CN111474529B - 卫星反演雷达回波的方法、反演雷达回波系统及导航雷达 - Google Patents
卫星反演雷达回波的方法、反演雷达回波系统及导航雷达 Download PDFInfo
- Publication number
- CN111474529B CN111474529B CN202010523077.2A CN202010523077A CN111474529B CN 111474529 B CN111474529 B CN 111474529B CN 202010523077 A CN202010523077 A CN 202010523077A CN 111474529 B CN111474529 B CN 111474529B
- Authority
- CN
- China
- Prior art keywords
- warm
- satellite
- cloud
- radar
- echo
- 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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于测量测试技术领域,公开了一种卫星反演雷达回波的方法、反演雷达回波及导航雷达,通过构建静止卫星和雷达回波的有限空间最优概率配对模型来估测晴雨区分阈值、一般性层云和暖雨云区分阈值、暖雨云和对流云区分阈值;通过构建一般性层云、暖雨云和对流云三类滑动短时记忆回波模型生成降雨分型的卫星反演雷达回波数字模型;利用降雨分型的卫星反演雷达回波数字模型进行卫星观测范围的完整卫星反演雷达回波。本发明弥补了雷达组网监测范围中海上部分的台风等强天气的观测信息的不足,对于陆地区域,其强度分布形态上也和原有雷达实况较接近;本发明的反演回波误差较小,能够真实的反应实际状况。
Description
技术领域
本发明属于测量测试技术领域,尤其涉及一种卫星反演雷达回波的方法、反演雷达回波及导航雷达。
背景技术
目前,海面风场信息是海洋动力学重要参数,是海洋与大气能量和气体交换的主要驱动力。因此,了解和掌握海面风场信息对渔业、海运及气象监测都有深远的意义。现有海面风向信息获取方法主要分成两类:站点式现场测量和遥感测量。导航雷达是遥感测量手段的一种,因具有不受光线影响、不受天气影响、实时连续反馈、高分辨率和使用便捷等优点,成为现阶段提取海面风向信息的热门课题。
现有雷达组网监测、预警业务中仍然存在一些问题:1)雷达组网监测信息不完整:以浙江为例,近海雷达(宁波、舟山,台州,温州的雷达组网覆盖面积有限,对一些稍远些近海海上的强对流、台风等灾害性天气系统缺少监测。2)在一些山地、丘陵地区,雷达建站海拔较高,由于地形遮挡,存在对流云监测识别信息不完整等问题,因此,会影响雷达的物理量反演精度(比如垂直液态水含量VIL)以及降雨分类反演结果,进而对降雨估测和短临降雨预报的精度造成影响。3)不连续的回波监测,会影响对流云的追踪精度和稳定性,进而影响短临外推预报质量。4)增大雷达组网的范围,可以使得短临外推的初始场信息更为充足,但是周边的组网雷达数据同步也同时存在一定时间滞后性问题。5)雷达组网拼图需要区域内的多部雷达参与拼图,一旦有个别雷达出现杂波(太阳射线,超折射等异常回波),容易对拼图品质造成影响。
随着新一代静止卫星(葵花8/风云4)在近几年投入业务应用,其高时空分辨率多通道的卫星数据(时间分辨率葵花8为10分钟,风云4为15分钟;空间最大分辨率都达到了0.5km)为气象组网的空基上的对流云的高时空分辨率的识别和追踪提供了一种新型的技术支撑。因此,如何更好的融合地基和空基观测资料进一步提升强对流、台风等灾害性天气的监测精度以及监测范围是当前所面临的一个新的挑战。
相对于地基遥感,空基遥感探测范围更大,更为稳定,近几年随着高时空分辨率的新一代静止卫星投入业务应用,基于新一代静止卫星的对流识别技术逐渐发展起来。
美国林肯实验室的Veillette等(2016)构建了OPC系统,该系统利用机器学习方法依据新一代静止卫星、闪电定位,数值模式等多元要素将对流和层云进行了分类。国内周非非等(2010)对主要用FY-2C/D卫星并融合其他观测资料反演的云顶高度与多普勒雷达回波顶高的关系作了初步探讨研究。此外,也有不少研究者利用机器学习方法(孙学金等,2009;耿晓庆等,2014;金炜等,2016;胡凯等,2017)进行了强天气识别和云分类的实验。基于新一代静止卫星的对流初生识别的研究(Lee et al,2017;Jewett et al,2013)也是当下一个新热点;一些研究者(Walker et al,2012;Merk et al,2013;Mecikalski et al,2015)利用基于静止卫星的对流初生识别技术并进行追踪,较好的提升0-1小时的短临预报中对流新生的预报、预警能力。
通过上述分析,现有技术存在的问题及缺陷为:美国林肯实验室的Veillette等(2016)构建了OPC系统的其开发的卫星反演雷达回波的业务方案是相对较为成熟的业务方案,但是该方案是基于美国的GOES卫星进行参数本地化,并不完全适合覆盖中国新一代静止卫星(FY4或葵花8)应用。该方案参数化方案中利用了快速同化更新模式数据作为关键参数,因此,其反演结果和模式预报结果成功与否较为敏感。最后,该技术通过机器学习大量训练,前期处理较为复杂。采用了可见光,因此,不可避免的会出现日夜交替时刻,反演结果不连续问题。
现有技术开展的研究更多基于FY2等卫星,并且很多的科研方案只是处于实验阶段,并不完全适合业务应用。尤其是基于新一代静止卫星(FY4或者葵花8)的进行卫星反演雷达回波的业务处理方案尚还处于空白阶段。
卫星属于空基观测,而雷达属于地基观测,因此,两者差异本身是存在的,比如,对流云发展较高情况下,其空基观测的视角偏差会和地基观测存在一定偏差,因此,采用合适的方案解决了这个问题,才能适合业务应用。
解决以上问题及缺陷的难度为:如何能稳定的融合地基雷达观测信息,来动态调整卫星反演雷达回波的本地化的参数方法,是本发明所要重点解决的问题。
如何能构建一套稳定,高效,同时反演精度较高的卫星反演雷达回波的业务方案是一个挑战。
解决以上问题及缺陷的意义为:本发明的意义和创新点在于:1)新一代静止卫星和地基雷达资料的多元融合分析应用。该实践对于未来进一步深化多元资料融合分析在气象各个细分业务领域的应用具有较积极示范意义;对于深入挖掘气象大数据的价值也具有较积极的意义。2)新一代静止卫星在短临气象业务中应用的研究非常适用于卫星及应用产业。相关的分析为未来后续的更高时空分辨率的卫星数据应用和落地落地,提前做好了技术储备,为更快速的将新一代静止卫星融入气象业务打下良好的基础。新一代静止卫星的相关技术研究对提升浙江气象在气象科技地位具有较深远的意义。3)本发明专利所涉及的反演雷达回波技术可以为提升浙江地区的强对流、台风等灾害性天气监测,预报和预警能力,提升更精细化的气象决策保障能力等方面具有重要意义。
发明内容
针对现有技术存在的问题,本发明提供了一种卫星反演雷达回波的方法。具体涉及一种基于FY4A资料的日夜通用的卫星反演雷达回波的方法。
本发明是这样实现的,一种卫星反演雷达回波的方法,包括:
步骤一,基于静止卫星联合对应时次的部分区域的雷达回波,通过构建静止卫星和雷达回波的有限空间最优概率配对模型动态估测晴雨区分阈值、一般性层云和暖雨云区分阈值、暖雨云和对流云区分阈值;
步骤二,通过构建一般性层云、暖雨云和对流云三类滑动短时记忆回波模型生成降雨分型的卫星反演雷达回波数字模型;
步骤三,利用构建的降雨分型的卫星反演雷达回波数字模型进行卫星反演雷达回波。
进一步,步骤一中,所述构建静止卫星和雷达回波的有限空间最优概率配对时序模型以及划分阈值确定分为以下步骤:
1)预处理:将静止卫星资料从原始的4km分辨率通过双线性插值到1km,这样使得卫星格点数据和雷达组网回波的格点分辨率一致;将卫星和雷达回波进行5x5格点平均处理为S5,R5;
2)将雷达组网区域内分成等距的有限区域(默认间距和有限区域大小都可以取21km),然后进行不同类型的配对数据集的构建;为了获得足够数据量,一般采用1小时尺度卫星和雷达数据统计构建。
式中,如果有限区域的平均雷达回波强度Rave<10dBZ,则判定区域为晴空特征,则将有限区域内每个空间配对的雷达回波和卫星(R5,S5)归入晴天数据集合Gclear;
如果有限区域的平均雷达回波强度Rave≥10dBZ并且Rave<25dBZ,则判定区域为层云降雨特征,将有限区域内每个空间配对的雷达回波和卫星(R5,S5)归入一般性层云数据集合Gstr_rain;
如果有限区域的平均雷达回波强度Rave≥25dBZ并且Rave<35dBZ,则判定区域为暖雨云降雨特征,将有限区域内的满足R5≥25dBZ&&R5<35dBZ的每个空间配对的雷达回波和卫星(R5,S5)归入暖雨云数据集合Gwarm_rain;
如果有限区域的平均雷达回波强度Rave≥35dBZ,则判定区域为对流云降雨特征;对于对流回波,回波强度越强,则云顶发展则越高,云顶温度越低,则对应的卫星数值越低,同时由于卫星数据反映的是高耸的对流云顶信息,所以和地面回波位置上存在一定视角偏差;所以,这里采用一种最优概率排序配对策略来简化处理这些问题。将有限区域的卫星和雷达数据按照大小顺序排列S5,sort,R5,sort,卫星数据是采用递增顺序排列,回波按照递减顺序排列;最后将有限区域内的满足R5≥35dBZ的雷达回波和卫星(R5,S5)归入对流云数据集合Gcon_rain;
S5,sort:S1<S2<S3.....<Sn
R5,sort:R1>R2>R3.....>Rn
3)非均衡数据集合的最优阈值的判定,
对数据集合Gclear、Gstr_rain、Gwarm_rain和Gcon_rain的配对数据量是不同的,因此,在非均衡的数据集合进行二分阈值分析时候需要进行均衡处理,这里通过权重系数来实现。
步骤3)具体包括:
3.1)晴雨区分阈值划分计算:
分配给Gclear和Gstr_rain、Gwarm_rain以及Gcon_rain累积权重系数WSum(默认取1000),然后按照用于评分两边的数据集合内的数据量,将权重系数分配到各个数据集内的每个配对样本上;
Wclear=Wsum/Nclear
Wstr=Wsum*0.2/Nstr
Wwarm=Wsum*0.3/Nwarm
Wcon=Wsum*0.5/Ncon
Wclear为晴天数据集的权重系数,考虑到强天气的重要性,因此给与数据集Gstr_rain、Gwarm_rain和Gcon_rain的每个配对样本的权重系数Wclear,Wstr,Wwarm和Wcon不同的数值;
最后求联合概率Pclear_rain最大来判定晴雨分类的最优卫星阈值Sclear_TH;
式中的Si代表数据集合内的第i个配对数据的卫星采样数值;
3.2)一般性层云和暖雨云区分阈值划分计算:
将晴雨区分阈值划分中计算获得Sclear_TH作为已知代入,通过求联合概率Pstr最大来判定出可区分一般性层云和暖雨云区的最优卫星阈值Sstr_TH。此外,这里需按照评分两边的数据集合(Gclear和Gstr_rain)以及(Gwarm_rain和Gcon_rain)内的数据量,给与数据集的权重系数Wclear,Wstr,Wwarm和Wcon不同的数值;
3.3)暖雨云和对流云区分阈值划分计算:
将晴雨区分阈值划分中计算获得Sclear_TH,一般性层云降雨分类的最优卫星阈值Sstr_TH作为已知代入,通过求联合概率Pwarm最大来判定可区分暖雨云和对流降雨分类的最优卫星阈值Swarm_TH。此外,这里需按照评分两边的数据集合(Gclear、Gstr_rain和Gwarm_rain)以及(Gcon_rain)内的数据量,给与数据集的权重系数Wclear,Wstr,Wwarm和Wcon不同的数值;
进一步,步骤二中,
所述一般性层云降雨类型的滑动短时记忆回波模型:
Rs,str(x,y)=THstr,min+Astr*Fstr(S(x,y))*(THstr,max-THstr,min)
Fstr(S(x,y))=1.0-(S(x,y)-Sclear_TH)/(Sstr_TH-Sclear_TH)
式中,Rs,str为一般性层云的卫星反演雷达回波,THstr,min和THstr,max为一般性层云降雨类型中的最小和最大回波强度数值(默认可以分别取10,25dBZ),S(x,y)为位置(x,y)观测到的卫星数值。这里按照如下方式计算Astr拟合参数,采用时间滑动平均拟合策略。利用最小二乘法,基于t时刻的Gstr_rain,计算出t时刻的拟合参数Astr,t,而后基于过去1小时内拟合的不同时次的Astr,t,利用最小二乘法拟合出最优的Astr。
暖雨云类型的滑动短时记忆回波模型:
Rs,warm(x,y)=THwarm,min+(pow(Fwarm(S(x,y)Awarm)+Gades(x,y)*Bwarm))*(THwarm,max-THwarm,min)
Fwarm(S(x,y))=1.0-(S(x,y)-θstr_TH)/(Swarm_TH-Sstr_TH)
式中,Rs,warm为暖雨云的卫星反演雷达回波,THwarm,min和THwarm,max为暖雨云降雨类型中的最小和最大回波强度数值(默认可以分别取25,35dBZ)。这里按照如下方式计算Awarm和Bwarm拟合参数。式中的Gades(x,y)表示为位置(x,y)处的卫星数值的梯度的绝对值。
考虑到暖雨云在不同的纬度上其发展存在一定的差异,因此,这里采用时间和空间的双滑动拟合策略。算法首先假设Bwarm为0,然后采用利用最小二乘法,基于t时刻的数据集Gwarm_rain,计算出t时刻的拟合参数Awarm,而后基于过去1小时内拟合的不同时次的Awarm,利用最小二乘法拟合出1小时尺度上的最优的Awarm。
Bwarm的计算是假设Awarm不变,然后将卫星反演区域按照金字塔策略,依次分为n层,每层按照固定间隔,利用最小二乘法进行局地区域统计Bwarm。如果第n层的局地统计信息量不足,则采用第n+1层局地区域统计的Bwarm来近似。这里设定第一层的间隔Space1为100,局地统计空间直径为LocalStatRoom1为100;第二层的间隔Space2=Space1*2,局地统计空间直径为LocalStatRoom2=LocalStatRoom1*2;依次类推,第n层的间隔为Spacen=Spacen-1*2,局地统计空间直径为LocalStatRoomn=LocalStatRoomn-1*2。如果第n层的LocalStatRoomn大小超过或者等于卫星反演区域的min(RowNums,ColNums)*0.5(RowNums,ColNums分别为卫星反演区域的行列格点数),则第n+1层选择为全场统计信息即可,金字塔构建结束。
对流云的滑动短时记忆回波模型:
Rs,con(x,y)=THcon,min+pow(Fcon(S(x,y),Acon)*(THcon,max-THcon,min)+Gades(x,y)*Bcon+Stds(x,y)*Ccon
Fcon(S(x,y))=1.0-(S(x,y)-Swarm_TH)/(Scon_TH-Swarm_TH)
式中,Rs,con为对流云的卫星反演雷达回波,THcon,min和THcon,max为对流云降雨类型中的最小和最大回波强度数值(最小默认可以分别取35,55dBZ)。这里按照如下方式计算Awarm和Bwarm拟合参数。式中的Gades(x,y)表示为位置(x,y)处的卫星数值的梯度的绝对值。Stds(x,y)表示为位置(x,y)处的卫星数值的区域均方差。
考虑到对流云在不同的纬度上其发展存在一定的差异,因此,这里也是采用时间和空间的双滑动拟合策略。
算法首先假设Bcon和Ccon为0,然后利用最小偏差法,基于t时刻的数据集Gwarm_rain,计算出t时刻的拟合参数Acon。
所述最小偏差法进行参数确定包括:将测试阈值参数依次代入下式,计算出基于卫星反演回波和实况回波的偏差数值;其中,Rs代表反演回波;Ro代表观测回波;N代表统计格点个数:
由于对流云发展较快导致不同时次的参数变化较快,因此,这里采用一个随时间权重变化的Cos函数来计算出1小时时间尺度上的最优的Acon。
Bcon和Ccon的计算是假设Awarm不变,然后将卫星反演区域按照金字塔策略,依次分为n层,每层按照固定间隔,利用偏最小二乘法进行局地区域统计Bcon和Ccon。如果第n层的局地统计信息量不足,则采用第n+1层局地区域统计的Bcon和Ccon来近似。这里设定第一层的间隔Space1为100,局地统计空间直径为LocalStatRoom1为100;第二层的间隔Space2=Space1*2,局地统计空间直径为LocalStatRoom2=LocalStatRoom1*2;依次类推,第n层的间隔为Spacen=Spacen-1*2,局地统计空间直径为LocalStatRoomn=LocalStatRoomn-1*2。如果第n层的LocalStatRoomn大小超过或者等于卫星反演区域的min(RowNums,ColNums)*0.5(RowNums,ColNums分别为卫星反演区域的行列格点数),则第n+1层选择为全场统计信息即可,金字塔构建结束。
本发明的另一目的在于一种实施所述卫星反演雷达回波的方法的卫星反演雷达回波系统,所述卫星反演雷达回波系统包括:
分阈值构建模块,用于通过静止卫星联合对应时次的组网回波动态构建晴雨区分阈值,一般性层云和暖雨云区分阈值,暖雨云和对流云区分阈值;
模型构建模块,用于通过动态调整范式的一般性层云、暖雨云和对流云三类非线性回波模型,构建卫星反演雷达回波数字模型;
反演模块,用于利用构建的卫星反演雷达回波数字模型进行卫星反演雷达回波。
本发明的另一目的在于一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行所述卫星反演雷达回波的方法,包括下列步骤:
步骤1,通过静止卫星联合对应时次的组网回波动态构建晴雨区分阈值,一般性层云和暖雨云区分阈值,暖雨云和对流云区分阈值;
步骤2,通过动态调整范式的一般性层云、暖雨云,对流云三类非线性回波模型,构建卫星反演雷达回波数字模型;
步骤3,利用构建的卫星反演雷达回波数字模型进行卫星反演雷达回波。
本发明的另一目的在于一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如所述的卫星反演雷达回波的方法。
本发明的另一目的在于一种所述卫星反演雷达回波的方法的导航雷达,所述导航雷达通过搭载的卫星反演雷达回波系统进行卫星反演雷达回波,所述卫星反演雷达回波系统包括:
分阈值构建模块,用于通过静止卫星联合对应时次的组网回波动态构建晴雨区分阈值,一般性层云和暖雨云区分阈值,暖雨云和对流云区分阈值;
模型构建模块,用于通过动态调整范式的一般性层云、暖雨云和对流云三类非线性回波模型,构建卫星反演雷达回波数字模型;
反演模块,用于利用构建的卫星反演雷达回波数字模型进行卫星反演雷达回波。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明基于新一代静止卫星联合对应时次的部分区域雷达回波进行全区域的卫星反演雷达回波。方法通过构建静止卫星和雷达回波的有限空间最优概率配对模型来估测晴雨区分阈值,一般性层云和暖雨云区分阈值,暖雨云和对流云区分阈值;通过构建一般性层云、暖雨云,对流云三类滑动短时记忆回波模型生成降雨分型的卫星反演雷达回波数字模型;最后,利用降雨分型的卫星反演雷达回波数字模型进行卫星观测范围的完整卫星反演雷达回波。本发明能够完整的监测卫星监测范围内的台风水平结构特征,能够很好的弥补雷达组网监测范围中海上部分的台风等强天气的观测信息的不足,此外,对于陆地区域,其强度分布形态上也和原有雷达实况较接近;同时本发明的反演回波误差较小,即本发明的回波反演与实况较为接近,能够真实的反应实际状况。
附图说明
图1是本发明实施例提供的基于FY4A资料的日夜通用的卫星反演雷达回波的方法流程图。
图2是本发明实施例提供的基于FY4A资料的日夜通用的卫星反演雷达回波系统结构示意图。
图中:1、分阈值构建模块;2、模型构建模块;3、反演模块。
图3是本发明实施例提供的非线性模型函数示意图。
图4是本发明实施例提供的utc201908090600的卫星反演的回波和浙江地区雷达组合反射率拼图比较示意图。
图中:a为卫星反演回波,b为浙江地区的雷达组合反射率拼图。
图5是本发明实施例提供的utc201908091500的卫星反演的回波和浙江地区雷达组合反射率拼图比较示意图。
图中:a为卫星反演回波,b为浙江地区的雷达组合反射率拼图。
图6是本发明实施例提供的超过30dBZ的卫星反演雷达回波的平均误差时序图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有的卫星反演雷达回波的方法不稳定,误差较大,且与实况差别较大。
针对现有技术存在的问题,本发明提供了一种卫星反演雷达回波的方法、卫星反演雷达回波及导航雷达,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于FY4A资料的日夜通用的卫星反演雷达回波的方法包括:
S101,基于静止卫星联合对应时次的部分区域的雷达回波,通过构建静止卫星和雷达回波的有限空间最优概率配对模型动态估测晴雨区分阈值、一般性层云和暖雨云区分阈值、暖雨云和对流云区分阈值。
S102,通过构建一般性层云、暖雨云,对流云三类滑动短时记忆回波模型生成降雨分型的卫星反演雷达回波数字模型。
S103,利用构建的降雨分型的卫星反演雷达回波数字模型进行卫星反演雷达回波。
步骤S102中,本发明实施例提供的一般性层云、暖雨云,对流云三类回波模型为:
一般性层云降雨类型的滑动短时记忆回波模型:
Rs,str(x,y)=THstr,min+Astr*Fstr(S(x,y))*(THstr,max-THstr,min)
Fstr(S(x,y))=1.0-(S(x,y)-Sclear_TH)/(Sstr_TH-Sclear_TH)
式中,Rs,str为一般性层云的卫星反演雷达回波,THstr,min和THstr,max为一般性层云降雨类型中的最小和最大回波强度数值,S(x,y)为位置(x,y)观测到的卫星数值;利用最小二乘法,基于t时刻的Gstr_rain,计算出t时刻的拟合参数Astr,t,而后基于过去1小时内拟合的不同时次的Astr,t,利用最小二乘法拟合出最优的Astr;
暖雨云类型的滑动短时记忆回波模型:
Rs,warm(x,y)=THwarm,min+(pow(Fwarm(S(x,y),Awarm)+Gades(x,y)*Bwarm)*(THwarm,max-THwarm,min)
Fwarm(S(x,y))=1.0-(S(x,y)-Sstr_TH)/(Swarm_TH-Sstr_TH)
式中,Rs,warm为暖雨云的卫星反演雷达回波,THwarm,min和THwarm,max为暖雨云降雨类型中的最小和最大回波强度数值;Gades(x,y)表示为位置(x,y)处的卫星数值的梯度的绝对值。
采用时间和空间的双滑动拟合策略,首先设定Bwarm为0,利用最小二乘法,基于t时刻的数据集Gwarm_rain,计算出t时刻的拟合参数Awarm;而后基于过去1小时内拟合的不同时次的Awarm,利用最小二乘法拟合出1小时尺度上的最优的Awarm;
对流云的滑动短时记忆回波模型:
Rs,con(x,y)=THcon,min+pow(Fcon(S(x,y),Acon)*(THcon,max-THcon,min)+Gades(x,y)*Bcon+Stds(x,y)*Ccon
Fcon(S(x,y))=1.0-(S(x,y)-Swarm_TH)/(Scon_TH-Swarm_TH)
式中,Rs,con为对流云的卫星反演雷达回波,THcon,min和THcon,max为对流云降雨类型中的最小和最大回波强度数值;Gades(x,y)表示为位置(x,y)处的卫星数值的梯度的绝对值。Stds(x,y)表示为位置(x,y)处的卫星数值的区域均方差。采用时间和空间的双滑动拟合策略,首先设Bcon和Ccon为0,然后利用最小偏差法,基于t时刻的数据集Gwarm_rain,计算出t时刻的拟合参数Acon;
所述最小偏差法进行参数确定包括:将测试阈值参数在合理数值范围内通过下式依次计算出对应的偏差数值,通过计算出基于卫星反演回波和实况回波的最小偏差数值,从而确定最优的测试阈值参数;其中,Rs代表反演回波;Ro代表观测回波;N代表统计格点个数:
如图2所示,本发明实施例提供的基于FY4A资料的日夜通用的卫星反演雷达回波系统包括:
分阈值构建模块1,用于通过静止卫星联合对应时次的组网回波动态构建晴雨区分阈值,一般性层云和暖雨云区分阈值,暖雨云和对流云区分阈值。
模型构建模块2,用于通过动态调整范式的一般性层云、暖雨云,对流云三类非线性回波模型,构建卫星反演雷达回波数字模型。
反演模块3,用于利用构建的卫星反演雷达回波数字模型进行卫星反演雷达回波。
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例1:
本发明的日夜通用反演算法通过静止卫星联合对应时次的组网回波动态构建晴雨区分阈值,一般性层云和暖雨云区分阈值,暖雨云和对流云区分阈值,然后通过动态调整范式的一般性层云、暖雨云,对流云三类回波模型。
一般性层云降雨类型的滑动短时记忆回波模型:
Rs,str(x,y)=THstr,min+Astr*Fstr(S(x,y))*(THstr,max-THstr,min)
Fstr(S(x,y))=1.0-(S(x,y)-Sclear_TH)/(Sstr_TH-Sclear_TH)
式中,Rs,str为一般性层云的卫星反演雷达回波,THstr,min和THstr,max为一般性层云降雨类型中的最小和最大回波强度数值,S(x,y)为位置(x,y)观测到的卫星数值;利用最小二乘法,基于t时刻的Gstr_rain,计算出t时刻的拟合参数Astr,t,而后基于过去1小时内拟合的不同时次的Astr,t,利用最小二乘法拟合出最优的Astr;
暖雨云类型的滑动短时记忆回波模型:
Rs,warm(x,y)=THwarm,min+(pow(Fwarm(S(x,y),Awarm)+Gades(x,y)*Bwarm)*(THwarm,max-THwarm,min)
Fwarm(S(x,y))=1.0-(S(x,y)-Sstr_TH)/(Swarm_TH-Sstr_TH)
式中,Rs,warm为暖雨云的卫星反演雷达回波,THwarm,min和THwarm,max为暖雨云降雨类型中的最小和最大回波强度数值;Gades(x,y)表示为位置(x,y)处的卫星数值的梯度的绝对值。
采用时间和空间的双滑动拟合策略,首先设定Bwarm为0,利用最小二乘法,基于t时刻的数据集Gwarm_rain,计算出t时刻的拟合参数Awarm;而后基于过去1小时内拟合的不同时次的Awarm,利用最小二乘法拟合出1小时尺度上的最优的Awarm;
对流云的滑动短时记忆回波模型:
Rs,con(x,y)=THcon,min+pow(Fcon(S(x,y),Acon)*(THcon,max-THcon,min)+Gades(x,y)*Bcon+Stds(x,y)*Ccon
Fcon(S(x,y))=1.0-(S(x,y)-Swarm_TH)/(Scon_TH-Swarm_TH)
式中,Rs,con为对流云的卫星反演雷达回波,THcon,min和THcon,max为对流云降雨类型中的最小和最大回波强度数值;Gades(x,y)表示为位置(x,y)处的卫星数值的梯度的绝对值。Stds(x,y)表示为位置(x,y)处的卫星数值的区域均方差。采用时间和空间的双滑动拟合策略,首先设Bcon和Ccon为0,然后利用最小偏差法,基于t时刻的数据集Gwarm_rain,计算出t时刻的拟合参数Acon;
所述最小偏差法进行参数确定包括:将测试阈值参数在合理数值范围内通过下式依次计算出对应的偏差数值,通过计算出基于卫星反演回波和实况回波的最小偏差数值,从而确定最优的测试阈值参数;其中,Rs代表反演回波;Ro代表观测回波;N代表统计格点个数:
在评估卫星反演和实况的相似性问题上,测试了3类方法,分别是CSI方法(公式2)、基尼系数(Gini)方法(公式3)以及最小偏差法(公式4),从实际效果来看,最小偏差法更为稳定,效果更好些。
CSI=A/(A+B+C) (2)
公式2中,A代表卫星反演回波>TH,雷达回波观测>TH的格点数;B代表卫星反演回波>TH,雷达回波观测<=TH的格点数;C代表卫星反演回波<=TH,雷达回波观测>TH的格点数。
公式4中,测试阈值参数逐代入后,然后计算出基于卫星反演回波和实况回波的偏差数值;Rs代表了反演回波;Ro代表了观测回波;N代表了统计格点个数。
将该静止卫星反演算法对台风利奇马世界时2019年8月9日04时到2019年9日23时的逐1小时的静止卫星资料进行回波反演,并和浙江地区雷达组合反射率拼图(图4,5)比较表明,卫星反演回波对利奇马台风水平结构特征监测更为完整,其很好的弥补了雷达组网范围中海上的台风观测信息,此外,对于陆地区域,其强度分布形态上也和原有雷达实况较接近。在登陆前(图4)其强降水对应的强回波区域位于台风中心的南侧,而在的登陆时(图5)中心北侧螺旋云带发展旺盛,中心南侧对流活动相对较弱,呈现出不对称结构。
对组网范围内所有雷达的雷达半径<200km内的>30dBZ的雷达组合反射率进行逐格点的检验,利用公式4评估基于静止卫星反演的雷达回波和实况观测的偏差。误差评估的时序图结果表明,在Utc8月9日04时到9日23时大部分时段内反演回波的平均误差都在5dBZ左右,说明反演和实况较为接近。
图6是本发明实施例提供的超过30dBZ的卫星反演雷达回波的平均误差时序图。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,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揭露的技术范围内,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,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种卫星反演雷达回波的方法,其特征在于,所述卫星反演雷达回波的方法包括:
步骤一,基于静止卫星联合对应时次的部分区域的雷达回波,通过构建静止卫星和雷达回波的有限空间最优概率配对模型动态估测晴雨区分阈值、一般性层云和暖雨云区分阈值、暖雨云和对流云区分阈值;
步骤二,通过构建一般性层云、暖雨云和对流云三类滑动短时记忆回波模型生成降雨分型的卫星反演雷达回波数字模型;
所述一般性层云降雨类型的滑动短时记忆回波模型:
Rs,str(x,y)=THstr,min+Astr*Fstr(S(x,y))*(THstr,max-THstr,min)
Fstr(S(x,y))=1.0-(S(x,y)-Sclear TH)/(Sstr TH-Sclear TH)
式中,Rs,str为一般性层云的卫星反演雷达回波,THstr,min和THstr,max为一般性层云降雨类型中的最小和最大回波强度数值,S(x,y)为位置(x,y)观测到的卫星数值;利用最小二乘法,基于t时刻的Gstr_rain,计算出t时刻的拟合参数Astr,t,而后基于过去1小时内拟合的不同时次的Astr,t,利用最小二乘法拟合出最优的Astr;
暖雨云类型的滑动短时记忆回波模型:
Rs,warm(x,y)=THwarm,min+(pow(Fwarm(S(x,y)),Awarm)+Gades(x,y)*Bwarm)*(THwarm,max-THwarm,min)
Fwarm(S(x,y))=1.0-(S(x,y)-Sstr_TH)/(Swarm_TH-Sstr_TH)
式中,Rs,warm为暖雨云的卫星反演雷达回波,THwarm,min和THwarm,max为暖雨云降雨类型中的最小和最大回波强度数值;Gades(x,y)表示为位置(x,y)处的卫星数值的梯度的绝对值;
采用时间和空间的双滑动拟合策略,首先设定Bwarm为0,利用最小二乘法,基于t时刻的数据集Gwarm_rain,计算出t时刻的拟合参数Awarm,t;而后基于过去1小时内拟合的不同时次的Awarm,t,利用最小二乘法拟合出1小时尺度上的最优的Awarm;
对流云的滑动短时记忆回波模型:
Rs,con(x,y)=THcon,min+pow(Fcon(S(x,y)),Acon)*(THcon,max-THcon,min)+Gades(x,y)*Bcon+Stds(x,y)*Ccon
Fcon(S(x,y))=1.0-(S(x,y)-Swarm_TH)/(Scon_TH-Swarm_TH)
式中,Rs,con为对流云的卫星反演雷达回波,THcon,min和THcon,max为对流云降雨类型中的最小和最大回波强度数值;Gades(x,y)表示为位置(x,y)处的卫星数值的梯度的绝对值;Stds(x,y)表示为位置(x,y)处的卫星数值的区域均方差;采用时间和空间的双滑动拟合策略,首先设Bcon和Ccon为0,然后利用最小偏差法,基于t时刻的对流云数据集合Gcon_rain,计算出t时刻的拟合参数Acon;
所述最小偏差法进行参数确定包括:将测试阈值参数在合理数值范围内通过下式依次计算出对应的偏差数值,通过计算出基于卫星反演回波和实况回波的最小偏差数值,从而确定最优的测试阈值参数;其中,Rs代表反演回波;Ro代表观测回波;N代表统计格点个数:
步骤三,利用构建的降雨分型的卫星反演雷达回波数字模型进行卫星反演雷达回波。
2.如权利要求1所述卫星反演雷达回波的方法,其特征在于,步骤一中,所述构建静止卫星和雷达回波的有限空间最优概率配对时序模型以及划分阈值确定分为以下步骤:
1)预处理:将静止卫星资料从原始的4km分辨率通过双线性插值到1km,这样使得卫星格点数据和雷达组网回波的格点分辨率一致;将卫星和雷达回波进行5x5格点平均处理为S5,R5;
2)将雷达组网区域内分成等距的有限区域,然后进行不同类型的配对数据集的构建;
式中,如果有限区域的平均雷达回波强度Rave<10dBZ,则判定区域为晴空特征,则将有限区域内每个空间配对的雷达回波和卫星(R5,S5)归入晴天数据集合Gclear;
如果有限区域的平均雷达回波强度Rave≥10dBZ并且Rave<25dBZ,则判定区域为层云降雨特征,将有限区域内每个空间配对的雷达回波和卫星(R5,S5)归入一般性层云数据集合Gstr_rain;
如果有限区域的平均雷达回波强度Rave≥25dBZ并且Rave<35dBZ,则判定区域为暖雨云降雨特征,将有限区域内的满足R5≥25dBZ&&R5<35dBZ的每个空间配对的雷达回波和卫星(R5,S5)归入暖雨云数据集合Gwarm_rain;
如果有限区域的平均雷达回波强度Rave≥35dBZ,则判定区域为对流云降雨特征;将有限区域的卫星和雷达数据按照大小顺序排列S5,sort,R5,sort,卫星数据是采用递增顺序排列,回波按照递减顺序排列;最后将有限区域内的满足R5≥35dBZ的雷达回波和卫星(R5,S5)归入对流云数据集合Gcon_rain;
S5,sort:S1<S2<S3.....<Sn
R5,sort:R1>R2>R3.....>Rn
3)非均衡数据集合的最优阈值的判定。
3.如权利要求2所述卫星反演雷达回波的方法,其特征在于,步骤3)具体包括:
3.1)晴雨区分阈值划分计算:
分配给Gclear和Gstr_rain、Gwarm_rain以及Gcon_rain累积权重系数WSum,然后按照用于评分两边的数据集合内的数据量,将权重系数分配到各个数据集内的每个配对样本上;
Wclear=Wsum/Nclear
Wstr=Wsum*0.2/Nstr
Wwarm=Wsum*0.3/Nwarm
Wcon=Wsum*0.5/Ncon
Wclear为晴天数据集的权重系数,考虑到强天气的重要性,因此给与数据集的每个配对样本的权重系数Wclear,Wstr,Wwarm和Wcon不同的数值;
最后求联合概率Pclear_rain最大来判定晴雨分类的最优卫星阈值Sclear_TH;
式中的Si代表数据集合内的第i个配对数据的卫星采样数值;
3.2)一般性层云和暖雨云区分阈值划分计算:
将晴雨区分阈值划分中计算获得Sclear_TH作为已知代入,通过求联合概率Pstr最大来判定出可区分一般性层云和暖雨云区的最优卫星阈值Sstr_TH;此外,这里需按照评分两边的数据集合(Gclear和Gstr_rain)以及(Gwarm_rain和Gcon_rain)内的数据量,给与数据集的权重系数Wclear,Wstr,Wwarm和Wcon不同的数值;
3.3)暖雨云和对流云区分阈值划分计算:
将晴雨区分阈值划分中计算获得Sclear_TH,一般性层云降雨分类的最优卫星阈值Sstr_TH作为已知代入,通过求联合概率Pwarm最大来判定可区分暖雨云和对流降雨分类的最优卫星阈值Swarm_TH;此外,这里需按照评分两边的数据集合(Gclear、Gstr_rain和Gwarm_rain)以及(Gcon_rain)内的数据量,给与数据集的权重系数Wclear,Wstr,Wwarm和Wcon不同的数值;
4.一种实施如权利要求1-3任意一项所述卫星反演雷达回波的方法的卫星反演雷达回波系统,其特征在于,所述卫星反演雷达回波系统包括:
分阈值构建模块,用于通过静止卫星联合对应时次的组网回波动态构建晴雨区分阈值,一般性层云和暖雨云区分阈值,暖雨云和对流云区分阈值;
模型构建模块,用于通过动态调整范式的一般性层云、暖雨云和对流云三类非线性回波模型,构建卫星反演雷达回波数字模型;
反演模块,用于利用构建的卫星反演雷达回波数字模型进行卫星反演雷达回波。
5.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求1-3任意一项所述卫星反演雷达回波的方法,包括下列步骤:
步骤1,通过静止卫星联合对应时次的组网回波动态构建晴雨区分阈值,一般性层云和暖雨云区分阈值,暖雨云和对流云区分阈值;
步骤2,通过动态调整范式的一般性层云、暖雨云和对流云三类非线性回波模型,构建卫星反演雷达回波数字模型;
步骤3,利用构建的卫星反演雷达回波数字模型进行卫星反演雷达回波。
6.一种执行权利要求1-3任意一项所述卫星反演雷达回波的方法的导航雷达,所述导航雷达通过搭载的卫星反演雷达回波系统进行卫星反演雷达回波,所述卫星反演雷达回波系统包括:
分阈值构建模块,用于通过静止卫星联合对应时次的组网回波动态构建晴雨区分阈值,一般性层云和暖雨云区分阈值,暖雨云和对流云区分阈值;
模型构建模块,用于通过动态调整范式的一般性层云、暖雨云,对流云三类非线性回波模型,构建卫星反演雷达回波数字模型;
反演模块,用于利用构建的卫星反演雷达回波数字模型进行卫星反演雷达回波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010523077.2A CN111474529B (zh) | 2020-06-10 | 2020-06-10 | 卫星反演雷达回波的方法、反演雷达回波系统及导航雷达 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010523077.2A CN111474529B (zh) | 2020-06-10 | 2020-06-10 | 卫星反演雷达回波的方法、反演雷达回波系统及导航雷达 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111474529A CN111474529A (zh) | 2020-07-31 |
CN111474529B true CN111474529B (zh) | 2023-07-07 |
Family
ID=71763803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010523077.2A Active CN111474529B (zh) | 2020-06-10 | 2020-06-10 | 卫星反演雷达回波的方法、反演雷达回波系统及导航雷达 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111474529B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112198483A (zh) * | 2020-09-28 | 2021-01-08 | 上海眼控科技股份有限公司 | 卫星反演雷达的数据处理方法、装置、设备及存储介质 |
CN112666527B (zh) * | 2020-12-03 | 2023-03-07 | 象辑科技股份有限公司 | 一种融合实况降水数据的天气雷达滤波方法 |
CN112835046B (zh) * | 2021-01-07 | 2024-03-29 | 航天新气象科技有限公司 | 基于bp环境感知的风廓线雷达自适应探测方法及系统 |
CN115144835B (zh) * | 2022-09-02 | 2023-01-03 | 南京信大气象科学技术研究院有限公司 | 一种基于神经网络的卫星反演天气雷达反射率的方法 |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091407A1 (fr) * | 2014-12-12 | 2016-06-16 | Thales | Procede de detection radar distinguant les echos de pluie et radar mettant en œuvre un tel procede |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3472832B2 (ja) * | 2001-08-06 | 2003-12-02 | 独立行政法人通信総合研究所 | 山岳域の降雨強度推定方法及びシステム |
CN102628944B (zh) * | 2012-03-16 | 2014-03-26 | 兰州大学 | 一种基于多普勒雷达资料的层云与对流云自动识别方法 |
KR101524948B1 (ko) * | 2013-12-18 | 2015-06-01 | 한국항공우주연구원 | 위성 자료 및 레이더 자료를 이용한 강수량 추정방법 및 위성 기반 강수량의 보정방법 |
CN108445464B (zh) * | 2018-03-12 | 2021-09-10 | 南京恩瑞特实业有限公司 | 基于机器学习的卫星雷达反演融合方法 |
CN109117747A (zh) * | 2018-07-23 | 2019-01-01 | 电子科技大学 | 基于循环平稳与深度卷积神经网络的雷达信号分类方法 |
CN109814175B (zh) * | 2019-02-14 | 2021-01-26 | 浙江省气象台 | 一种基于卫星的强对流监测方法及其应用 |
CN110942111B (zh) * | 2019-12-31 | 2022-11-29 | 北京弘象科技有限公司 | 一种识别强对流云团的方法及装置 |
-
2020
- 2020-06-10 CN CN202010523077.2A patent/CN111474529B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091407A1 (fr) * | 2014-12-12 | 2016-06-16 | Thales | Procede de detection radar distinguant les echos de pluie et radar mettant en œuvre un tel procede |
Non-Patent Citations (2)
Title |
---|
风云二号卫星资料在雷达降水估测中的应用;任靖 等;遥感信息(第03期);全文 * |
风云静止卫星资料在一次暴雨云分析中的应用;李红莉 等;热带气象学报(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111474529A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111474529B (zh) | 卫星反演雷达回波的方法、反演雷达回波系统及导航雷达 | |
Zeng et al. | Daily global solar radiation in China estimated from high‐density meteorological observations: a random forest model framework | |
Yin et al. | Comparison of physical and data-driven models to forecast groundwater level changes with the inclusion of GRACE–A case study over the state of Victoria, Australia | |
CN107678075A (zh) | 一种基于国产卫星的城市热岛效应监测方法和系统 | |
CN112764129A (zh) | 一种雷暴短临预报方法、系统及终端 | |
Mederos et al. | An offshore wind atlas for the Canary Islands | |
Pereira et al. | Method for solar resource assessment using numerical weather prediction and artificial neural network models based on typical meteorological data: Application to the south of Portugal | |
Devis et al. | A new statistical approach to downscale wind speed distributions at a site in northern Europe | |
de Araujo | Performance comparison of solar radiation forecasting between WRF and LSTM in Gifu, Japan | |
Gao et al. | A global climate analysis of wave parameters with a focus on wave period from 1979 to 2018 | |
Shi et al. | First estimation of high-resolution solar photovoltaic resource maps over China with Fengyun-4A satellite and machine learning | |
Alerskans et al. | A transformer neural network for predicting near‐surface temperature | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
Vecchi et al. | An observing system simulation experiment for the Indian Ocean | |
CN114676621A (zh) | 基于深度学习权重负载提高陆地水储量异常准确性方法 | |
Garniwa et al. | Intraday forecast of global horizontal irradiance using optical flow method and long short-term memory model | |
Wang et al. | A new horizontal mixing-length formulation for numerical simulations of tropical cyclones | |
CN111488553A (zh) | 一种太阳辐照度计算方法及装置 | |
Shenoy et al. | Sensitivity of physical schemes on simulation of severe cyclones over Bay of Bengal using WRF-ARW model | |
Chu et al. | A Machine Learning-Based Method for Wind Fields Forecasting Utilizing GNSS Radio Occultation Data | |
Lee et al. | Satellite‐based assessment of the impact of sea‐surface winds on regional atmospheric circulations over the Korean Peninsula | |
Xiong et al. | Research on quality control methods for surface temperature observations via spatial correlation analysis | |
Sun et al. | Construction of a spatially gridded heat flux map based on airborne flux Measurements using remote sensing and machine learning methods | |
Zhang et al. | Spatial Distribution of High-temperature Risk with a Return Period of Different Years in the Yangtze River Delta Urban Agglomeration | |
Li et al. | SARAL-AltiKa Wind and Significant Wave Height for Offshore Wind Energy Applications in the New England Region. Remote Sens. 2021, 13, 57 |
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: Zhejiang meteorological disaster prevention and Mitigation Center (Zhejiang meteorological building), no.256 Guokang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: ZHEJIANG METEOROLOGICAL OBSERVATORY Address before: 310021 Zhejiang meteorological science and technology building, No. 73, Genxi Road, Hangzhou, Zhejiang Province Applicant before: ZHEJIANG METEOROLOGICAL OBSERVATORY |
|
GR01 | Patent grant | ||
GR01 | Patent grant |