CN110852169B - 基于机载资料识别台风最大风速半径的方法 - Google Patents
基于机载资料识别台风最大风速半径的方法 Download PDFInfo
- Publication number
- CN110852169B CN110852169B CN201910966451.3A CN201910966451A CN110852169B CN 110852169 B CN110852169 B CN 110852169B CN 201910966451 A CN201910966451 A CN 201910966451A CN 110852169 B CN110852169 B CN 110852169B
- Authority
- CN
- China
- Prior art keywords
- typhoon
- sequence
- flight
- radius
- rmw
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于机载资料识别台风最大风速半径的方法,包括如下步骤:(1)、确定台风中心位置和飞机所在半径;(2)、寻找每次飞行中待分析的穿刺飞行时间序列;(3)、原始风廓线插值和滤波;(4)、寻找每次飞行的RMW;(5)、计算每次飞行观测最终确定的一个RMW。本发明为自动算法,可以高效运行。本发明通过滤波排除观测资料中带来潜在误差的高频扰动,本发明通过把RMW分组比较去除可能有双眼墙过程或雨带导致的同时存在两个特征RMW中较大的那一个。本发明由机载资料识别台风RMW,相比于卫星识别有精度高的优势,相比于地基多普勒雷达识别有观测平台的机动范围较大的优势。
Description
技术领域
本发明涉及一种识别台风最大风速半径的方法,具体涉及一种是对台风水平风直接观测,且观测平台的机动范围较大、非常可靠而且可行基于机载资料识别台风最大风速半径的方法。
背景技术
台风是我国东南沿海最主要的气象灾害,以其风速强,袭击范围大,常引发暴雨强风、泥石流和风暴潮等灾害。其中台风的最大风速半径(Radius of Maximum Wind,以下简称RMW)是台风的重要结构参数,主要表示在台风内核区域同一高度上极端最大风速的范围,是防台减灾和台风模式预报研发等领域内所必须的重要参数。
传统上,在西北太平洋海域上分析台风最大风速半径的主要手段主要依靠是两种,其一为基于静止和极轨卫星获取的台风对流和风场的观测,而估计得到台风最大风速半径(Lajoie,F.and K.Walsh 2008);其二为基于地基雷达的径向风和对流观测估计台风最大风速半径(Shimada 2018)。而在其他海域,特别是大西洋和东太平洋的热带气旋(即飓风)则主要依靠飞机直接探测获取RMW,已经被广泛认知为最为可靠和准确的RMW探测手段(Bell,2004)。但是长期以来由于西北太平洋沿岸国家特别是我国缺乏飞机探测手段,因此长期徘徊不前。近年来,日本、中国台湾、中国香港以及我国大陆气象部门开始陆续有有人飞机和无人机探测台风技术,因此基于飞机探测RMW的技术已经成为当务之急。
由于台风特别是RMW附近所在的风速往往较大(>30m/s),依赖于洋面海浪破碎情况来获取风速的卫星观测技术在此种高风速海况下往往存在明显的低估和识别能力偏低的现象,因此限制了卫星对于较强台风个例RMW的判别精度,而地基雷达受地球曲率以及观测站点环境所限,往往只能对于近海200公里以内的台风具有相对较强的观测,而且由于地基多普勒雷达仅能直接观测到一个方向的风(即径向风),无法直接获取完整的水平风,往往需要多部雷达在非常有限的重合观测区域进行技术处理获取完整水平风场。因而地基雷达获取的台风RMW机会往往非常有限。飞机机载资料由于是对台风水平风直接观测且观测平台的机动范围较大,因此可以认为是一项非常可靠而且可行的台风RMW探测手段。
发明内容
针对上述问题,本发明的主要目的在于提供一种是对台风水平风直接观测,且观测平台的机动范围较大、非常可靠而且可行基于机载资料识别台风最大风速半径的方法。
本发明是通过下述技术方案来解决上述技术问题的:一种基于机载资料识别台风最大风速半径的方法,所述基于机载资料识别台风最大风速半径的方法包括如下步骤:
(1)、确定台风中心位置和飞机所在半径;
(2)、寻找每次飞行中待分析的穿刺飞行时间序列;
(3)、原始风廓线插值和滤波;
(4)、寻找每次飞行的RMW;
(5)、计算每次飞行观测最终确定的一个RMW。
在本发明的具体实施例子中;步骤(1)中确定台风中心位置和飞机所在半径具体包括如下步骤:
假设分析时刻的台风移速和强度变化率不变,确定当前时刻台风中心位置和强度;
任意时刻飞机距离台风中心的半径为任意时刻飞机所在经纬度和台风中心经纬度之间的球面距离。
步骤(2)中寻找每次飞行中待分析的穿刺飞行时间序列具体包括如下两个步骤:步骤(201):从每一次飞机观测资料中寻找待分析的穿刺飞行时间序列D(D1,D2…);步骤(202):质量控制。
在本发明的具体实施例子中;步骤(201)从每一次飞机观测资料中寻找待分析的穿刺飞行时间序列D(D1,D2…);具体分为四步;
第一步,寻找这样的时间序列A(A1,A2…):起始时刻飞机距离台风中心的半径小于150km,终止时刻飞机距离台风中心的半径大于150km,此时段飞机距离台风中心半径最小值小于10km;
第二步,在时间序列A中,寻找这样的时间序列B(B1,B2…):起始时刻飞机距离台风中心的半径小于80km,终止时刻飞机距离台风中心的半径大于80km,此时段飞机距离台风中心半径最小值小于10km;
第三步,根据序列A和B得到序列C(C1,C2…):如果存在B序列,则令起始时间最早的B序列的起始时间为A序列的起始时间;令终止时间最晚的B序列的终止时间为A序列的终止时间;令修改后得到的所有B序列为序列C(C1,C2…);如果不存在B序列,则序列C为序列A;
第四步,从序列C(C1,C2…)中得到序列D(D1,D2…):根据每个C序列中飞机距离台风中心半径最小的时刻将该C序列分为两部分,所有C序列的子序列为D序列(D1,D2…)。
在本发明的具体实施例子中;步骤(202)具体包括:如果某一个D序列的最大风速与对应时刻Best Track台风强度的差小于-5m/s,则去除该序列;如果最终没有满足条件的D序列,则认为该次飞行无法得到可靠的RMW。
在本发明的具体实施例子中;步骤(3)中原始风廓线插值和滤波具体包括:步骤(301):原始风廓线插值和滤波;步骤(302):质量控制;
在本发明的具体实施例子中;步骤(301)具体包括如下步骤:根据一次飞行的D序列计算风廓线;每一个D序列都可以得到一个风速随半径变化的廓线,即风速为半径的函数V_raw(r);将每一个廓线插值到格距为200m,范围在0~150km的半径坐标上;令得到的风速廓线为V_interp(r);将廓线V_interp(r)通过低通滤波器,保留波长大于20km的波;令滤波后的廓线为V(r);这样能得到一系列风廓线V1(r),V2(r)…;每一个V(r)的特征时刻为其对应D序列中风速最大的时刻;因此,每一个V(r)对应的台风强度真值为Best Track数据插值到对应特征时刻的强度。
在本发明的具体实施例子中;步骤(302):质量控制具体为:如果V(r)的最大值大于100m/s,则遗弃该V(r)。
在本发明的具体实施例子中;步骤(4)寻找每次飞行的RMW具体包括以下两个步骤:(401)、寻找每次穿刺飞行的RMW;(402)、质量控制。
在本发明的具体实施例子中;步骤(401)寻找每次穿刺飞行的RMW具体包括:一个V(r)廓线对应一次穿刺飞行;每一个V(r)廓线都可以找到至少一个极大值点,令其为潜在最大风速半径;其中对应风速大于台风强度或不低于台风强度5m/s的潜在最大风速半径中的最小的那一个为该次穿刺飞行的RMW;如果不存在满足条件的潜在最大风速半径,则令RMW为V(r)中对应风速最大的极值点对应的半径。
在本发明的具体实施例子中;步骤(402)质量控制具体包括:
将一次飞行中所有穿刺飞行得到的RMW从小到大排序,之后在任意可能位置将其分为两组,并得到两组最大风速半径的平均值的差;如果所得到的所有的差的最大值大于40km,则认为此台风存在两个特征RMW:去除对应平均值大的那一组的所有RMW;如果所得到的所有分组的差的最大值小于40km,认为此台风存在一个特征RMW:保留该次飞行得到的所有RMW。
在本发明的具体实施例子中;步骤(5)具体包括:每一次飞机飞行观测最终确定的RMW及最大风速为由以上步骤得到的该次飞行所有的RMW和其对应最大风速的平均值。
本发明的积极进步效果在于:本发明提供的基于机载资料识别台风最大风速半径的方法具有如下优点:本发明为自动算法,可以高效运行。本发明通过滤波排除观测资料中带来潜在误差的高频扰动,本发明通过把RMW分组比较去除可能有双眼墙过程或雨带导致的同时存在两个特征RMW中较大的那一个。本发明由机载资料识别台风RMW,相比于卫星识别有精度高的优势,相比于地基多普勒雷达识别有观测平台的机动范围较大的优势。
附图说明
图1为本发明的整体流程图。
图2为Best Track数据得到的飓风Edouard强度(m/s)随日期的变化的示意图。
图3为飞机距离飓风中心半径的示意图。
图4为飞行中得到的4个V_raw(r)的示意图。
图5为飞行得到的4个V(r)。
具体实施方式
下面结合附图给出本发明较佳实施例,以详细说明本发明的技术方案。
首先,本发明中采用基本假设及原则:
(1)、我们假设台风为精确轴对称结构。
(2)、一次飞行观测飞机可能多次穿过台风中心(即多次穿刺飞行),即可能得到多个RMW。我们假设观测时段(约9小时)内台风结构不变。因此我们取一次观测飞行中得到的所有RMW的平均值为台风在观测时段内的RMW。3)我们认为某一时刻的台风强度(最大风速)真值为由Best Track数据插值到该时刻的强度。
图1为本发明的整体流程图。参见图1,本发明的实施具体包括如下步骤:
1、确定台风中心位置和飞机所在半径:假设台风移速和强度变化率不变,根据Best track的6小时分辨率数据插值得到任意时刻台风中心位置和强度(此数据可由现行国际气象业务标准的台风最佳路径6小时间隔分,也可通过卫星、雷达等方法直接获得台风位置和强度信息,资料时间分辨率可以在1秒到12小时内均可,具体由观测手段和原始数据确定。)任意时刻飞机距离台风中心的半径为任意时刻飞机所在经纬度和台风中心经纬度之间的球面距离(km)。
2、寻找每次飞行中待分析的穿刺飞行时间序列:
201、寻找穿刺飞行时间序列:从每一次飞机观测资料中寻找待分析的穿刺飞行时间序列D(D1,D2…)。具体分为四步。第一步,寻找这样的时间序列A(A1,A2…):起始时刻飞机距离台风中心的半径小于150km,终止时刻飞机距离台风中心的半径大于150km,此时段飞机距离台风中心半径最小值小于10km。第二步,在时间序列A中,寻找这样的时间序列B(B1,B2…):起始时刻飞机距离台风中心的半径小于80km,终止时刻飞机距离台风中心的半径大于80km,此时段飞机距离台风中心半径最小值小于10km。第三步,根据序列A和B得到序列C(C1,C2…):如果存在B序列,则令起始时间最早的B序列的起始时间为A序列的起始时间;令终止时间最晚的B序列的终止时间为A序列的终止时间。令修改后得到的所有B序列为序列C(C1,C2…)。如果不存在B序列,则序列C为序列A。第四步,从序列C(C1,C2…)中得到序列D(D1,D2…):根据每个C序列中飞机距离台风中心半径最小的时刻将该C序列分为两部分,所有C序列的子序列为D序列(D1,D2…)。
202、质量控制:如果某一个D序列的最大风速与对应时刻Best Track台风强度的差小于-5m/s,则去除该序列。如果最终没有满足条件的D序列,则认为该次飞行无法得到可靠的RMW。
3、原始风廓线插值和滤波:
301、原始风廓线插值和滤波:根据一次飞行的D序列计算风廓线。每一个D序列都可以得到一个风速随半径变化的廓线,即风速为半径的函数V_raw(r)。将每一个廓线插值到格距为200m,范围在0~150km的半径坐标上。令得到的风速廓线为V_interp(r)。将廓线V_interp(r)通过低通滤波器,保留波长大于20km的波。令滤波后的廓线为V(r)。这样我们可以得到一系列风廓线V1(r),V2(r)…我们认为每一个V(r)的特征时刻为其对应D序列中风速最大的时刻。因此,每一个V(r)对应的台风强度真值为Best Track数据插值到对应特征时刻的强度。
302、质量控制:如果V(r)的最大值大于100m/s,则遗弃该V(r)。
4、寻找每次飞行的RMW:
401、寻找每次穿刺飞行的RMW:一个V(r)廓线对应一次穿刺飞行。每一个V(r)廓线都可以找到至少一个极大值点,令其为潜在最大风速半径。其中对应风速大于台风强度或不低于台风强度5m/s的潜在最大风速半径中的最小的那一个为该次穿刺飞行的RMW。如果不存在满足条件的潜在最大风速半径,则令RMW为V(r)中对应风速最大的极值点对应的半径。
402、质量控制:将一次飞行中所有穿刺飞行得到的RMW从小到大排序,之后在任意可能位置将其分为两组,并得到两组最大风速半径的平均值的差。如果所得到的所有的差的最大值大于40km,我们认为此台风存在两个特征RMW:我们去除对应平均值大的那一组的所有RMW。如果所得到的所有分组的差的最大值小于40km,我们认为此台风存在一个特征RMW:保留该次飞行得到的所有RMW。
5、计算每次飞行观测最终确定的一个RMW:每一次飞机飞行观测最终确定的RMW及最大风速为由以上步骤得到的该次飞行所有的RMW和其对应最大风速的平均值。
以下是一个具体的实施例子:
以下具体以2014年飓风Edouard的一次飞行观测为例,解释如何得到RMW。
具体包括如下步骤:
1、确定台风中心位置和飞机所在半径Best Track数据在网址https://www.nhc.noaa.gov/data/hurdat/hurdat2-1851-2018-051019.txt中下载。假设台风移速和强度变化率不变,根据Best track的6小时分辨率数据插值得到任意时刻台风中心位置和强度。任意时刻飞机距离台风中心的半径为任意时刻飞机所在经纬度和台风中心经纬度之间的球面距离。结合图2图3可以看到,在台风接近最大强度时有几次飞行达到了台风中心,所以这几次飞行有可能可以得到台风RMW。
图2为Best Track数据得到的飓风Edouard强度(m/s)随日期的变化的示意图。图3为飞机距离飓风中心半径的示意图。参考如图2-3。
2、寻找每次飞行中待分析的穿刺飞行时间序列;我们以9月17日的一次飞行为例。
201、寻找穿刺飞行时间序列:从这次飞机观测资料中寻找待分析的穿刺飞行时间序列D(D1,D2…)。具体分为四步。第一步,寻找这样的时间序列A(A1,A2…):起始时刻飞机距离台风中心的半径小于150km,终止时刻飞机距离台风中心的半径大于150km,此时段飞机距离台风中心半径最小值小于10km。此次飞行得到2个A序列。第二步,在时间序列A中,寻找这样的时间序列B(B1,B2…):起始时刻飞机距离台风中心的半径小于80km,终止时刻飞机距离台风中心的半径大于80km,此时段飞机距离台风中心半径最小值小于10km。此次飞行中无满足条件的B序列。第三步,根据序列A和B得到序列C(C1,C2…):由于不存在B序列,则序列C为序列A(两个)。第四步,从序列C(C1,C2)中得到序列D(D1,D2…):根据每个C序列中飞机距离台风中心半径最小的时刻将该C序列分为两部分,所有C序列的子序列为D序列(D1,D2…)。
202、质量控制:如果某一个D序列的最大风速与对应时刻Best Track台风强度的差小于-5m/s,则去除改序列。如果最终没有满足条件的D序列,则认为该次飞行无法得到RMW。
9月17日飞行最后共得到4次穿刺飞行时间序列D。
3、原始风廓线插值和滤波:
301、原始风廓线插值和滤波:根据D序列计算风廓线。每一个D序列都可以得到一个风速随半径变化的廓线,即风速为半径的函数V_raw(r)。9月17日得到的4次穿刺飞行对应的4个V_raw(r),如图4所示。将每一个廓线插值到格距为200m,范围在0~150km的半径坐标上。令得到的风速廓线为V_interp(r)。将廓线V_interp(r)通过低通滤波器,保留波长大于20km的波。令滤波后的廓线为V(r)。这样我们可以得到一系列风廓线V1(r),V2(r)…如图5所示。我们认为每一个V(r)的特征时刻为其对应D序列中风速最大的时刻。因此,每一个V(r)对应的台风强度真值为Best Track数据插值到对应特征时刻的强度。图5中4个V(r)对应的台风强度均为41.2m/s。
302、质量控制:如果V(r)的最大值大于100m/s,则遗弃该V(r)。该次飞行没有要遗弃的V(r),如图5,9月17日飞行得到的4个V(r)。星型点标记潜在最大风速半径及对应最大风速,实心点标记每个V(r)的RMW。大实心点代表质量控制后剩余的RMW,小实心点代表质量控制后遗弃的RMW。
4、寻找每次飞行的RMW:
401、寻找每次穿刺飞行的RMW:每一个V(r)廓线都可以找到至少一个极大值点,令其为潜在最大风速半径,如图5中星型点。其中对应风速大于台风强度或不低于台风强度5m/s的潜在最大风速半径中的最小的那一个为该次穿刺飞行的RMW。如果不存在满足条件的潜在最大风速半径,则令RMW为对应强度最大的极值点对应的半径。9月17日飞行中每次穿刺飞行所得RMW如图5中4个实心点。
402、质量控制:将一次飞行中所有穿刺飞行得到的RMW从小到大排序,之后在任意可能位置将其分为两组,并得到两组最大风速半径的平均值的差。如果所得到的所有的差的最大值大于40km,我们认为此台风存在两个特征RMW:我们去除对应平均值大的那一组的所有RMW。如果所得到的所有分组的差的最大值小于40km,我们认为此台风存在一个特征RMW:保留该次飞行得到的所有RMW。对于9月17日的飞行,该台风存在两个特征RMW,去除的那一组RMW为图5中两个较小的实心点。
5、计算每次飞行观测最终确定的一个RMW:每一次飞机飞行观测得到的最大风速半径及最大风速为该次飞行由以上步骤得到的所有RMW和其对应的最大风速的平均值。9月17日飞行得到的最终RMW为20km,与图4中肉眼看到的最大风速半径一致。
本发明为自动算法,可以高效运行。本发明通过滤波排除观测资料中带来潜在误差的高频扰动,以及本发明通过把RMW分组比较去除可能有双眼墙过程或雨带导致的同时存在两个特征RMW中较大的那一个。
本发明由机载资料识别台风RMW,相比于卫星识别有精度高的优势,相比于地基多普勒雷达识别有观测平台的机动范围较大的优势。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内,本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于机载资料识别台风最大风速半径的方法,其特征在于:所述基于机载资料识别台风最大风速半径的方法包括如下步骤:
(1)、确定台风中心位置和飞机所在半径;
(2)、寻找每次飞行中待分析的穿刺飞行时间序列;
(3)、原始风廓线插值和滤波;
(4)、寻找每次飞行的RMW;
步骤(4)寻找每次飞行的RMW具体包括以下两个步骤:(401)、寻找每次穿刺飞行的RMW;(402)、质量控制;
步骤(402)质量控制具体包括:
将一次飞行中所有穿刺飞行得到的RMW从小到大排序,之后在任意可能位置将其分为两组,并得到两组最大风速半径的平均值的差;如果所得到的所有的差的最大值大于40km,则认为此台风存在两个特征RMW:去除对应平均值大的那一组的所有RMW;如果所得到的所有分组的差的最大值小于40km,认为此台风存在一个特征RMW:保留该次飞行得到的所有RMW;
(5)、计算每次飞行观测最终确定的一个RMW。
2.根据权利要求1所述的基于机载资料识别台风最大风速半径的方法,其特征在于:步骤(1)中确定台风中心位置和飞机所在半径具体包括如下步骤:
假设分析时刻的台风移速和强度变化率不变,确定当前时刻台风中心位置和强度;
任意时刻飞机距离台风中心的半径为任意时刻飞机所在经纬度和台风中心经纬度之间的球面距离。
3.根据权利要求1或2所述的基于机载资料识别台风最大风速半径的方法,其特征在于:步骤(2)中寻找每次飞行中待分析的穿刺飞行时间序列具体包括如下两个步骤:步骤(201):从每一次飞机观测资料中寻找待分析的穿刺飞行时间序列D(D1,D2…);步骤(202):质量控制。
4.根据权利要求3所述的基于机载资料识别台风最大风速半径的方法,其特征在于:步骤(201)从每一次飞机观测资料中寻找待分析的穿刺飞行时间序列D(D1,D2…);具体分为四步;
第一步,寻找这样的时间序列A(A1,A2…):起始时刻飞机距离台风中心的半径小于150km,终止时刻飞机距离台风中心的半径大于150km,此时段飞机距离台风中心半径最小值小于10km;
第二步,在时间序列A中,寻找这样的时间序列B(B1,B2…):起始时刻飞机距离台风中心的半径小于80km,终止时刻飞机距离台风中心的半径大于80km,此时段飞机距离台风中心半径最小值小于10km;
第三步,根据序列A和B得到序列C(C1,C2…):如果存在B序列,则令起始时间最早的B序列的起始时间为A序列的起始时间;令终止时间最晚的B序列的终止时间为A序列的终止时间;令修改后得到的所有B序列为序列C(C1,C2…);如果不存在B序列,则序列C为序列A;
第四步,从序列C(C1,C2…)中得到序列D(D1,D2…):根据每个C序列中飞机距离台风中心半径最小的时刻将该C序列分为两部分,所有C序列的子序列为D序列(D1,D2…)。
5.根据权利要求3所述的基于机载资料识别台风最大风速半径的方法,其特征在于:步骤(202)具体包括:如果某一个D序列的最大风速与对应时刻Best Track台风强度的差小于-5m/s,则去除该序列;如果最终没有满足条件的D序列,则认为该次飞行无法得到可靠的RMW。
6.根据权利要求1所述的基于机载资料识别台风最大风速半径的方法,其特征在于:步骤(3)中原始风廓线插值和滤波具体包括:步骤(301):原始风廓线插值和滤波;步骤(302):质量控制。
7.根据权利要求6所述的基于机载资料识别台风最大风速半径的方法,其特征在于:步骤(301)具体包括如下步骤:根据一次飞行的D序列计算风廓线;每一个D序列都可以得到一个风速随半径变化的廓线,即风速为半径的函数V_raw(r);将每一个廓线插值到格距为200m,范围在0~150km的半径坐标上;令得到的风速廓线为V_interp(r);将廓线V_interp(r)通过低通滤波器,保留波长大于20km的波;令滤波后的廓线为V(r);这样能得到一系列风廓线V1(r),V2(r)…;每一个V(r)的特征时刻为其对应D序列中风速最大的时刻;因此,每一个V(r)对应的台风强度真值为Best Track数据插值到对应特征时刻的强度。
8.根据权利要求6所述的基于机载资料识别台风最大风速半径的方法,其特征在于:步骤(302):质量控制具体为:如果V(r)的最大值大于100m/s,则遗弃该V(r)。
9.根据权利要求1所述的基于机载资料识别台风最大风速半径的方法,其特征在于:步骤(401)寻找每次穿刺飞行的RMW具体包括:一个V(r)廓线对应一次穿刺飞行;每一个V(r)廓线都可以找到至少一个极大值点,令其为潜在最大风速半径;其中对应风速大于台风强度或不低于台风强度5m/s的潜在最大风速半径中的最小的那一个为该次穿刺飞行的RMW;如果不存在满足条件的潜在最大风速半径,则令RMW为V(r)中对应风速最大的极值点对应的半径。
10.根据权利要求1所述的基于机载资料识别台风最大风速半径的方法,其特征在于:步骤(5)具体包括:每一次飞机飞行观测最终确定的RMW及最大风速为由以上步骤得到的该次飞行所有的RMW和其对应最大风速的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966451.3A CN110852169B (zh) | 2019-10-12 | 2019-10-12 | 基于机载资料识别台风最大风速半径的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966451.3A CN110852169B (zh) | 2019-10-12 | 2019-10-12 | 基于机载资料识别台风最大风速半径的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852169A CN110852169A (zh) | 2020-02-28 |
CN110852169B true CN110852169B (zh) | 2023-02-03 |
Family
ID=69597438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910966451.3A Active CN110852169B (zh) | 2019-10-12 | 2019-10-12 | 基于机载资料识别台风最大风速半径的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852169B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523087B (zh) * | 2020-04-10 | 2021-04-16 | 北京航空航天大学 | 一种台风强度长期变化趋势分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651131A (zh) * | 2016-11-16 | 2017-05-10 | 海南电力技术研究院 | 输电线路防台风预警方法和系统 |
CN107886227A (zh) * | 2017-10-31 | 2018-04-06 | 云南电网有限责任公司 | 用于评估配电网抗灾害能力提升程度的方法 |
CN108153807A (zh) * | 2017-11-21 | 2018-06-12 | 中国核电工程有限公司 | 一种核电厂厂址选择的极端气象设计基准评价方法 |
CN108196314A (zh) * | 2017-12-22 | 2018-06-22 | 南京大学 | 一种西北太平洋环状台风自动识别系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7734245B2 (en) * | 2006-01-13 | 2010-06-08 | Sai Ravela | Statistical-deterministic approach to natural disaster prediction |
US7970543B2 (en) * | 2008-03-18 | 2011-06-28 | The United States Of America, Represented By The Secretary Of Commerce | Predicting tropical cyclone destructive potential by integrated kinetic energy according to the Powell/Reinhold scale |
US9230219B2 (en) * | 2010-08-23 | 2016-01-05 | Institute Of Nuclear Energy Research Atomic Energy Council, Executive Yuan | Wind energy forecasting method with extreme wind speed prediction function |
-
2019
- 2019-10-12 CN CN201910966451.3A patent/CN110852169B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651131A (zh) * | 2016-11-16 | 2017-05-10 | 海南电力技术研究院 | 输电线路防台风预警方法和系统 |
CN107886227A (zh) * | 2017-10-31 | 2018-04-06 | 云南电网有限责任公司 | 用于评估配电网抗灾害能力提升程度的方法 |
CN108153807A (zh) * | 2017-11-21 | 2018-06-12 | 中国核电工程有限公司 | 一种核电厂厂址选择的极端气象设计基准评价方法 |
CN108196314A (zh) * | 2017-12-22 | 2018-06-22 | 南京大学 | 一种西北太平洋环状台风自动识别系统 |
Non-Patent Citations (4)
Title |
---|
Logic tree approach for probabilistic typhoon wind hazard assessment;Young-SunChoun et al.;《Nuclear Engineering and Technology》;20190430;全文 * |
钱塘江北岸可能最大热带气旋引起的风暴高潮位研究;赵鑫;《中国优秀硕士学位论文全文数据库 农业科技辑》;20111215;第28-30页 * |
风廓线雷达非线性滤波数据质量研究;陈兴鹃;《中国优秀硕士学位论文全文数据库信息科技辑》;20120915;摘要 * |
飞机下投探空在台风探测中的应用;李杨等;《气象科技》;20161031;第710-713页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110852169A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8649553B2 (en) | Method for predicting a trend of a meteorological phenomenon on the basis of data originating from a meteorological radar | |
US20130229298A1 (en) | Threaded Track Method, System, and Computer Program Product | |
AU2016256684B2 (en) | Inference and interpolation of continuous 4D trajectories | |
US20220018956A1 (en) | Method for retrieval of lost radial velocity in weather radar, recording medium and device for performing the method | |
US20040041725A1 (en) | Radar signal processing unit and radar signal processing method | |
CN110764083B (zh) | 毫米波雷达防入侵的数据融合方法及系统 | |
Kim et al. | Detection of the Hebei Spirit oil spill on SAR imagery and its temporal evolution in a coastal region of the Yellow Sea | |
CN111832506A (zh) | 一种基于长时序植被指数的重建植被遥感判别方法 | |
CN115064009B (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
CN110852169B (zh) | 基于机载资料识别台风最大风速半径的方法 | |
CN111929687B (zh) | 一种龙卷涡旋特征自动识别算法 | |
JP7234803B2 (ja) | 目標信号分離装置、パッシブレーダー装置および目標信号分離方法 | |
CN105468899B (zh) | 基于micaps风场信息低空急流自动识别及绘制方法 | |
Hanyang et al. | Vessel sailing patterns analysis from S-AIS data dased on K-means clustering algorithm | |
JP7143809B2 (ja) | クラッタ学習装置及びクラッタ識別装置 | |
CN111443399B (zh) | 基于步进频率微波辐射计资料的热带气旋强风圈识别系统 | |
CN111736156B (zh) | 一种基于天气雷达的逆风区识别方法与装置 | |
CN112612044B (zh) | 一种用于漂移点过滤的方法及系统 | |
CN114565176B (zh) | 一种长期船舶轨迹预测方法 | |
CN115436966A (zh) | 一种激光雷达参考水深控制点批量提取方法 | |
CN114089443B (zh) | 一种基于tec积分量及季节变化系数的uhf频段电离层闪烁事件预报方法 | |
Smirnov et al. | Satellite monitoring of ice features to ensure safety of offshore operations in the Arctic seas | |
CN110780300B (zh) | 一种用于风廓线雷达的数据处理方法 | |
CN113570102B (zh) | 一种台风非对称最大降水落区半径的分析系统和分析方法 | |
CN113379732B (zh) | 一种基于机载激光雷达的线缆目标检测方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No.166, Puxi Road, Xuhui District, Shanghai 200030 Applicant after: Shanghai Institute of typhoon, China Meteorological Administration Address before: No.166, Puxi Road, Xuhui District, Shanghai 200030 Applicant before: SHANGHAI INSTITUTE OF TYPHOON RESEARCH, CHINA METEOROLOGICAL ADMINISTRATION |
|
GR01 | Patent grant | ||
GR01 | Patent grant |