平洋地区中尺度涡旋的追踪方法，具体步骤为根据海流场数据计算得到涡旋可能运动的最大距离，在下一时次该范围内识别涡旋中心，将识别到的距原涡旋中心最近的相同极性的涡旋中心认为是追踪到的目标。
本发明的基于CFSR数据的冬季北太平洋中尺度涡旋的识别和追踪方法，通过CFSR数据中的海流场和海表面温度场进行涡旋的识别和追踪，避免了由于高度计计算地转流场的误差导致的低纬度地区识别结果不准确，另外有效利用了海流场帮助涡旋追踪，提高了涡旋追踪的效率。
附图说明
图1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流程图。
具体实施方式
参见图1，本发明的基于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，包括以下步骤：
(1)对CFSR数据进行预处理，得到海流(u、v)异常场及海表面温度(sst)异常场：对于海流(u、v)场数据，首先将上200米海流进行平均，避免海表面杂乱海流导致的错误识别，然后去除季节循环，即用每一天的海流数据，减去多年平均的该天的海流场，得到海流异常场，多年平均中的年份一般取值5年以上，最佳为30年。对于海表面温度(sst)场数据，首先，与海流场数据类似的，去除季节循环，然后移除纬向平均的海表面温度，得到海表面温度异常场。
(2)利用海流异常数据，寻找涡旋中心点：考虑到CFSR数据的分辨率为50km，我们判定满足以下两种情况之一的点(i,j)为涡旋中心点：
第一种情况(圆形中心)需满足：①沿着涡旋中心的东西向，海流v分量在中心点两侧的数值符号相反；沿着涡旋中心的南北向，海流u分量在中心点两侧的数值符号相反。u的变化方向需与v的变化方向一致。即，同时满足u(i+1,j)*u(i-1,j)＜0，v(i,j+1)*v(i,j-1)＜0，u(i-1,j)*v(i,j-1)＜0，u(i+1,j)*v(i,j+1)＜0四个条件；②围绕涡旋中心，涡旋速度矢量变化的旋转性一致。两个临近的速度矢量方向必须位于同一个，或两个相邻的象限。即，同时满足u(i,j-1)≥0且|u(i,j-1)|＞1.8*|(v(i,j-1))|，u(i,j+1)≤0且|u(i,j+1)|＞1.8*|v(day,i,j+1)|，v(i-1,j)≥0且|v(i-1,j)|＞1.8*|u(i-1,j)|，v(i+1,j)≤0且|v(i+1,j)|＞1.8*|u(i+1,j)|四个条件或者u(i,j-1)≤0且|u(i,j-1)|＞3*|v(i,j-1)|，u(i,j+1)≥0且|u(i,j+1)|＞3*|v(i,j+1)|，v(i-1,j)≤0且|v(i-1,j)|＞3*|u_zoom(day,i-1,j)|，v(i+1,j)≥0且|v(i+1,j)|＞3*|(u(i+1,j)|四个条件。其中参数3和1.8经敏感性实验，为冬季北太平洋地区的最优参数。
第二种情况(矩形中心)需满足中心流场为辐合或辐散，即，同时满足u(i,j)*u(i,j+1)＞0，u(i,j)*v(i,j)＞0，u(i,j)*u(i-1,j)＜0，u(i,j+1)*u(i-1,j+1)＜0,v(i,j)*v(i,j+1)＜0或v(i-1,j)*v(i-1,j+1)＜0，v(i,j)*u(i-1,j)＜0或u(i,j+1)*v(i-1,j+1)＜0六个条件。
对于判定得到的涡旋中心点，我们需要进行筛选：
①若存在两个中心点的距离≤100km，选取流速较小的中心点为涡旋中心点，流速较大的中心点则忽略。
②根据近涡旋中心点的流向，判断涡旋类型。保留海表面温度异常＜-0.2℃的气旋式涡旋中心和＞0.2℃的反气旋式涡旋中心，其它中心点则忽略。
(3)根据得到的涡旋中心点，确定涡旋半径：一般来说，围绕涡旋中心，最外圈的封闭流线即为涡旋边界。对于第一种情况(圆形中心)的中心点，即寻找满足u(i+r0,j)*u(i-r0,j)＜0，v(i,j+r0)*v(i,j-r0)＜0，u(i-r0,j)*v(i,j-r0)＜0，u(i+r0,j)*v(i,j+r0)＜0四个条件的最大r0值。对于第二种情况(矩形中心)的中心点，即寻找满足u(i+r0,j)*u(i-r0-1,j)＜0或u(i+r0,j+1)*u(i-r0-1,j+1)＜0，v(i-1,j+r0+1)*v(i-1,j-r0)＜0或v(i,j+r0+1)*v(i,j-r0)＜0，u(i-r0-1,j)*v(i-1,j-r0)＜0，u(i+r0,j+1)*v(i-1,j+r0+1)＜0四个条件的最大r0值。考虑到涡旋类型，我们增加海表面温度的判据。即对以上两种涡旋中心，均须满足sst(i+r0-1,j)*sst(i,j)＞0，sst(i-r0+1,j)*sst(i,j)＞0，sst(i,j-r0+1)*sst(i,j)＞0，sst(i,j+r0-1)*sst(i,j)＞0四个条件。所得涡旋半径值为r0*50km。
(4)利用海流场数据，进行涡旋的追踪：根据海流场数据计算得到涡旋可能运动的最大距离，在下一时次该范围内识别涡旋中心，将识别到的距原涡旋中心最近的相同极性的涡旋中心认为是追踪到的目标，即同一个涡旋。

Claims (4)

1.基于CFSR数据的冬季北太平洋地区中尺度涡旋的识别方法，其特征在于：包含如下步骤，①选取CFSR数据库中的海流场数据和海表面温度场数据，将上200米海流场数据进行平均，再去除海流场数据中的季节循环信号，获得海流异常场；去除海表面温度场数据中的季节循环信号，再移除纬向平均的海表面温度，获得海表面温度异常场；
②根据海流异常场数据，找出涡旋中心点，所述步骤②中找出的涡旋中心点为圆形涡旋中心时需满足沿着涡旋中心的东西向，海流v分量在中心点两侧的数值符号相反；沿着涡旋中心的南北向，海流u分量在中心点两侧的数值符号相反，u的变化方向需与v的变化方向一致；同时还需满足围绕涡旋中心涡旋速度矢量变化的旋转性一致，两个临近的速度矢量方向必须位于同一个或两个相邻的象限；
③对涡旋中心点进行筛选，根据筛选后的涡旋中心确定涡旋半径，所述步骤③中对涡旋中心点的筛选满足如下条件，当两个中心点的距离≤100km时，选取流速较小的中心点为涡旋中心点；选取海表面温度异常＜-0.2℃的气旋式涡旋中心和＞0.2℃的反气旋式涡旋中心，所述步骤③中涡旋半径r0*50km,所述r0为u(i+r0,j)*u(i-r0,j)＜0，v(i,j+r0)*v(i,j-r0)＜0，u(i-r0,j)*v(i,j-r0)＜0，u(i+r0,j)*v(i,j+r0)＜0中最大r0值，且同时满足sst(i+r0-1,j)*sst(i,j)＞0，sst(i-r0+1,j)*sst(i,j)＞0，sst(i,j-r0+1)*sst(i,j)＞0，sst(i,j+r0-1)*sst(i,j)＞0。
2.如权利要求1所述的基于CFSR数据的冬季北太平洋地区中尺度涡旋的识别方法，其特征在于：所述去除海流场数据中的季节循环信号的具体方法是用每一天的海流场数据减去至少5年平均的该天的海流场数据；所述去除海表面温度场数据中的季节循环信号的具体方法是用每一天的海表面温度场数据减去至少5年平均的该天的海表面温度场数据。
3.如权利要求1所述的基于CFSR数据的冬季北太平洋地区中尺度涡旋的识别方法，其特征在于：所述步骤②中找出的涡旋中心点为矩形涡旋中心时需满足中心流场为辐合或辐散，所述步骤③中涡旋半径r0*50km,所述r0为u(i+r0,j)*u(i-r0-1,j)＜0或u(i+r0,j+1)*u(i-r0-1,j+1)＜0，v(i-1,j+r0+1)*v(i-1,j-r0)＜0或v(i,j+r0+1)*v(i,j-r0)＜0，u(i-r0-1,j)*v(i-1,j-r0)＜0，u(i+r0,j+1)*v(i-1,j+r0+1)＜0中最大r0值，且同时满足sst(i+r0-1,j)*sst(i,j)＞0，sst(i-r0+1,j)*sst(i,j)＞0，sst(i,j-r0+1)*sst(i,j)＞0，sst(i,j+r0-1)*sst(i,j)＞0。
4.如权利要求1至3中任意一项所述的基于CFSR数据的冬季北太平洋地区中尺度涡旋的识别方法，其特征在于：根据海流场数据计算得到涡旋运动的最大距离，在下一时次该范围内识别涡旋中心，将识别到的距原涡旋中心最近的相同极性的涡旋中心认为是追踪到的目标。
CN201910602471.2A 2019-07-05 2019-07-05 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 Active CN110442661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910602471.2A CN110442661B (zh) 2019-07-05 2019-07-05 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910602471.2A CN110442661B (zh) 2019-07-05 2019-07-05 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

Publications (2)

Publication Number Publication Date
CN110442661A CN110442661A (zh) 2019-11-12
CN110442661B true CN110442661B (zh) 2023-03-14

Family

ID=68428466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910602471.2A Active CN110442661B (zh) 2019-07-05 2019-07-05 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

Country Status (1)

Country Link
CN (1) CN110442661B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
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
CN113420440B (zh) * 2021-06-22 2022-06-24 中国海洋大学 一种基于海洋垂直结构的涡旋识别方法
CN115826089B (zh) * 2023-02-15 2023-05-12 中国海洋大学 一种基于涡旋追踪数据的东西向涡旋边界提取方法
CN117213448B (zh) * 2023-11-07 2024-01-30 中国人民解放军国防科技大学 一种海洋次中尺度锋面调查方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915670A (zh) * 2015-04-29 2015-09-16 中国海洋大学 基于hog特征提取的全球海洋中尺度涡识别算法
CN107784667A (zh) * 2016-08-24 2018-03-09 中国海洋大学 基于并行的全球海洋中尺度涡快速识别算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915670A (zh) * 2015-04-29 2015-09-16 中国海洋大学 基于hog特征提取的全球海洋中尺度涡识别算法
CN107784667A (zh) * 2016-08-24 2018-03-09 中国海洋大学 基于并行的全球海洋中尺度涡快速识别算法

Also Published As

Publication number Publication date
CN110442661A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
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
US11488069B2 (en) Method for predicting air quality with aid of machine learning models
CN112906830B (zh) 一种基于ais大数据的船舶最优航线自动生成方法
CN107784667B (zh) 基于并行的全球海洋中尺度涡快速识别算法
CN111582380B (zh) 一种基于时空特征的船舶轨迹密度聚类方法及装置
CN113743577B (zh) 用于中尺度涡识别的精细化网格数据分区构建方法及系统
CN111024098A (zh) 一种基于低采样数据的机动车路径拟合算法
CN113191299B (zh) 一种涡旋的识别方法、装置、存储介质及电子设备
CN110516025B (zh) 台风追踪系统及方法
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
Lian et al. Comparison of eight detection algorithms for the quantification and characterization of mesoscale eddies in the South China Sea
Xing et al. Three mesoscale eddy detection and tracking methods: Assessment for the South China Sea
Spiliopoulos et al. Knowledge extraction from maritime spatiotemporal data: An evaluation of clustering algorithms on Big Data
CN111290053A (zh) 一种基于卡尔曼滤波的雷暴路径预测方法
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
CN110457417A (zh) 基于边缘检测算法的室内地图构建的方法、计算机存储介质和终端
CN112731564B (zh) 一种基于多普勒天气雷达数据的雷电智能预报方法
Hsieh et al. Sea ice warning visualization and path planning for ice navigation based on radar image recognition
CN117272615A (zh) 一种基于流场速度矢量象限角的海洋涡旋识别方法
An et al. Comparative analysis of four types of mesoscale eddies in the north pacific subtropical countercurrent region–part I spatial characteristics
Liu et al. Submesoscale eddies observation using high-frequency radars: a case study in the northern south China Sea
Zhang et al. FRS-Net: An efficient ship detection network for thin-cloud and FOG-covered high-resolution optical satellite imagery
CN114529809A (zh) 基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法
Shaw et al. Automation of digital historical map analyses
CN113887590A (zh) 一种目标典型航迹及区域分析方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Hu Haibo

Inventor after: Chen Feifei

Inventor after: Wen Zhibin

Inventor after: Bai Haokun

Inventor before: Chen Feifei

Inventor before: Hu Haibo

Inventor before: Wen Zhibin

Inventor before: Bai Haokun

GR01 Patent grant
GR01 Patent grant