CN111505739B - 利用高频星地链路多特征量进行晴雨时刻判定的方法 - Google Patents

利用高频星地链路多特征量进行晴雨时刻判定的方法 Download PDF

Info

Publication number
CN111505739B
CN111505739B CN202010237859.XA CN202010237859A CN111505739B CN 111505739 B CN111505739 B CN 111505739B CN 202010237859 A CN202010237859 A CN 202010237859A CN 111505739 B CN111505739 B CN 111505739B
Authority
CN
China
Prior art keywords
weather
signal
ground link
satellite
following
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
CN202010237859.XA
Other languages
English (en)
Other versions
CN111505739A (zh
Inventor
刘西川
咸明皓
胡帅
高太长
印敏
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010237859.XA priority Critical patent/CN111505739B/zh
Publication of CN111505739A publication Critical patent/CN111505739A/zh
Priority to DE112021000018.7T priority patent/DE112021000018T5/de
Priority to PCT/CN2021/081658 priority patent/WO2021197089A1/zh
Priority to US17/501,350 priority patent/US20220035074A1/en
Application granted granted Critical
Publication of CN111505739B publication Critical patent/CN111505739B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/12—Sunshine duration recorders
    • 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
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • 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)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Hydrology & Water Resources (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Radio Relay Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种利用高频星地链路多特征量进行晴雨时刻判定的方法，通过滤波剔除星地链路噪声和闪烁引起的信号快速变化，然后提取包括标准差、趋势、最大值、最小值、平均值、偏度、峰度和信息熵在内的多个特征量，通过调整选择最优时间窗，最后利用分类算法实现晴雨时刻的判定。本发明的晴雨时刻判定方法能够准确地利用高频星地链路信号对晴雨期进行区分，实现对大范围晴雨分布情况的实时监测，对于进一步提高星地链路测雨精度，提升城市内涝监测、防汛预警水平等具有重要的意义。

Description

利用高频星地链路多特征量进行晴雨时刻判定的方法
技术领域
本发明涉及气象探测领域，具体涉及一种利用高频星地链路多特征量进行晴雨时刻判定的方法，更为具体的说是涉及利用星地链路信号变化，提取多个特征量，通过分类算法实现晴雨时刻的判定。
背景技术
自1977年基于近地面微波链路测量降雨的设想被提出后，利用近地面微波链路测量降雨的这一新方法因其易操作、成本低、精度高等优点引起了国内外学者的广泛关注并得到了长足发展。现在近地面微波链路不仅能够实现路径平均雨强、路径平均雨滴谱的反演并且在雷达定标、区域降水监测等方面发挥着重要的作用，已然成为传统降雨观测手段的辅助和补充。然而，距离微波链路测量降雨自动化的实现和业务使用仍有很大的差距，其中制约降雨自动化探测的一个重要因素就是晴雨时刻的识别，这直接关系到降雨探测结果的准确性。目前，已开展了大量的关于如何利用近地面微波链路进行晴雨区分的研究，但仍不能满足实际应用的需求。
星地链路作为一类特殊的微波链路，利用其探测降雨的方法成为当前新兴的前沿问题。一般而言，星地链路工作频段多集中在L、C、Ku和Ka等高频波段，信号易受外界因素的干扰，同时由于星地链路穿过整层大气，大气中气体、云雾、沙尘、闪烁和降水等多种因素也会导致信号变化比近地面微波链路更复杂。目前，对星地链路探测降雨方法的研究刚刚起步，而其中对晴雨时刻的准确判断，是反演降雨强度的必要前提。因此，实现基于星地链路高频信号的晴雨时刻区分，不仅能够提高星地链路探测降雨的精度，而且对推动星地链路降雨探测的广泛应用具有重要意义。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种利用高频星地链路多特征量进行晴雨时刻判定的方法，通过分析高频信号的变化规律，提取晴雨时刻具有明显差异的特征量，利用分类算法实现晴雨时刻的识别。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种利用高频星地链路多特征量进行晴雨时刻判定的方法，包括以下步骤：
步骤一：搭建高频星地链路。
步骤二：以ΔT的间隔对链路进行时域采样得到原始接收信号SN。
步骤三：利用小波分析方法对原始接收信号SN滤波，剔除对流层闪烁引起的快速变化，得到信号S(n)。
步骤四：针对每一时刻的信号S(n)，提取信号S(n)的特征量。
步骤五：调整每个特征量的计算窗区Wi，选择最优时间窗W。
步骤六：以x1和x2分别表示两个不同时刻信号的由步骤四得到的特征量组成的特征向量，选取高斯核函数K(x1,x2)和惩罚因子C：
Figure BDA0002431605560000021
其中，σ表示带宽，控制核函数作用范围；
构造最优化问题：
Figure BDA0002431605560000022
其中，y代表分类结果，α代表拉格朗日乘子。
步骤七：基于二次规划问题求解最优α，并构造决策函数G(x)实现晴雨时刻区分：
Figure BDA0002431605560000023
其中，SV表示支持向量。
优选的：步骤三中利用小波分析方法对原始接收信号SN滤波的方法：首先确定小波分解层次为3，然后开始小波分解计算，并对小波分解高频系数的阈值量化，最后根据小波分解的最底层低频系数和各层高频系数进行一维小波重构，得到信号S(n)。
优选的：步骤四提取信号S(n)的方法：选取给定的理想时间窗W，提取第n时刻信号S(n)的以下特征量，包括：
(1)标准差Std
Figure BDA0002431605560000024
(2)趋势Trd
Figure BDA0002431605560000025
(3)最大值Max
Max(S(n))＝max(S(n-N+i))，i＝1,2,...,N
(4)最小值Min
Min(S(n))＝min(S(n-N+i))，i＝1,2,...,N
(5)平均值Ave
Figure BDA0002431605560000031
(6)峰度Kur
Figure BDA0002431605560000032
(7)偏度Ske
Figure BDA0002431605560000033
(8)信息熵En
Figure BDA0002431605560000034
其中，Δt表示信号采样时间间隔，
Figure BDA0002431605560000035
表示给定时间窗内信号强度平均值，pi代表n-N+i时刻信号电平值为S(n-N+i)的概率。
优选的：步骤五中选择最优时间窗W的方法：使得晴雨时刻特征量间的平均欧式距离最大：
Figure BDA0002431605560000036
其中，N'为有雨时刻的数量，M'为无雨时刻的数量，Ri'k为第i'个有雨时刻的第k个特征量，Sj'k为第j'个无雨时刻的是k个特征量。
优选的：步骤七中利用支持向量机SVM方法对逐个时刻的晴雨状态进行判定。
本发明相比现有技术，具有以下有益效果：
本发明针对星地链路探测降雨提出一种利用高频星地链路信号的特征量对晴雨时刻进行识别的方法，充分挖掘信号所包含的趋势、峰度和偏度等信息，并以支持向量机(SVM)分类算法为例，完成晴雨时刻的判定。本发明对于星地链路测量降雨新方法的进一步研究和改进以及推进其自动化探测的实现起着至关重要的作用。
附图说明
图1是利用高频星地链路多特征量进行晴雨时刻判定的实施流程图；
图2是利用高频星地链路多特征量进行晴雨时刻判定的实现效果图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种利用高频星地链路多特征量进行晴雨时刻判定的方法，利用高频星地链路信号，提取每一时刻的信号特征，根据分类算法实现晴雨时刻的判定。下面以小波分析进行滤波、支持向量机进行分类为例，如图1所示，包括以下步骤：
步骤一：搭建高频星地链路。
步骤二：以ΔT的间隔对链路进行时域采样得到原始接收信号SN。
步骤三：利用小波分析方法对原始接收信号SN滤波，剔除对流层闪烁引起的快速变化，得到信号S(n)。
首先选择Gaus小波，确定小波分解层次为3，然后开始小波分解计算，并对小波分解高频系数的阈值量化，最后根据小波分解的最底层低频系数和各层高频系数进行一维小波重构，最终实现SN滤波，得到信号S(n)。
步骤四：针对每一时刻的信号S(n)，提取信号S(n)的8个特征量。
选取给定的理想时间窗W，提取第n时刻信号S(n)的以下特征量，包括：
(1)标准差Std
Figure BDA0002431605560000041
(2)趋势Trd
Figure BDA0002431605560000042
(3)最大值Max
Max(S(n))＝max(S(n-N+i))，i＝1,2,...,N
(4)最小值Min
Min(S(n))＝min(S(n-N+i))，i＝1,2,...,N
(5)平均值Ave
Figure BDA0002431605560000051
(6)峰度Kur
Figure BDA0002431605560000052
(7)偏度Ske
Figure BDA0002431605560000053
(8)信息熵En
Figure BDA0002431605560000054
其中,Δt表示信号采样时间间隔，
Figure BDA0002431605560000055
表示给定时间窗内信号强度平均值，pi代表n-N+i时刻信号电平值为S(n-N+i)的概率。
步骤五：调整每个特征量的计算窗区Wi，选择最优时间窗W，使得晴雨时刻特征量间的平均欧式距离最大：
Figure BDA0002431605560000056
其中，N'为有雨时刻的数量，M'为无雨时刻的数量，Ri'k为第i'个有雨时刻的第k个特征量，Sj'k为第j'个无雨时刻的是k个特征量。
步骤六：以x1和x2分别表示两个不同时刻信号的由步骤四得到的8个特征量组成的特征向量，选取高斯核函数K(x1,x2)和适当的惩罚因子C：
Figure BDA0002431605560000057
其中，σ表示带宽，控制核函数作用范围。
构造最优化问题：
Figure BDA0002431605560000058
其中，y代表分类结果，α代表拉格朗日乘子。
步骤七：基于二次规划问题求解最优α，并构造决策函数G(x)实现晴雨时刻区分：
Figure BDA0002431605560000061
其中，SV表示支持向量。
利用支持向量机SVM方法对逐个时刻的晴雨状态进行判定，晴雨时刻判定的时序结果如图2所示，本发明的晴雨时刻判定方法能够准确地利用高频星地链路信号对晴雨期进行区分，实现对大范围晴雨分布情况的实时监测，对于进一步提高星地链路测雨精度，提升城市内涝监测、防汛预警水平等具有重要的意义。
虽然上述实施方案是以小波滤噪和支持向量机为例的，但凡涉及基于高频星地链路多特征量判定晴雨时刻的，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种利用高频星地链路多特征量进行晴雨时刻判定的方法，其特征在于，包括以下步骤：
步骤一：搭建高频星地链路；
步骤二：以ΔT的间隔对链路进行时域采样得到原始接收信号SN；
步骤三：利用小波分析方法对原始接收信号SN滤波，剔除对流层闪烁引起的快速变化，得到信号S(n)；
步骤四：针对每一时刻的信号S(n)，提取信号S(n)的特征量，其中特征量包括：标准差﹑趋势﹑最大值﹑最小值﹑平均值﹑峰度﹑偏度﹑信息熵；
步骤五：调整每个特征量的计算窗区Wi，选择最优时间窗W；
步骤六：以x1和x2分别表示两个不同时刻信号的由步骤四得到的特征量组成的特征向量，选取高斯核函数K(x1,x2)和惩罚因子C：
Figure FDA0003638091150000011
其中，σ表示带宽，控制核函数作用范围；
构造最优化问题：
Figure FDA0003638091150000012
Figure FDA0003638091150000013
0≤αi≤C
其中，y代表分类结果，α代表拉格朗日乘子；
步骤七：基于二次规划问题求解最优α，并构造决策函数G(x)实现晴雨时刻区分：
Figure FDA0003638091150000021
Figure FDA0003638091150000022
其中，SV表示支持向量；
所述步骤三中利用小波分析方法对原始接收信号SN滤波的方法：首先确定小波分解层次为3，然后开始小波分解计算，并对小波分解高频系数的阈值量化，最后根据小波分解的最底层低频系数和各层高频系数进行一维小波重构，得到信号S(n)。
2.根据权利要求1所述利用高频星地链路多特征量进行晴雨时刻判定的方法，其特征在于：步骤四提取信号S(n)的方法：选取给定的理想时间窗W，提取第n时刻信号S(n)的以下特征量，包括：
(1)标准差Std
Figure FDA0003638091150000023
(2)趋势Trd
Figure FDA0003638091150000024
(3)最大值Max
Max(S(n))＝max(S(n-N+i))，i＝1，2，...，N
(4)最小值Min
Min(S(n))＝min(S(n-N+i))，i＝1，2，...，N
(5)平均值Ave
Figure FDA0003638091150000031
(6)峰度Kur
Figure FDA0003638091150000032
(7)偏度Ske
Figure FDA0003638091150000033
(8)信息熵En
Figure FDA0003638091150000034
其中，Δt表示信号采样时间间隔，
Figure FDA0003638091150000035
表示给定时间窗内信号强度的平均值，pi代表n-N+i时刻信号电平值为S(n-N+i)的概率。
3.根据权利要求1所述利用高频星地链路多特征量进行晴雨时刻判定的方法，其特征在于：
步骤五中选择最优时间窗W的方法：使得晴雨时刻特征量间的平均欧式距离最大：
Figure FDA0003638091150000041
其中，N'为有雨时刻的数量，M'为无雨时刻的数量，Ri'k为第i'个有雨时刻的第k个特征量，Sj'k为第j'个无雨时刻的是k个特征量。
4.根据权利要求1所述利用高频星地链路多特征量进行晴雨时刻判定的方法，其特征在于：
步骤七中利用支持向量机SVM方法对逐个时刻的晴雨状态进行判定。
CN202010237859.XA 2020-03-30 2020-03-30 利用高频星地链路多特征量进行晴雨时刻判定的方法 Active CN111505739B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010237859.XA CN111505739B (zh) 2020-03-30 2020-03-30 利用高频星地链路多特征量进行晴雨时刻判定的方法
DE112021000018.7T DE112021000018T5 (de) 2020-03-30 2021-03-19 Verfahren zur Bestimmung der sonnigen und regnerischen Zeit unter Verwendung mehrerer Kenngrößen der Hochfrequenz-Satelliten-Boden-Verbindung
PCT/CN2021/081658 WO2021197089A1 (zh) 2020-03-30 2021-03-19 利用高频星地链路多特征量进行晴雨时刻判定的方法
US17/501,350 US20220035074A1 (en) 2020-03-30 2021-10-14 Method for Identifying Sunny and Rainy Moments by Utilizing Multiple Characteristic Quantities of High-frequency Satellite-ground Links

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010237859.XA CN111505739B (zh) 2020-03-30 2020-03-30 利用高频星地链路多特征量进行晴雨时刻判定的方法

Publications (2)

Publication Number Publication Date
CN111505739A CN111505739A (zh) 2020-08-07
CN111505739B true CN111505739B (zh) 2022-07-22

Family

ID=71864643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010237859.XA Active CN111505739B (zh) 2020-03-30 2020-03-30 利用高频星地链路多特征量进行晴雨时刻判定的方法

Country Status (4)

Country Link
US (1) US20220035074A1 (zh)
CN (1) CN111505739B (zh)
DE (1) DE112021000018T5 (zh)
WO (1) WO2021197089A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111505739B (zh) * 2020-03-30 2022-07-22 中国人民解放军国防科技大学 利用高频星地链路多特征量进行晴雨时刻判定的方法
CN113125840B (zh) * 2021-06-18 2021-09-28 武汉华瑞伏安电力科技有限公司 一种交流输电线路异常放电有效电流信号提取方法
CN117214455B (zh) * 2023-08-17 2024-03-26 江苏微之润智能技术有限公司 一种基于星地链路与微波链路组网的风速风向监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102707340A (zh) * 2012-06-06 2012-10-03 南京大学 一种基于视频图像的降雨量测量方法
CN103926635A (zh) * 2014-04-29 2014-07-16 中国人民解放军理工大学气象海洋学院 一种利用微波链路网络监测雨区分布的方法
CN109697323A (zh) * 2018-12-27 2019-04-30 武汉大学 一种融合卫星遥感和移动通信基站信号的降雨观测方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103616736A (zh) * 2013-09-06 2014-03-05 中国人民解放军理工大学 基于gnss信号去极化效应的降雨强度地基监测方法
CN103595430A (zh) * 2013-11-22 2014-02-19 中国人民解放军国防科学技术大学 星载ais信道化接收装置及接收方法
CN104570010B (zh) * 2014-11-04 2017-11-14 河北晶禾电子技术股份有限公司 便携式标准干扰源
CN105808948B (zh) * 2016-03-08 2017-02-15 中国水利水电科学研究院 一种自动修正的多模式数值降雨集合预报方法
KR20180044537A (ko) * 2016-10-24 2018-05-03 대한민국(기상청장) 에어로졸, 구름 및 강우 통합 관측 시스템 및 방법
RU2652642C1 (ru) * 2016-12-19 2018-04-28 Василий Николаевич Храмушин Способ построения гидродинамической модели источника штормовых нагонов и экстремальных течений под воздействием подвижного атмосферного тайфуна
US11204443B2 (en) * 2017-08-14 2021-12-21 Ramot At Tel-Aviv University Ltd. Relating rain intensity and dynamic range in commercial microwave links
IT201800004483A1 (it) * 2018-04-13 2019-10-13 Apparato meteo predittivo e relativo sistema per il controllo di un impianto di climatizzazione
CN108773505B (zh) * 2018-06-15 2020-05-29 上海卫星工程研究所 一种卫星贮存期的快速功能检测方法
CN109581546B (zh) * 2018-10-30 2020-10-16 中国人民解放军国防科技大学 基于微波链路衰减及偏振信息的降雨类型识别方法
CN110059713A (zh) * 2019-03-07 2019-07-26 中国人民解放军国防科技大学 一种基于降水粒子多特征参量的降水类型识别方法
CN110031916B (zh) * 2019-03-07 2021-10-01 中国人民解放军国防科技大学 一种基于星地链路衰减效应的降雨强度测量方法
CN110133654B (zh) * 2019-05-31 2020-10-30 电子科技大学 一种高轨卫星sar动目标检测方法
CN110263838B (zh) * 2019-06-13 2023-04-18 南京信息工程大学 一种多传感器降水估计融合方法
CN110850510B (zh) * 2019-11-05 2021-11-12 中国人民解放军国防科技大学 基于星地链路扫描重构垂直降雨场的方法
CN111505739B (zh) * 2020-03-30 2022-07-22 中国人民解放军国防科技大学 利用高频星地链路多特征量进行晴雨时刻判定的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102707340A (zh) * 2012-06-06 2012-10-03 南京大学 一种基于视频图像的降雨量测量方法
CN103926635A (zh) * 2014-04-29 2014-07-16 中国人民解放军理工大学气象海洋学院 一种利用微波链路网络监测雨区分布的方法
CN109697323A (zh) * 2018-12-27 2019-04-30 武汉大学 一种融合卫星遥感和移动通信基站信号的降雨观测方法

Also Published As

Publication number Publication date
US20220035074A1 (en) 2022-02-03
WO2021197089A1 (zh) 2021-10-07
DE112021000018T5 (de) 2021-12-09
CN111505739A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111505739B (zh) 利用高频星地链路多特征量进行晴雨时刻判定的方法
CN102252623B (zh) 基于视频差异分析的输电线路导/地线覆冰厚度测量方法
CN111366931A (zh) 一种基于云雷达的云降水精细化反演方法
KR20150066315A (ko) 이중편파 레이더 기반의 강수 추정 시스템 및 그 방법
CN102540277B (zh) 基于面向对象和时序影像的白天陆地辐射雾检测方法
CN117349611B (zh) 一种基于大数据分析的水质波动仪监测方法
CN115437036A (zh) 一种基于葵花卫星的对流初生预报方法
CN113311416B (zh) 山地小流域雷达定量降水估计方法
CN110346800A (zh) 一种基于双偏振天气雷达体扫数据的雷暴识别方法
CN110488297B (zh) 一种复杂地形区域雹暴的预警方法
CN108254750B (zh) 一种基于雷达资料的下击暴流智能识别预警方法
CN110263412B (zh) 副热带急流或极锋急流强度和径向位置协同变化的表征方法
CN112033870B (zh) 一种区域边界层pm2.5立体分布及总量推算的方法
CN110532944A (zh) 一种智能图像识别天气现象系统及方法
CN118244387B (zh) 基于瓦片分区的雷达反射率因子组网定量降水估测方法
CN104966102A (zh) 基于卫星图像的台风检测方法
CN117235587A (zh) 一种基于lightGBM的气象目标分类方法
CN110991769A (zh) 一种夏季北极气旋对海冰影响的量化方法
CN117250620B (zh) 一种基于降水生命周期判别的x波段雷达临近预报方法
CN116381692A (zh) 一种基于x波段双偏振雷达的降水相态识别qpe算法
CN110426691A (zh) 一种雨杂波环境下的恒虚警检测方法
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
CN112731567B (zh) 一种用于超高频微波的时空协同干湿增强判别方法
CN115293190A (zh) 基于微波信号盲源分离和sca的沙尘暴动态反演方法
CN116430390B (zh) 一种面向资料同化的s波段双偏振雷达质量控制方法

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