CN110727719A - 一种基于动力松弛逼近的闪电定位资料同化方法 - Google Patents

一种基于动力松弛逼近的闪电定位资料同化方法 Download PDF

Info

Publication number
CN110727719A
CN110727719A CN201910983053.2A CN201910983053A CN110727719A CN 110727719 A CN110727719 A CN 110727719A CN 201910983053 A CN201910983053 A CN 201910983053A CN 110727719 A CN110727719 A CN 110727719A
Authority
CN
China
Prior art keywords
lightning
frequency
vertical speed
observation data
vertical
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
CN201910983053.2A
Other languages
English (en)
Other versions
CN110727719B (zh
Inventor
陈德辉
王洪
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.)
Guangzhou Institute Of Tropical Marine Meteorology China Meteorological Administration (guangdong Institute Of Meteorological Sciences)
Original Assignee
Guangzhou Institute Of Tropical Marine Meteorology China Meteorological Administration (guangdong 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 Guangzhou Institute Of Tropical Marine Meteorology China Meteorological Administration (guangdong Institute Of Meteorological Sciences) filed Critical Guangzhou Institute Of Tropical Marine Meteorology China Meteorological Administration (guangdong Institute Of Meteorological Sciences)
Priority to CN201910983053.2A priority Critical patent/CN110727719B/zh
Publication of CN110727719A publication Critical patent/CN110727719A/zh
Application granted granted Critical
Publication of CN110727719B publication Critical patent/CN110727719B/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
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Environmental Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Atmospheric Sciences (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出一种基于动力松弛逼近的闪电定位资料同化方法，包括以下步骤：采集闪电观测资料并对其进行预处理，得到其闪电频率；通过反演公式对所述闪电频率进行反演，得到其最大垂直速度；根据组合反射率值分类，对归一化系数进行统计；根据所述最大垂直速度和所述统计的归一化系数，计算获得一维垂直速度估算廓线；在数值预报模式积分过程中，采用松弛逼近法将所述垂直速度估算廓线引入数值模式初始场，并结合雷达回波反演水物质场初始化，得到与动力场匹配的初始场。本发明基于闪电和对流云垂直运动的物理关系，通过动力松弛逼近引入由闪电观测反演的垂直速度信息，改善了初始场垂直运动的合理性缺陷，有效提高强降水的模拟或预报准确率。

Description

一种基于动力松弛逼近的闪电定位资料同化方法
技术领域
本发明涉及数值天气预报技术领域，更具体地，涉及一种基于动力松弛逼近的闪电定位资料同化方法。
背景技术
闪电定位仪是一种能够提供对流云中闪电发生位置、时间、强度信息的气象探测设备，具有探测精度高、覆盖范围广以及不受地形影响的优点。闪电活动与对流性天气系统的动力过程和微物理过程密切相关，因此闪电观测信息可用于数值预报模式资料同化，用于改善初始场的动力条件和水汽条件分布。
目前，闪电资料同化方法分为两类，第一类方法是同化，通过变分同化或松弛逼近，由闪电观测信息反演的降水率、水汽或冰相粒子，改善初始场水物质的分布；第二类方法是电观测间接影响垂直运动，该方法将闪电观测和数值预报模式对流参数化方案相结合，利用闪电观测控制对流参数化方案的触发。然而，由于高分辨率数值模式不再需要对流参数化方案，因此第二类方案已不再可用；而第一类方法主要针对水物质场的初始化，缺乏与动力场的联系，容易出现水物质与动力场不匹配的问题，进而导致水物质过快降落。此外，考虑到雷达回波的同化应用也针对水物质场的初始化，使得闪电定位和雷达回波两类资料应用的同质化，导致不能满足充分挖掘多源资料的综合初始化应用效果。
发明内容
本发明为克服上述现有技术所述的闪电资料同化中容易出现水物质与动力场不匹配的缺陷，提供一种基于动力松弛逼近的闪电定位资料同化方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于动力松弛逼近的闪电定位资料同化方法，包括以下步骤：
S1：采集闪电观测资料并对其进行预处理，得到其闪电频率；
S2：通过反演公式对所述闪电频率进行反演，得到其最大垂直速度；
S3：根据组合反射率值分类，对归一化系数进行统计；
S4：根据所述最大垂直速度和所述统计的归一化系数，计算获得一维垂直速度估算廓线；
S5：在数值预报模式积分过程中，采用松弛逼近法将所述垂直速度估算廓线引入数值模式初始场，并结合雷达回波反演水物质场初始化，得到与动力场匹配的初始场。
本技术方案中，首先基于闪电频率和垂直速度的动力统计关系，利用闪电定位观测反演获得最大垂直速度，然后利用模式输出数据统计的归一化系数将其扩展为垂直速度廓线，最后在数值预报模式积分过程中，通过松弛逼近方法引入所述垂直速度估算廓线信息，用于改善初始场的垂直动力场分布，并结合雷达回波反演水物质场初始化，得到与动力场匹配的初始场，可更好地挖掘多源观测资料的总和初始化应用效果。本技术方案基于闪电和对流云垂直运动的物理关系，通过动力松弛逼近实现了对闪电定位观测的同化，同时可结合雷达回波反演云水物初始化应用，能够发挥更好的多源资料综合应用效果。
优选地，S1步骤中，对所述闪电观测资料进行预处理的步骤包括：按照一定空间分辨率和时间窗，统计落在网格内的闪电频次，得到所述闪电频率。
优选地，S2步骤中，所述最大垂直速度Wmax的计算公式如下：
Wmax＝a(Fr)b
其中，Fr表示闪电频率，a和b为随着下垫面类型变化的经验系数。
优选地，当所述S2步骤中所采集的闪电观测资料场景为陆地时，所述经验系数a和b取值为14.66和0.22；当所述S1步骤所采集的闪电观测资料场景为海洋时，所述经验系数a和b取值为8.69和0.22。
优选地，S3步骤中，统计归一化系数的计算公式如下：
Figure BDA0002235832370000021
其中，σL(zk)表示L类垂直第zk层的归一化系数，Wm(i,j)为格点坐标为(i,j)的气柱内的最大垂直速度；W(i,j,zk)为垂直第zk层的垂直速度；M表示统计样本总数，即M＝I×J×N；I和J表示水平格点数，N为预报输出次数。
优选地，S4步骤中，一维垂直速度估算廓线West的计算公式如下：
West(zk)＝σL(zk)·Wmax。
优选地，S5步骤中，所述松弛逼近公式如下：
Figure BDA0002235832370000022
其中，
Figure BDA0002235832370000031
分别表示积分时步为t+1和t时的垂直速度值；Wb表示初始时刻垂直速度值，且当t＝0时
Figure BDA0002235832370000032
nt为积分步数。
与现有技术相比，本发明技术方案的有益效果是：基于闪电和对流云垂直运动的物理关系，通过动力松弛逼近引入由闪电观测反演的垂直速度信息，解决了水物质与动力场不匹配的问题，改善了初始场垂直运动的合理性缺陷，提高了降水的模拟或预报准确率；具有计算量小、应用范围广的特点，可嵌入应用于各种数值天气预报模式。
附图说明
图1为本实施例的一种基于动力松弛逼近的闪电定位资料同化方法的流程图。
图2为闪电定位资料同化前后预报的1小时降水与观测比较图。
图3为闪电定位资料同化前后预报的站点降水时间序列与观测对比图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，为本实施例的一种基于动力松弛逼近的闪电定位资料同化方法的流程图。
本实施例提出一种基于动力松弛逼近的闪电定位资料同化方法，包括以下步骤：
S1：采集闪电观测资料并对其进行预处理，得到其闪电频率。
本步骤中，对所采集的闪电观测资料间隔12分钟统计落在0.03°×0.03°网格内的闪电频次，得到其闪电频率。
S2：通过反演公式对所述闪电频率进行反演，得到其最大垂直速度。
本步骤中，最大垂直速度Wmax的计算公式如下：
Wmax＝a(Fr)b
其中，Fr表示闪电频率，a和b为随着下垫面类型变化的经验系数，且当所采集的闪电观测资料场景为陆地时，经验系数a和b取值为14.66和0.22；所采集的闪电观测资料场景为海洋时，经验系数a和b取值为8.69和0.22。
S3：根据组合反射率值分类，对归一化系数进行统计。
本步骤中，先根据组合反射率值CR对各层垂直速度进行分类，其中，将18≤CR<30划分为第一类L1；将30≤CR<40为第二类L2；将CR≥40为第三类L3。
本步骤中对归一化系数进行统计的计算公式如下：
Figure BDA0002235832370000041
其中，σL(zk)表示L类垂直第zk层的归一化系数，Wm(i,j)为格点坐标为(i,j)的气柱内的最大垂直速度；W(i,j,zk)为垂直第zk层的垂直速度；M表示统计样本总数，即M＝I×J×N；I和J表示水平格点数，N为预报输出次数。
S4：根据所述最大垂直速度和所述统计的归一化系数，计算获得一维垂直速度估算廓线。
本步骤中，一维垂直速度估算廓线West的计算公式如下：
West(zk)＝σL(zk)·Wmax。
S5：在数值预报模式积分过程中，采用松弛逼近法将所述垂直速度估算廓线引入数值模式初始场，并结合雷达回波反演水物质场初始化，得到与动力场匹配的初始场。
本步骤中，所采用的松弛逼近公式如下：
其中，
Figure BDA0002235832370000043
分别表示积分时步为t+1和t时的垂直速度值；Wb表示初始时刻垂直速度值，且当t＝0时
Figure BDA0002235832370000044
nt为积分步数，本实施例中的积分步数取值为12。
在具体实施过程中，利用数值天气预报模式GRAPES meso，选用2018年5月7日广东省的一次飑线为例进行发明方法的实施演示。
本实施例所述的闪电定位资料来源于粤港澳闪电定位系统，该定位系统拥有17个探测子站，可实时提供云对地闪电回击的经纬度、时间、雷电流幅度等，其中发生闪电的经纬度、时间、次数被用于本次实施例。对上述闪电的经纬度、时间、次数等闪电观测资料进行处理，统计间隔12分钟统计落在0.03°×0.03°网格内的闪电频次，得到其闪电频率Fr。然后对上述闪电频率Fr通过反演公式对所述闪电频率进行反演，得到其最大垂直速度Wmax，其中，本实施例中经验系数a和b的取值为14.66和0.22。
本实施例中，利用ECMWF全球高分辨率预报场生成区域数值天气模式GRAPES meso的初始条件和边界条件。其中，GRAPES meso模式网格选取两层网格，单向嵌套，第一层网格水平分辨率为0.03°，格点数为913×513，第二层网格水平分辨率为0.01°，格点数为1201×901。本实施例选择2017年5月7日00时-5月8日00时(UTC)的时间范围内进行一次飑线的预报，其中选择2017年5月7日08时0.01°分辨率的预报场作为本实施案例的初始场。在数值预报模式积分过程中，在上述初始场积分的前12时步中，采用松弛逼近法将所述垂直速度估算廓线引入数值模式初始场，并对飑线进行数值预报。
如图2、3所示，分别为本实施例的闪电定位资料同化前后预报的1小时降水与观测比较图，以及闪电定位资料同化前后预报的站点降水时间序列与观测对比图。由图可知，应用本实施例所提出的一种基于动力松弛逼近的闪电定位资料同化方法，提高了0-3小时的强降水预报精度，其中邻域空间检测评分提高了约0.13，即相对于不同化试验提高约46％。本实施例对站点降水预报也有明显的改善效果，其中10时的小时降水量绝对误差由同化前的23mm减小为7mm。
本实施例基于闪电和对流云垂直运动的关系，通过动力松弛逼近法实现了对闪电定位观测的同化，能够有效增强垂直运动，解决了初始场中水物质与动力场不匹配的问题，改善了初始场垂直运动的合理性缺陷，提高了降水的模拟或预报的准确率。此外，本实施例可结合雷达回波反演云水物初始化应用，能够发挥更好的多源资料综合应用效果。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于动力松弛逼近的闪电定位资料同化方法，其特征在于，包括以下步骤：
S1：采集闪电观测资料并对其进行预处理，得到其闪电频率；
S2：通过反演公式对所述闪电频率进行反演，得到其最大垂直速度；
S3：根据组合反射率值分类，对归一化系数进行统计；
S4：根据所述最大垂直速度和所述统计的归一化系数，计算获得一维垂直速度估算廓线；
S5：在数值预报模式积分过程中，采用松弛逼近法将所述垂直速度估算廓线引入数值模式初始场，并结合雷达回波反演水物质场初始化，得到与动力场匹配的初始场。
2.根据权利要求1所述的闪电定位资料同化方法，其特征在于：所述S1步骤中，对所述闪电观测资料进行预处理的步骤包括：按照一定空间分辨率和时间窗，统计落在网格内的闪电频次，得到所述闪电频率。
3.根据权利要求1所述的闪电定位资料同化方法，其特征在于：所述S2步骤中，所述最大垂直速度Wmax的计算公式如下：
Wmax＝a(Fr)b
其中，Fr表示闪电频率，a和b为随着下垫面类型变化的经验系数。
4.根据权利要求3所述的闪电定位资料同化方法，其特征在于：当所述S2步骤中所采集的闪电观测资料场景为陆地时，所述经验系数a和b取值为14.66和0.22；当所述S1步骤所采集的闪电观测资料场景为海洋时，所述经验系数a和b取值为8.69和0.22。
5.根据权利要求3所述的闪电定位资料同化方法，其特征在于：所述S3步骤中，统计归一化系数的计算公式如下：
Figure FDA0002235832360000011
其中，σL(zk)表示L类垂直第zk层的归一化系数，Wm(i,j)为格点坐标为(i,j)的气柱内的最大垂直速度；W(i,j,zk)为垂直第zk层的垂直速度；M表示统计样本总数，即M＝I×J×N；I和J表示水平格点数，N为预报输出次数。
6.根据权利要求5所述的闪电定位资料同化方法，其特征在于：所述S4步骤中，一维垂直速度估算廓线West的计算公式如下：
West(zk)＝σL(zk)·Wmax。
7.根据权利要求6所述的闪电定位资料同化方法，其特征在于：所述S5步骤中，所述松弛逼近公式如下：
其中，
Figure FDA0002235832360000022
分别表示积分时步为t+1和t时的垂直速度值；Wb表示初始时刻垂直速度值，且当t＝0时nt为积分步数。
CN201910983053.2A 2019-10-16 2019-10-16 一种基于动力松弛逼近的闪电定位资料同化方法 Active CN110727719B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910983053.2A CN110727719B (zh) 2019-10-16 2019-10-16 一种基于动力松弛逼近的闪电定位资料同化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910983053.2A CN110727719B (zh) 2019-10-16 2019-10-16 一种基于动力松弛逼近的闪电定位资料同化方法

Publications (2)

Publication Number Publication Date
CN110727719A true CN110727719A (zh) 2020-01-24
CN110727719B CN110727719B (zh) 2023-08-01

Family

ID=69221362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910983053.2A Active CN110727719B (zh) 2019-10-16 2019-10-16 一种基于动力松弛逼近的闪电定位资料同化方法

Country Status (1)

Country Link
CN (1) CN110727719B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112558188A (zh) * 2021-01-22 2021-03-26 兰州大学 一种通过同化闪电资料改进强对流预报的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107037504A (zh) * 2016-11-15 2017-08-11 兰州大学 用于强对流天气预报的同化地闪转换代理雷达回波的方法
CN108693534A (zh) * 2018-03-27 2018-10-23 南京恩瑞特实业有限公司 Nriet x 波段雷达协同组网分析方法
CN108957595A (zh) * 2018-08-09 2018-12-07 深圳市雅码科技有限公司 一种雷电预报方法及系统
CN109975809A (zh) * 2019-04-26 2019-07-05 兰州大学 一种同化雷达及闪电资料的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107037504A (zh) * 2016-11-15 2017-08-11 兰州大学 用于强对流天气预报的同化地闪转换代理雷达回波的方法
CN108693534A (zh) * 2018-03-27 2018-10-23 南京恩瑞特实业有限公司 Nriet x 波段雷达协同组网分析方法
CN108957595A (zh) * 2018-08-09 2018-12-07 深圳市雅码科技有限公司 一种雷电预报方法及系统
CN109975809A (zh) * 2019-04-26 2019-07-05 兰州大学 一种同化雷达及闪电资料的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112558188A (zh) * 2021-01-22 2021-03-26 兰州大学 一种通过同化闪电资料改进强对流预报的方法
CN112558188B (zh) * 2021-01-22 2022-05-27 兰州大学 一种通过同化闪电资料改进强对流预报的方法

Also Published As

Publication number Publication date
CN110727719B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN113936142B (zh) 一种基于深度学习的降水临近预报方法及装置
Liang et al. A composite approach of radar echo extrapolation based on TREC vectors in combination with model-predicted winds
CN110363327A (zh) 基于ConvLSTM和3D-CNN的短临降水预测方法
Qie et al. Application of total-lightning data assimilation in a mesoscale convective system based on the WRF model
Seo et al. Radar-rainfall estimation algorithms of Hydro-NEXRAD
CN107193060B (zh) 一种多路径台风风暴潮快速预测方法及系统
Wang et al. Improvement of forecast skill for severe weather by merging radar-based extrapolation and storm-scale NWP corrected forecast
Penny et al. The local ensemble transform Kalman filter and the running-in-place algorithm applied to a global ocean general circulation model
Ruzanski et al. Scale filtering for improved nowcasting performance in a high-resolution X-band radar network
Zhu et al. Predictability and skill of convection-permitting ensemble forecast systems in predicting the record-breaking “21· 7” extreme rainfall event in Henan Province, China
De Luca et al. Extreme rainfall in the Mediterranean
Wang et al. A quantitative comparison of precipitation forecasts between the storm-scale numerical weather prediction model and auto-nowcast system in Jiangsu, China
Roy et al. A review of Nowcasting of convective weather over the Indian region
Sokol et al. Nowcasting of precipitation–advective statistical forecast model (SAM) for the Czech Republic
Liu et al. Estimation of precipitation induced by tropical cyclones based on machine‐learning‐enhanced analogue identification of numerical prediction
CN116384733A (zh) 一种强对流天气下基于气象雷达的输电线路风险预警方法
Freedman et al. The Wind Forecast Improvement Project (WFIP): A public/private partnership for improving short term wind energy forecasts and quantifying the benefits of utility operations. The Southern Study Area, Final Report
CN110288117B (zh) 一种电离层参数临界频率的区域重构方法
Liu et al. A spatio-temporal modeling framework for weather radar image data in tropical Southeast Asia
CN114898206A (zh) 一种短时强降水预报方法及计算机设备和存储介质
CN113075751A (zh) 一种观测资料在短临预报中的融合方法和系统
CN110727719B (zh) 一种基于动力松弛逼近的闪电定位资料同化方法
Hou et al. Evaluation of radar and automatic weather station data assimilation for a heavy rainfall event in southern China
CN109583095B (zh) 基于混合统计动力模型的西北太平洋台风延伸期预报方法
CN115600142B (zh) 一种基于不同方法的大风融合集成预报方法

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