CN111366931A - 一种基于云雷达的云降水精细化反演方法 - Google Patents
一种基于云雷达的云降水精细化反演方法 Download PDFInfo
- Publication number
- CN111366931A CN111366931A CN202010426361.8A CN202010426361A CN111366931A CN 111366931 A CN111366931 A CN 111366931A CN 202010426361 A CN202010426361 A CN 202010426361A CN 111366931 A CN111366931 A CN 111366931A
- Authority
- CN
- China
- Prior art keywords
- cloud
- precipitation
- layer
- radar
- melting layer
- 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
Links
Images
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
- 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
-
- 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)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种基于云雷达的云降水精细化反演方法。这种方法通过提取云雷达数据,首先对云雷达数据进行质量控制,然后利用自主设计的融化层检测算法自动识别云降水融化层高度,然后采用模糊化、规则判断、相态分类限制检查、最大集成法集成、退模糊等步骤对云降水内部水凝物粒子进行分类识别,精细化反演水凝物粒子相态和分布,最后输出云降水精细化反演结果。实现云降水内部水凝物粒子精细化反演以及融化层高度自动识别。仅依靠云雷达数据就能够反演云降水中水凝物粒子相态及分布,提高了云降水中水凝物粒子识别和反演率,同时在普通的模糊逻辑法上增加了粒子相态限制检查,提高了水凝物粒子相态识别的准确性。
Description
技术领域
本申请涉及大气科学技术领域,具体涉及一种基于云雷达的云降水精细化反演方法。
背景技术
云降水系统有其基本的一般性特征、规律,但同时又具有很强的时空变率,分析云降水内部粒子变化是研究云系结构及其演变特征的基本途径。目前,对云降水中内部结构和粒子相态、大小的观测主要采用飞机观测,飞机观测可以提供云降水内部含水量、粒子浓度、粒子谱及粒子相态等变化。然而,由于飞机观测受到气象条件和空域等因素的制约,无法获得降水过程的连续性观测资料。随着地面探测设备的发展,具有偏振性质的雷达可以测量云降水的反射率因子、径向速度、速度谱宽、线性退偏振比,结合云降水的物理特征,反演云降水粒子相态和大小变化。由于云雷达是地基观测设备,不受时间、空域、天气等因素制约,可以提供连续性观测数据。
融化层对云降水粒子相态识别和反演具有重要作用,是云降水中水凝物粒子从冰相到液相转变的关键高度。在融化层之上,粒子多为冰相;在融化层之下,粒子多为液态。水凝物粒子经过融化层会导致雷达反射率跃增,表现出亮带现象,通过自动识别亮带可以推算融化层高度和厚度,然后通过一定的规则判定对粒子相态进行识别和反演。
目前,云降水中粒子相态识别和反演算法已有一些研究,主要采用的识别和反演算法有决策树识别方法、统计判决识别法、神经网络或者模糊逻辑识别法等。由于云降水中水凝物粒子特性较为复杂,不同水凝物粒子对应的雷达偏振参量信息并不是绝对排斥,而是存在某种程度的重叠,所以基于“刚性”边界条件和布尔逻辑的决策树识别法不太适合云降水中水凝物粒子分类。而决策树识别法要求所用数据不允许存在测量误差,在实际中难以达到。统计判决识别法是另一种可以解决水凝物分类问题的方法,但是基于不同水凝物的统计模型却很难建立。模糊逻辑识别法相对简便,对外界条件要求更低。
发明内容
本申请为了解决上述技术问题,提出了如下技术方案:
本申请实施例提供了一种基于云雷达的云降水精细化反演方法,所述方法包括:
提取云雷达数据,云雷达数据包括反射率因子、径向速度、速度谱宽和线性退偏振比;
对云雷达数据进行质量控制;
提取质控后的云雷达数据,将雷达参量进行距离库单元匹配;
融化层检测算法(MLDA)自动识别云降水融化层的顶边界和底边界;
将识别出的云降水中融化层高度信息存储并更新为最新时刻融化层高度;
提取质控后的云雷达数据和融化层高度作为输入参量;
采用模糊化、规则判断、相态分类限制检查、最大集成法集成和退模糊化等步骤对云降水内部水凝物粒子进行分类识别;
将云降水中水凝物粒子分为冰晶、雪晶、云滴、毛毛雨、雨滴和混合相粒子6种类型,并输出云降水精细化反演结果。
可选地,所述对云雷达数据进行质量控制包括:分别对所述反射率因子、径向速度、速度谱宽和线性退偏振比进行缺测数据补缺、减少噪点和对异常值进行订正。
可选地,所述将雷达参量进行距离库单元匹配包括:将提取到的反射率因子、径向速度、速度谱宽及线性退极化比等参量进行每个距离库单元匹配,确定每个距离库中参量一一对应。
可选地,所述融化层检测算法(MLDA)自动识别云降水融化层的顶部和底部包括:自动识别融化层的顶部和底部,作为基于模糊逻辑算法的云降水精细化反演方法的一个输入参量;融化层检测算法根据径向数据选取回波强度5dBz至30dBz之间,且线性退偏振比在-20dB至-10dB之间的回波点,初步识别为融化层回波点;对每个径向重复该程序,产生融化层点群,然后对融化层点群作3*3滤波处理,剔除孤立的融化层回波点,以顶部以下10%融化层点群位置确定为融化层顶部MLT,以底部以上10%融化层点群位置确定为融化层底部MLB。
可选地,所述将识别出的云降水中融化层高度存储并更新为最新时刻融化层高度包括:当云雷达没有出现亮带现象,将邻近时刻的融化层高度作为该时刻融化层高度,若存在融化层高度的邻近时刻与当前时刻间隔超过预设时间(本实施例中预设时间为12小时),则提取外部环境温度0℃高度作为辅助输入参量,判别融化层高度。
可选地,所述模糊化即提取毫米波云雷达反射率因子、径向速度、速度谱宽、线性退偏振比、融化层高度边界信息(顶边界(MLT)和底边界(MLB))作为输入参量矩阵,通过隶属函数将输入参量矩阵转化为云降水粒子相态矩阵,选取不对称梯形函数对这5个参量进行退模糊化处理。
梯形函数T(x)表达式如下:
Ti_j表示输入参量对各相态的隶属程度,越接近1表示相态为真实相态的可能性越高,其中i代表第i个输出粒子相态类型,分别对应冰晶、雪晶、云滴、毛毛雨、雨滴、混合相粒子等,j代表第j个输入参量,分别对应反射率因子、径向速度、速度谱宽、线性退偏振比,X1、X2、X3、X4是隶属度函数的系数。
可选地,所述规则判断即利用公式对6种粒子进行分类识别,其公式为:
其中,Si为各类粒子集成值,Ti_j代表隶属度函数,i为输出粒子类型,j为输入参量类型,Wi_j表示第i种输出粒子类型,第j种参量对判断结果的权重因子,使Si最大的第i类即为识别的水凝物粒子类型。
可选地,所述相态分类限制检查即检查粒子相态类别与融化层位置的关系,通过融化层的边界信息对粒子相态分类结果进行限制检查,限制检查主要包括融化层底边界以下不允许出现冰晶和雪晶,融化层顶边界以上不允许出现雨滴、毛毛雨,具体见相态分类限制检查类别集。
(1)当H>MLT时,可以取的粒子类别包括:冰晶、雪晶;
(2)当MLB<H<MLT时,可以取的粒子类别包括:混合相粒子;
(3)当H<MLB时,可以取的粒子类别包括:雨滴、云滴、毛毛雨。
其中,MLT为融化层顶高度,MLB为融化层底高度,H为云降水粒子高度,用识别出的融化层顶高度MLT来近似代表环境温度0℃,当H>MLT时代表粒子处于低于0℃的环境中,一般为冰相,粒子相态可能会冰晶和雪晶;当MLB<H<MLT时代表粒子处于0℃附近,一般既有冰相也有液态,统称为混合相粒子;当H<MLB时代表粒子处于高于0℃的环境中,一般为液态,粒子可能为雨滴、云滴、毛毛雨。
可选地,所述最大集成法集成即采用最大值集成方法进行集成,把最大值结果输出。
可选地,所述退模糊化即选取最大的那类相态结果作为最终反演输出的水凝物粒子类型。
本申请的有益效果是:实现云降水内部水凝物精细化反演以及融化层高度自动识别,解决了现有观测手段无法获得连续性高精度云降水内部水凝物粒子分布的问题。可以根据时间浮动判别云降水融化层位置变化。仅依靠云雷达数据就能够反演云降水中水凝物粒子类型、相态变化以及分布位置,提高了云降水中水凝物粒子识别和反演率,同时在普通的模糊逻辑识别法上增加了粒子相态限制检查,提高了云降水中水凝物粒子相态识别准确性。
附图说明
图1为本申请实施例提供的一种基于云雷达的云降水精细化反演方法的流程示意图;
图2为本申请实施例提供的梯形隶属函数示意图;
图3为本申请实施例提供的基于云雷达的云降水内部水凝物粒子相态分类限制的示意图;
图4为本申请实施例提供的云雷达回波图中反射率因子(a)、径向速度(b)、速度谱宽(c)和线性退极化比(d)示意图;
图5为本申请实施例提供的利用融化层检测算法(MLDA)自动识别融化层边界信息的散点示意图;
图6为本申请实施例提供的探空资料温度对数压力示意图;
图7为本申请实施例提供的基于云雷达的云降水精细化反演结果。
具体实施方式
下面结合附图与具体实施方式对本方案进行阐述。
图1为本申请实施例提供的一种基于云雷达的云降水精细化反演方法的流程示意图,参见图1,所述方法包括:
S101,提取云雷达数据,所述云雷达数据包括反射率因子、径向速度、速度谱宽和线性退偏振比。
S102,对所述云雷达数据进行质量控制。
雷达数据一般存在不同程度的质量问题,主要做以下几方面的数据质量控制工作:分别对所述反射率因子、径向速度、速度谱宽和线性退偏振比进行缺测数据补缺、减少噪点和对异常值进行订正。
S103,提取质量控制后的云雷达数据,将雷达参量进行距离库单元匹配。
将提取到的反射率因子、径向速度、速度谱宽及线性退极化比等参量进行每个距离库单元匹配,确定每个距离库中参量一一对应。
S104,融化层检测算法(MLDA)自动识别云降水的融化层顶部和底部。
本申请自主开发的融化层检测算法(MLDA)自动识别融化层的顶部和底部,作为云降水精细化反演方法的一个输入参量。融化层检测算法(MLDA)根据径向数据选取回波强度5dBz至30dBz之间,且线性退偏振比在-20dB至-10dB之间的回波点,初步识别为融化层回波点。对每个径向重复该程序,产生融化层点群,然后对融化层点群作3*3滤波处理,剔除孤立的融化层回波点,以顶部以下10%融化层点群位置确定为融化层的顶部,以底部以上10%融化层点群位置确定为融化层底部。
S105,将识别出的云降水中融化层高度信息存储并更新为最新时刻融化层高度。
将上一步识别出云降水融化层高度存储并更新为最新时刻融化层高度,当云雷达没有出现亮带现象,就无法识别出云降水融化层,就将邻近时刻的融化层高度作为当下时刻的融化层高度,若有融化层高度的邻近时刻与当下时刻间隔超过12小时,就提取外部环境温度0℃高度(比如从探空资料、数值预报产品提取0℃高度)作为辅助输入参量,判别云降水融化层高度。
S106,提取质控后的云雷达数据和融化层高度作为输入参量。
S107,采用模糊化、规则判断、相态分类限制检查、最大集成法集成和退模糊化等步骤对云降水内部水凝物粒子进行分类识别。
在识别云降水融化层高度的前提下,利用反射率因子、径向速度、速度谱宽、线性退偏振比、融化层高度边界(顶边界(MLT)和底边界(MLB))作为输入参量,采用模糊化、规则判断、相态分类限制检查、最大集成法集成、退模糊等步骤对云降水内部粒子相态进行分类识别,将云降水中水凝物粒子分为冰晶、雪晶、云滴、毛毛雨、雨滴、混合相粒子6种类型。
进一步解释模糊化即提取云雷达反射率因子、径向速度、速度谱宽、线性退偏振比、融化层高度边界(顶边界(MLT)和底边界(MLB))作为输入参量矩阵,通过隶属函数将输入参量矩阵转化为云降水粒子相态矩阵,本实施例选取不对称梯形函数对这5个参量进行退模糊化处理。其梯形函数T(x)示意图如图2所示,表达式如下:
其中,Ti_j表示输入参量对各相态的隶属程度,越接近1表示相态为真实相态的可能性越高,其中i代表第i个输出粒子相态类型,分别对应冰晶、雪晶、云滴、毛毛雨、雨滴、混合相粒子等,j代表第j个输入参量,分别对应反射率因子、径向速度、速度谱宽、线性退偏振比,X1、X2、X3、X4是隶属度函数的系数。
进一步解释规则判断,规则判断即利用下式对6种粒子进行分类识别:
其中,Si为各类粒子集成值,Tij代表隶属度函数,i为输出粒子类型,j为输入参量类型,Wi_j表示第i种输出粒子类型,第j种参量对判断结果的权重因子,使Si最大的第i类即为识别的水凝物粒子类型。
进一步解释相态分类限制检查,相态分类限制检查即检查粒子相态类别与融化层位置的关系,通过云降水融化层的顶边界和底边界对粒子相态分类结果进行限制检查,相态分类限制检查主要包括融化层底部以下不允许出现冰晶和雪晶,融化层顶部以上不允许出现雨滴和毛毛雨,具体见相态分类限制检查类别集。
(1)当H>MLT时,可以取的粒子类别包括:冰晶、雪晶;
(2)当MLB<H<MLT时,可以取的粒子类别包括:混合相粒子;
(3)当H<MLB时,可以取的粒子类别包括:雨滴、云滴、毛毛雨。
其中,MLT为融化层顶高度,MLB为融化层底高度,H为云、降水粒子高度,用识别出的融化层顶高度MLT来近似代表环境温度0℃,当H>MLT时代表粒子处于低于0℃的环境中,一般为冰相,粒子相态可能会冰晶和雪晶;当MLB<H<MLT时代表粒子处于0℃附近,一般既有冰相也有液态,统称为混合相粒子;当H<MLB时代表粒子处于高于0℃的环境中,一般为液态,粒子可能为雨滴、云滴、毛毛雨。
进一步解释最大集成法集成。最大集成法集成即采用最大值集成方法进行集成,即最大集成法仅把最大值结果输出。
Smax=Max(Si)
进一步解释退模糊化。退模糊化即选取最大的那类相态结果作为最终反演输出的水凝物粒子类型。
S108,将云降水中水凝物粒子分为冰晶、雪晶、云滴、毛毛雨、雨滴和混合相粒子6种类型,并输出云降水精细化反演结果。
下面选用具体的实施例对上述方法进行说明:
选用某市云雷达垂直观测资料,具体步骤如下:
提取云雷达资料,如图4所示,分别为某时间的反射率因子(a)、径向速度(b)、速度谱宽(c)、线性退偏振比(d)四个参量。
图5为使用本申请自主设计的融化层检测算法(MLDA)对数据中的融化层顶边界(MLT)和融化层底边界(MLB)进行动态识别后的结果,并与实际环境温度值(探空资料)图6进行对比,本申请自主设计识别出的云降水融化层高度和实际环境温度0℃层高度基本一致。
提取到融化层高度顶边界(MLT)和融化层底边界(MLB)后,利用模糊逻辑算法对云降水粒子相态进行识别,并输出识别结果为云降水精细化反演产品,如图7所示。
由上述实施例可知,本实施例提供的一种基于云雷达的云降水精细化反演方法,实现云降水内部水凝物精细化反演以及融化层高度自动识别,解决了现有观测手段无法获得连续性高精度云降水中水凝物粒子分布的问题。可以根据时间浮动判别云降水融化层位置变化。仅依靠云雷达数据就能够反演云降水中水凝物粒子类型、相态变化以及分布位置,提高了云降水粒子识别和反演率,同时在普通的模糊逻辑识别法上增加了粒子相态限制检查,提高了云降水内部水凝物粒子相态识别准确性。
当然,上述说明也并不仅限于上述举例,本申请未经描述的技术特征可以通过或采用现有技术实现,在此不再赘述;以上实施例及附图仅用于说明本申请的技术方案并非是对本申请的限制,如来替代,本申请仅结合并参照优选的实施方式进行了详细说明,本领域的普通技术人员应当理解,本技术领域的普通技术人员在本申请的实质范围内所做出的变化、改型、添加或替换都不脱离本申请的宗旨,也应属于本申请的权利要求保护范围。
Claims (10)
1.一种基于云雷达的云降水精细化反演方法,其特征在于,所述方法包括:
提取云雷达数据,云雷达数据包括反射率因子、径向速度、速度谱宽和线性退偏振比;
对云雷达数据进行质量控制;
提取质控后的云雷达数据,将雷达参量进行距离库单元匹配;
融化层检测算法自动识别云降水融化层的顶边界和底边界;
将识别出的云降水中融化层高度信息存储并更新为最新时刻融化层高度;
提取质控后的云雷达数据和融化层高度作为输入参量;
采用模糊化、规则判断、相态分类限制检查、最大集成法集成和退模糊化等步骤对云降水内部水凝物粒子进行分类识别;
将云降水中水凝物粒子分为冰晶、雪晶、云滴、毛毛雨、雨滴和混合相粒子6种类型,并输出云降水精细化反演结果。
2.根据权利要求1所述的基于云雷达的云降水精细化反演方法,其特征在于,所述对云雷达数据进行质量控制包括:分别对所述反射率因子、径向速度、速度谱宽和线性退偏振比进行缺测数据补缺、减少噪点和对异常值进行订正。
3.根据权利要求1所述的基于云雷达的云降水精细化反演方法,其特征在于,所述将雷达参量进行距离库单元匹配包括:将提取到的反射率因子、径向速度、速度谱宽及线性退极化比等参量进行每个距离库单元匹配,确定每个距离库中参量一一对应。
4.根据权利要求1所述的基于云雷达的云降水精细化反演方法,其特征在于,所述融化层检测算法自动识别云降水融化层的顶边界和底边界包括:自动识别融化层的顶边界和底边界,作为基于模糊逻辑算法的云降水精细化反演方法的一个输入参量;融化层检测算法(MLDA)根据径向数据选取回波强度5dBz至30dBz之间,且线性退偏振比在-20dB至-10dB之间的回波点,初步识别为融化层回波点;对每个径向重复该程序,由此产生融化层点群,然后对融化层点群作3*3滤波处理,剔除孤立的融化层回波点,以顶部以下10%融化层点群位置确定为融化层顶边界MLT,以底部以上10%融化层点群位置确定为融化层底边界MLB。
5.根据权利要求1所述的基于云雷达的云降水精细化反演方法,其特征在于,所述将识别出的云降水中融化层高度信息存储并更新为最新时刻融化层高度包括:当云雷达没有出现亮带现象,将邻近时刻的融化层高度作为该时刻融化层高度,若存在融化层高度的邻近时刻与当前时刻间隔超过预设时间,则提取外部环境温度0℃的高度作为辅助输入参量,判别云降水的融化层高度。
6.根据权利要求1所述的基于云雷达的云降水精细化反演方法,其特征在于,所述模糊化即提取毫米波云雷达反射率因子、径向速度、速度谱宽、线性退偏振比、融化层高度边界信息(顶边界(MLT)和底边界(MLB))作为输入参量矩阵,通过隶属函数将输入参量矩阵转化为云降水粒子相态矩阵,选取不对称梯形函数对这5个参量进行退模糊化处理。
8.根据权利要求1所述的基于云雷达的云降水精细化反演方法,其特征在于,所述相态分类限制检查即检查粒子相态与融化层位置的关系,通过融化层的顶边界和底边界对粒子相态分类结果进行限制检查,限制检查主要包括融化层底边界以下不允许出现冰晶和雪晶,融化层顶边界以上不允许出现雨滴、毛毛雨。
9.根据权利要求1所述的基于云雷达的云降水精细化反演方法,其特征在于,所述最大集成法集成即采用最大值集成方法进行集成,把最大值结果输出。
10.根据权利要求1所述的基于云雷达的云降水精细化反演方法,其特征在于,所述退模糊化即选取最大的那类相态结果作为最终反演输出的水凝物粒子类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010426361.8A CN111366931B (zh) | 2020-05-19 | 2020-05-19 | 一种基于云雷达的云降水精细化反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010426361.8A CN111366931B (zh) | 2020-05-19 | 2020-05-19 | 一种基于云雷达的云降水精细化反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111366931A true CN111366931A (zh) | 2020-07-03 |
CN111366931B CN111366931B (zh) | 2023-06-30 |
Family
ID=71209657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010426361.8A Active CN111366931B (zh) | 2020-05-19 | 2020-05-19 | 一种基于云雷达的云降水精细化反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111366931B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112068104A (zh) * | 2020-09-11 | 2020-12-11 | 中国航空工业集团公司雷华电子技术研究所 | 一种冰晶识别方法、装置、电子设备及双极化气象雷达 |
CN113219465A (zh) * | 2021-05-07 | 2021-08-06 | 中国人民解放军国防科技大学 | 基于极化衰减信息的水成物识别及微波频率自动优选方法 |
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 |
CN113625283A (zh) * | 2021-07-28 | 2021-11-09 | 南京航空航天大学 | 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 |
CN114355356A (zh) * | 2022-01-04 | 2022-04-15 | 河北省人工影响天气中心 | 基于飞机与双偏振天气雷达的层状云融化层识别方法 |
CN114545416A (zh) * | 2022-02-25 | 2022-05-27 | 中山大学 | 一种面向对象的定量降水估测方法、装置及终端设备 |
CN115792847A (zh) * | 2022-11-08 | 2023-03-14 | 江西师范大学 | 一种基于神经网络和回波垂直信息的定量降水估测方法 |
CN115980756A (zh) * | 2023-03-17 | 2023-04-18 | 中国人民解放军国防科技大学 | 一种基于星载双频雷达的降水中水凝物种类识别方法 |
CN117706512A (zh) * | 2023-12-13 | 2024-03-15 | 安徽省气象台 | 一种融合温度判定与背景依赖的水凝物反演方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101538368B1 (ko) * | 2013-11-25 | 2015-07-22 | 한국건설기술연구원 | 엑스밴드 이중편파 레이더 원시자료를 이용한 강수체 구분 방법 |
CN107607954A (zh) * | 2017-09-11 | 2018-01-19 | 中国民航大学 | 一种基于t‑s模型的fnn降水粒子相态识别方法 |
CN109828275A (zh) * | 2019-01-28 | 2019-05-31 | 中国气象局北京城市气象研究所 | 一种零度层亮带的识别方法和系统 |
-
2020
- 2020-05-19 CN CN202010426361.8A patent/CN111366931B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101538368B1 (ko) * | 2013-11-25 | 2015-07-22 | 한국건설기술연구원 | 엑스밴드 이중편파 레이더 원시자료를 이용한 강수체 구분 방법 |
CN107607954A (zh) * | 2017-09-11 | 2018-01-19 | 中国民航大学 | 一种基于t‑s模型的fnn降水粒子相态识别方法 |
CN109828275A (zh) * | 2019-01-28 | 2019-05-31 | 中国气象局北京城市气象研究所 | 一种零度层亮带的识别方法和系统 |
Non-Patent Citations (3)
Title |
---|
S. LIM, V. CHANDRASEKAR 等: "Hydrometeor Classification System Using Dual-Polarization Radar Measurements: Model Improvements and In Situ Verification" * |
SCOTT E. GIANGRANDE 等: "Automatic Designation of the Melting Layer with a Polarimetric Prototype of the WSR-88D Radar" * |
范盼 等: "基于模糊逻辑法的粒子识别研究" * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112068104A (zh) * | 2020-09-11 | 2020-12-11 | 中国航空工业集团公司雷华电子技术研究所 | 一种冰晶识别方法、装置、电子设备及双极化气象雷达 |
CN113219465A (zh) * | 2021-05-07 | 2021-08-06 | 中国人民解放军国防科技大学 | 基于极化衰减信息的水成物识别及微波频率自动优选方法 |
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 |
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 |
CN113625283A (zh) * | 2021-07-28 | 2021-11-09 | 南京航空航天大学 | 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 |
CN113625283B (zh) * | 2021-07-28 | 2024-04-02 | 南京航空航天大学 | 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 |
CN114355356A (zh) * | 2022-01-04 | 2022-04-15 | 河北省人工影响天气中心 | 基于飞机与双偏振天气雷达的层状云融化层识别方法 |
CN114355356B (zh) * | 2022-01-04 | 2024-03-15 | 河北省人工影响天气中心 | 基于飞机与双偏振天气雷达的层状云融化层识别方法 |
CN114545416A (zh) * | 2022-02-25 | 2022-05-27 | 中山大学 | 一种面向对象的定量降水估测方法、装置及终端设备 |
CN115792847A (zh) * | 2022-11-08 | 2023-03-14 | 江西师范大学 | 一种基于神经网络和回波垂直信息的定量降水估测方法 |
CN115980756A (zh) * | 2023-03-17 | 2023-04-18 | 中国人民解放军国防科技大学 | 一种基于星载双频雷达的降水中水凝物种类识别方法 |
CN115980756B (zh) * | 2023-03-17 | 2023-07-04 | 中国人民解放军国防科技大学 | 一种基于星载双频雷达的降水中水凝物种类识别方法 |
CN117706512A (zh) * | 2023-12-13 | 2024-03-15 | 安徽省气象台 | 一种融合温度判定与背景依赖的水凝物反演方法和系统 |
CN117706512B (zh) * | 2023-12-13 | 2024-05-10 | 安徽省气象台 | 一种融合温度判定与背景依赖的水凝物反演方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111366931B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111366931A (zh) | 一种基于云雷达的云降水精细化反演方法 | |
CN111815037B (zh) | 一种基于注意力机制的可解释性短临极端降雨预测方法 | |
CN110333554B (zh) | Nriet暴雨智能相似分析方法 | |
KR101531224B1 (ko) | 이중편파 레이더 기반의 강수 추정 시스템 및 그 방법 | |
CN110161506B (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 | |
CN107942411B (zh) | 一种大气能见度预测方法 | |
CN113409314A (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
CN110346800A (zh) | 一种基于双偏振天气雷达体扫数据的雷暴识别方法 | |
CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
CN111160612A (zh) | 一种基于天气影响的离场航班延误分析及预测方法 | |
CN113591617B (zh) | 基于深度学习的水面小目标检测与分类方法 | |
CN110059713A (zh) | 一种基于降水粒子多特征参量的降水类型识别方法 | |
CN115437036A (zh) | 一种基于葵花卫星的对流初生预报方法 | |
CN113095443A (zh) | 基于lstm-dnn网络模型的实时天气预测算法 | |
CN111222575B (zh) | 一种基于hrrp目标识别的klxs多模型融合方法及系统 | |
CN114898206A (zh) | 一种短时强降水预报方法及计算机设备和存储介质 | |
Niu et al. | Precipitation forecast based on multi-channel ConvLSTM and 3d-CNN | |
CN112526547B (zh) | 一种基于测风激光雷达的大气边界层分类方法及装置 | |
CN113128769A (zh) | 基于深度学习的智能航班延误预测方法 | |
CN111175852B (zh) | 一种基于长短时记忆算法的机场大雾预报预警方法 | |
CN112347872A (zh) | 一种基于地面观测的雷暴大风风暴体标识方法及系统 | |
CN117235587A (zh) | 一种基于lightGBM的气象目标分类方法 | |
CN115902812A (zh) | 一种短时暴雨天气背景自动判别方法、系统、设备及终端 | |
CN112698354B (zh) | 一种大气气溶胶与云的识别方法和系统 | |
CN116012618A (zh) | 一种基于雷达回波图的天气辨识方法、系统、设备及介质 |
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 |