CN112114386A - 高时空分辨率微波降雨监测网络部署方法及监测方法 - Google Patents
高时空分辨率微波降雨监测网络部署方法及监测方法 Download PDFInfo
- Publication number
- CN112114386A CN112114386A CN202010898763.8A CN202010898763A CN112114386A CN 112114386 A CN112114386 A CN 112114386A CN 202010898763 A CN202010898763 A CN 202010898763A CN 112114386 A CN112114386 A CN 112114386A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- monitoring
- microwave
- frequency
- frequency band
- 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
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
Abstract
本发明公开了一种高时空分辨率微波降雨监测网络部署方法,利用在单个监测网格区域内进行的双重叠加式站点分布,显著提高了站点利用率;通过对铁塔站点资源和楼顶平台资源的有效利用,大大降低了布设监测网络的设备成本;以此建立了一种覆盖面广、各降雨等级监测精度高的智能多频微波降雨监测方法,采用多频微波设备,设备可发送和接收多个微波频段;采用多个频段与各雨强等级的单独模型训练,反演出不同雨强等级下的最优监测频段;通过雨强智能预识别后,系统选择对应雨强等级的最优监测频段进行降雨数据反演;多频微波系统在各雨强下的应用更为灵活,反演精度更高。
Description
技术领域
本发明涉及气象监测领域,尤其涉及高时空分辨率微波降雨监测网络部署方法及监测方法。
背景技术
降雨监测工作需要用到大量的观测站点,传统单纯顺序组网或平行组网的方式,站点利用率较低。同时,新增站点成本高,且站点的建设耗时长,会带来显著的经济和时间成本均。
基于微波传输过程中雨衰反演算法,建立微波降雨的监测系统。微波系统采用单频发射及单频接收,微波频率固定。该系统采用单个微波频段进行样本采集、数据训练及模型反演,最后输出一个相对精度较高的反演模型。现降雨等级分为6级:小雨、中雨、大雨、暴雨、大暴雨、特大暴雨。仅依靠单一频段的样本数据进行建模训练,在不同雨强等级下的反演精度一致性较差。在某些雨强等级下的反演精度高,其他雨强等级下的反演精度差。
所以有必要发明一种布设成本低、站点利用率高的高时空分辨率微波降雨监测网络部署方法及监测方法。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种布设成本低、站点利用率高的高时空分辨率微波降雨监测网络部署方法及监测方法。
技术方案:为实现上述目的,本发明的高时空分辨率微波降雨监测网络部署方法,在单个监测网格区域内,各个站点参照双重叠加式结构进行分布;所述双重叠加式结构的第一重结构为交叉网络,第二重结构为交叉网络和平行网络中的任一种。
进一步地,所述第二重结构采用交叉网络。
进一步地,微波降雨监测网络中的站点采用铁塔站点资源和楼顶平台资源;在偏远地区场景,以铁塔站点资源为主,楼顶平台资源为辅;在城区场景,以楼顶平台资源为主,铁塔站点资源为辅。
进一步地,采用网络部署进行智能多频微波降雨监测的方法,包括以下步骤,
S1,针对降雨的6个强度等级,分别按照αGHz的频段间隔来选取实验样本频段,建立样本数据库;
S2,对每一个降雨强度下的各频段微波雨衰进行分析,选出强相关性的微波频段fn,n表示降雨等级,为1-6中的任一整数;
S3,针对每个降雨强度等级,在(fn-α,fn+α)的频率区间内,进行多次迭代,得到最优频段f’n,从而建立最优监测频段下的独立反演模型M1;
S4,将多个降雨强度等级下的各最优监测频段fn进行融合建模,训练为一体化反演模型M2,并根据反演的结果对各微波频段fn的权重因子进行赋值,然后再次进行模型训练及校正,得到雨强智能识别模型M3;
S5,利用雨强智能识别模型M3对监测区域的雨强进行智能预识别,根据雨强识别结果,选择对应的监测频段,反演出高精度的降雨监测数据。
进一步地,S1中实验样本的频段选择范围为3GHz~50GHz。
进一步地,α取值范围为0.5~1.5。
有益效果:本发明的高时空分辨率微波降雨监测网络部署方法,利用在单个监测网格区域内进行的双重叠加式站点分布,显著提高了站点利用率;通过对铁塔站点资源和楼顶平台资源的有效利用,大大降低了布设监测网络的设备成本;以此建立了一种覆盖面广、各降雨等级监测精度高的智能多频微波降雨监测方法,采用多频微波设备,设备可发送和接收多个微波频段;采用多个频段与各雨强等级的单独模型训练,反演出不同雨强等级下的最优监测频段;通过雨强智能预识别后,系统选择对应雨强等级的最优监测频段进行降雨数据反演;多频微波系统在各雨强下的应用更为灵活,反演精度更高。
附图说明
图1为数据微波雨衰与降雨强度关联性建立分析步骤图;
图2为最优监测频段选择步骤图;
图3为数据训练及建模原理示意图;
图4为智能降雨反演步骤示意图;
图5为跳频原理示意图;
图6为雨量场反演理论模型学习原理示意图;
图7为站点资源选取策略图;
图8为基于GIS的网络规划图;
图9为交叉组网示意图;
图10为顺序组网示意图;
图11为平行组网示意图;
图12为双重叠加式组网示意图;
图13为高空间分辨网络建设图;
图14为监测数据回传原理图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
高时空分辨率微波降雨监测网络部署方法,在单个监测网格区域内,各个站点参照双重叠加式结构进行分布;所述双重叠加式结构的第一重结构为交叉网络,第二重结构为交叉网络和平行网络中的任一种,优选采用交叉网络。
如图9所示,以单个监测网格为例,采用微波链路交叉的组网方式,该组网方式建设后监测区域内的分布合理,区域内的降雨反演结果合理。
如图10所示,以单个监测网格为例,采用链路的顺序组网方式,链路部署在区域边缘,如采用此种方案建设,区域内的降雨监测覆盖不足,将导致中心范围的降雨监测反演精度较差。
如图11所示,以单个监测网格为例,采用链路的平行组网方式,链路采用横或竖平行方式进行组网,如采用此种方案建设,降雨监测范围仅覆盖网格一半区域,将导致降雨监测的精度不高。
交叉组网、顺序组网及平行组网方案的3种网络结构对比:
基本网络结构 | 链路数 | 降雨监测精度 |
交叉组网 | 2 | 高 |
顺序组网 | 4 | 低 |
平行组网(横竖) | 2 | 一般 |
如需要进一步提高降雨监测精度,则如图12所示,可在交叉组网的基础网络结构下再进行网络结构融合,可进一步提高降雨监测精度,这样既可以兼顾监测精度,又可以兼顾站点利用率,从而获得成本及使用上的平衡。
对于监测网络站点的选址,如图7所示,目前移动通信网络建设分为宏站建设和底层网建设。宏站站点资源主要为通信铁塔站点资源和高层建筑楼顶平台资源,底层网采用室内分布系统。
微波降雨监测网络可采用移动通信网络的宏站资源,即通信铁塔站点和高层建筑楼顶平台。根据地理场景的不同,微波链路的选址采用不同的方案。
在偏远地区、郊区等场景,因几乎不存在高层建筑阻挡,主要考虑采用铁塔站点资源进行监测链路的建设,即以铁塔站点资源为主,楼顶平台资源为辅;但在城区这类复杂场景下,因高层建筑多,铁塔站点的高度一般在50m以下,监测链路受到阻挡较多,因此考虑采用以楼顶平台资源为主,铁塔站点资源合理进行补点的方式进行监测链路的建设,即以楼顶平台资源为主,铁塔站点资源为辅。
智能多频微波降雨监测的方法,包括以下步骤,
S1,针对降雨的6个强度等级,分别按照αGHz的频段间隔来选取实验样本频段,建立样本数据库;
S2,对每一个降雨强度下的各频段微波雨衰进行分析,选出强相关性的微波频段fn,n表示降雨等级,为1-6中的任一整数;
S3,针对每个降雨强度等级,在(fn-α,fn+α)的频率区间内,进行多次迭代,得到最优频段f’n,从而建立最优监测频段下的独立反演模型M1;
S4,将多个降雨强度等级下的各最优监测频段fn进行融合建模,训练为一体化反演模型M2,并根据反演的结果对各微波频段fn的权重因子进行赋值,然后再次进行模型训练及校正,得到雨强智能识别模型M3;
S5,利用雨强智能识别模型M3对监测区域的雨强进行智能预识别,根据雨强识别结果,选择对应的监测频段,反演出高精度的降雨监测数据。
S1中实验样本的频段选择范围为3GHz~50GHz。
α取值范围为0.5~1.5。
监测系统包括若干个联合组网的微波站点;所述微波站点依托铁塔基站或高楼建筑平台设立。
对于降雨监测技术而言,现有技术手段的缺点在于:
1、自动观测站承担单点及多点的降雨监测任务,但新增站点成本高,且站点的建设耗时长。如新增监测点任务时,经济和时间成本均较高。自动监测站不易大规模推广,只适合少量的单点建设。
2、测雨雷达承担了中短距离的降雨监测任务,以面为单位。测雨雷达在空旷环境下测试效果较好,但在城区环境或者其他复杂地形环境下测量精度易受影响,且存在覆盖盲区。测雨雷达的建设选址要求较高,无法灵活补点,同样无法快速入网运行。
3、卫星遥感技术实现了对全球的降雨监测的功能。但中高纬度及复杂地形(城市、山区等)反演精度差。在某些点或者面的区域,卫星遥感数据精度不高,需要其他降雨数据源对其进行补充或修正。
4、单频的微波降雨监测系统,仅依靠单一频段的样本数据进行建模训练,在不同雨强等级下的反演精度一致性较差。在某些雨强等级下的反演精度高,其他雨强等级下的反演精度差。
对于本方案的各雨强等级下的多频微波降雨反演系统:
根据降雨强度的6个等级划分,并按照1GHz为频段间隔的选取实验样本频段。分别建立样本数据库。
首先进行各微波下的雨衰与降雨强度的相关性分析,选出强相关性的微波频段。然后根据筛选结果,扩大样本数据库进行模型训练,多次迭代后选取该雨强等级下的最优频段及反演模型。
经过多次训练及建模后,可得出各雨强等级下的最优监测频段及对应的反演模型。
对于多频降雨监测融合算法:
系统首先需要对降雨强度进行智能预识别,通过多个雨强等级下的最优监测频段进行融合建模,训练多频一体化雨量反演模型,根据反演模型的结果对各微波频段的权重因子进行赋值,然后再次进行模型训练及校正,最终完成雨强智能与识别模型。
系统对雨强进行智能预识别,根据雨强识别结果,选择对应的监测频段,反演出高精度的降雨监测数据。
对于单点及网格化的降雨监测系统快速入网:
微波系统建设选址可采用租赁铁塔基站或高楼建筑平台等方式,避免了类似自动观测站的站点选址。可直接在铁塔或者抱杆上安装多频微波设备。
微波设备经过简单调试后即可入网进行运行,微波系统搭建到投入运行时间较短。可实现微波降雨监测系统快速高效入网。
微波系统也可满足网格化的监测需求,根据站点资源和监测区域的网格切片地理数据进行建设规划,可在较短时间内完成网格化降雨监测系统。
对于多频微波设备:
微波设备的发射端及接收端在上电时进行系统同步,同步后设备进入正常工作状态。微波设备的射频前端采用多个频段的PA、LNA,天线采用多频天线。设备工作时进行周期性频段切换,实现了多频合一。
下面进行详细阐述:
1、不同频段的微波雨衰与降雨强度关联性的建立与分析
微波是指频率为300MHz-3000GHz的电磁波,波长在0.1毫米~1米之间。微波在空间传播中会存在路径损耗,如存在遮挡障碍物,会导致路径损耗变大,遮挡及障碍物的严重程度将决定路径损耗增加的程度。微波的波长越长,其对应的饶射及衍射能力较强,反之短波的饶射及衍射能力越差。
基于微波的降雨监测系统原理:微波在自由空间视距环境下的路径损耗Los=32.44+20lg D+20lg F,根据微波频率和传输距离可直接计算出路径损耗。在降雨环境下,由于雨滴属于障碍物将增加传输过程中的链路损耗。d代表传输距离,单位为km,F带包微波频率,单位为MHz。在自由空间传播模型中,传输距离增长,路径损耗随之增加;微波频率变高,路径损耗也同样随之增加。
如图6所示,基于微波的雨量场反演理论,建立深度学习模型。模型特征主要包括:微波频率,传输距离,不同雨量下的雨滴的物理结构特性,相关气候数据,地形数据。构建海量样本数据,训练后输出雨量场反演模型,并根据模型值与实际监测值进行偏差分析,对模型及样本进行优化,最后输出精准的雨量场反演模型。
如图13所示,微波降雨监测网络依托于通信站点资源,通过网络建设可将空间分辨率为2*2km~5*5km,并可进行监测网络的灵活调整。
根据监测网络的建设站址选取、监测网络结构及基于GIS的网络规划进行网络建设。
此外,如图14所示,在微波链路系统的接收端对接收到的微波数据进行采集,采用4G、5G或NB-IOT通信模块将实时发送至云平台,云平台进行实时数据输出,并输出降雨监测结果。
用户可通过前端降雨监测平台、手机APP及其他信息平台进行数据查询。平台可提供分钟级、15分钟、小时、天、月和年级的多维度降雨监测数据。
定义微波链路雨衰=微波系统的实际衰减-视距理论衰减。0表示实测衰减等于视距理论衰减,代表没有降雨。
我国降雨强度的划分标准:
因雨滴的微物理特性,因此在微波频段的选择上考虑中高频段,较低频段的微波雨衰低敏,关联性较差。但频段也不宜过高,过高的微波频段链路衰减大,且雨衰高敏。
因此考虑使用3~50GHz频段的微波。频段间隔以1GHz为单位,共选取48个通信频段,雨量按照降雨强度的7个等级进行关联性建议与分析,其过程如图1所示。
此外,如图8所示为基于GIS(地理信息系统)的网络规划,依据降雨监测网络的高分辨率建设要求,基于现有的通信基站资源数据,结合GIS信息数据,进行三维仿真规划,根据三维建模及仿真数据,结合实际地理环境等因素,输出网络建设方案。
大规模开展降雨监测网络建设,然后降雨监测网络试运行。试运行结果良好后,将降雨监测网络投入正式运行。
2、不同降雨强度的最优监测频段选择
根据不同频段的微波与降雨强度的关联性分析,选取不同降雨强度下高相关性频段,建立建模样本数据库。
在6级雨强的每一级分下分别选取高相关性的3-5个频段,进行样本数据建立,然后进行雨量反演模型的训练。第一版模型输出后,需进行偏差分析及模型迭代,在多次迭代后获得较为精准的反演模型。
对比该雨强下的不同频段反演精度,选取最优频段,并以该频段为该雨强下实际监测及降雨量数据输出工作频段,如图2所示。
基于微波的雨量场反演理论,建立深度学习模型。模型特征主要包括:微波频率,传输距离,不同雨量下的雨滴的物理结构特性,相关气候数据,地形数据。构建海量样本数据,训练后输出雨量场反演模型,并根据模型值与实际监测值进行偏差分析,对模型及样本进行优化,最后输出精准的雨量场反演模型。
3、微波多频融的智能降雨反演
如图3和图4所示,针对6个雨强进行单独的数据训练及建模,确认了各雨强下的最优工作频段。但系统实际运行过程中,需要先对雨强进行智能识别,然后再根据最优频段模型输出雨强数据。
4、多频微波链路系统
如图5所示为跳频原理示意图,微波链路设备分为微波发射端和微波接收端。发射端和接收端都采用基带处理数字信号,同时设备采用多路射频前端,以满足多频发射和接收的需求。
发射端和接收端运行时保持同步状态,保证收发一致性。
微波系统自定义帧结构和帧长度。微波发射端的发射频率按照帧进行周期性切换,微波接收端按照帧切换至对应频率并进行接收。
本方案的优点在于:
1、采用多频微波设备,设备可发送和接收多个微波频段。
2、采用多个频段与各雨强等级的单独模型训练,反演出不同雨强等级下的最优监测频段。
3、通过雨强智能预识别后,系统选择对应雨强等级的最优监测频段进行降雨数据反演。
4、多频微波系统在各雨强下的应用更为灵活,反演精度更高。
以上所述仅是本发明的优选实施方式,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 (6)
1.高时空分辨率微波降雨监测网络部署方法,其特征在于:在单个监测网格区域内,各个站点参照双重叠加式结构进行分布;所述双重叠加式结构的第一重结构为交叉网络,第二重结构为交叉网络和平行网络中的任一种。
2.根据权利要求1所述的高时空分辨率微波降雨监测网络部署方法,其特征在于:所述第二重结构采用交叉网络。
3.根据权利要求1所述的高时空分辨率微波降雨监测网络部署方法,其特征在于:微波降雨监测网络中的站点采用铁塔站点资源和楼顶平台资源;在偏远地区场景,以铁塔站点资源为主,楼顶平台资源为辅;在城区场景,以楼顶平台资源为主,铁塔站点资源为辅。
4.使用权利要求1所述的网络部署进行智能多频微波降雨监测的方法,其特征在于:包括以下步骤,
S1,针对降雨的6个强度等级,分别按照αGHz的频段间隔来选取实验样本频段,建立样本数据库;
S2,对每一个降雨强度下的各频段微波雨衰进行分析,选出强相关性的微波频段fn,n表示降雨等级,为1-6中的任一整数;
S3,针对每个降雨强度等级,在(fn-α,fn+α)的频率区间内,进行多次迭代,得到最优频段f’n,从而建立最优监测频段下的独立反演模型M1;
S4,将多个降雨强度等级下的各最优监测频段fn进行融合建模,训练为一体化反演模型M2,并根据反演的结果对各微波频段fn的权重因子进行赋值,然后再次进行模型训练及校正,得到雨强智能识别模型M3;
S5,利用雨强智能识别模型M3对监测区域的雨强进行智能预识别,根据雨强识别结果,选择对应的监测频段,反演出高精度的降雨监测数据。
5.使用权利要求4所述的网络部署进行智能多频微波降雨监测的方法,其特征在于:S1中实验样本的频段选择范围为3GHz~50GHz。
6.使用权利要求5所述的网络部署进行智能多频微波降雨监测的方法,其特征在于:α取值范围为0.5~1.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010898763.8A CN112114386B (zh) | 2020-08-31 | 2020-08-31 | 高时空分辨率微波降雨监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010898763.8A CN112114386B (zh) | 2020-08-31 | 2020-08-31 | 高时空分辨率微波降雨监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112114386A true CN112114386A (zh) | 2020-12-22 |
CN112114386B CN112114386B (zh) | 2022-03-29 |
Family
ID=73804626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010898763.8A Active CN112114386B (zh) | 2020-08-31 | 2020-08-31 | 高时空分辨率微波降雨监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112114386B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112750294A (zh) * | 2020-02-10 | 2021-05-04 | 河海大学 | 基于频率-精度映射的毫米波衰减信号采集系统及方法 |
CN114814993A (zh) * | 2022-03-25 | 2022-07-29 | 河海大学 | 一种基于dcgan和2d-cnn的微波衰减降雪强度监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033856A (zh) * | 2012-12-06 | 2013-04-10 | 南京信息工程大学 | 基于水文气象一致性地区分析的雨量频率估计方法 |
CN106324580A (zh) * | 2016-11-02 | 2017-01-11 | 中国人民解放军理工大学 | 一种基于微波链路网的雷达回波衰减订正方法 |
CN106547036A (zh) * | 2016-10-21 | 2017-03-29 | 中国人民解放军理工大学 | 一种多频段微波链路联合的区域降水测量方法 |
CN107505616A (zh) * | 2017-09-15 | 2017-12-22 | 浙江大学 | 一种基于sar的海面风场反演最优分辨率的判定方法 |
CN109061776A (zh) * | 2018-10-08 | 2018-12-21 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种短时临近数值天气预报系统及方法 |
US20190049625A1 (en) * | 2017-08-11 | 2019-02-14 | Here Global B.V. | Method and apparatus for generating an interpolated weather forecast report |
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 |
CN110488393A (zh) * | 2019-09-24 | 2019-11-22 | 中国科学院大气物理研究所 | X波段双偏振天气雷达定量测量降水方法及系统 |
-
2020
- 2020-08-31 CN CN202010898763.8A patent/CN112114386B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033856A (zh) * | 2012-12-06 | 2013-04-10 | 南京信息工程大学 | 基于水文气象一致性地区分析的雨量频率估计方法 |
CN106547036A (zh) * | 2016-10-21 | 2017-03-29 | 中国人民解放军理工大学 | 一种多频段微波链路联合的区域降水测量方法 |
CN106324580A (zh) * | 2016-11-02 | 2017-01-11 | 中国人民解放军理工大学 | 一种基于微波链路网的雷达回波衰减订正方法 |
US20190049625A1 (en) * | 2017-08-11 | 2019-02-14 | Here Global B.V. | Method and apparatus for generating an interpolated weather forecast report |
CN107505616A (zh) * | 2017-09-15 | 2017-12-22 | 浙江大学 | 一种基于sar的海面风场反演最优分辨率的判定方法 |
CN109061776A (zh) * | 2018-10-08 | 2018-12-21 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种短时临近数值天气预报系统及方法 |
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 |
CN110488393A (zh) * | 2019-09-24 | 2019-11-22 | 中国科学院大气物理研究所 | X波段双偏振天气雷达定量测量降水方法及系统 |
Non-Patent Citations (1)
Title |
---|
姜世泰等: "基于微波链路的降雨场反演方法研究", 《物理学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112750294A (zh) * | 2020-02-10 | 2021-05-04 | 河海大学 | 基于频率-精度映射的毫米波衰减信号采集系统及方法 |
CN112750294B (zh) * | 2020-02-10 | 2021-11-02 | 河海大学 | 基于频率-精度映射的毫米波衰减信号采集系统及方法 |
CN114814993A (zh) * | 2022-03-25 | 2022-07-29 | 河海大学 | 一种基于dcgan和2d-cnn的微波衰减降雪强度监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112114386B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112051576B (zh) | 一种智能多频微波降雨监测方法 | |
CN109697323B (zh) | 一种融合卫星遥感和移动通信基站信号的降雨观测方法 | |
CN101060689B (zh) | 通信系统网络规划的方法和设备 | |
CN102509421B (zh) | 一种地质灾害实时监测与预警系统 | |
CN110418354A (zh) | 一种基于机器学习的免传播模型无线网络规划方法 | |
CN110132238B (zh) | 用于地形影像数字高程模型的无人机测绘方法 | |
US20220386135A1 (en) | System and method for 3d propagation modelling for planning of a radio network | |
CN105993183A (zh) | 用于在无线电网络的配置中使用功能图协助的方法和工具 | |
CN112114386B (zh) | 高时空分辨率微波降雨监测方法 | |
CN103702338A (zh) | 一种快速建立室内无线信号指纹数据库的方法 | |
CN101137171B (zh) | 一种获取和校正无线传播模型参数的方法和系统 | |
CN103105539A (zh) | 一种电磁辐射监测系统和方法 | |
CN105516992A (zh) | 一种lte网络的pci规划方法 | |
CN108990074B (zh) | 基于地图信息的电力系统无线专网基站建设规划方法 | |
CN101795162B (zh) | 数字单频网信号覆盖质量测算评估方法 | |
CN102883338A (zh) | 一种用于td-lte系统中传播模型校正的方法 | |
CN107360580A (zh) | 一种超短波无线通信设备通信效能评估测试方法及装置 | |
CN103888204B (zh) | 玉米大田无线传感器网络信道多尺度衰落模型的建模方法 | |
Hanci et al. | Mobile radio propagation measurements and tuning the path loss model in urban areas at GSM-900 band in Istanbul-Turkey | |
CN203101527U (zh) | 一种电磁辐射监测系统 | |
CN112020086B (zh) | 降雨监测的微波设备组网方法及其降雨监测方法 | |
CN115700516A (zh) | 基于知识图谱的短波通信选频数据融合系统及选频方法 | |
Marzano et al. | Development and application of microwave radiometric techniques for modeling satellite-Earth propagation at V and W band | |
CN108738129A (zh) | 一种基于路测数据的基站定位方法 | |
CN101795163B (zh) | 数字单频网信号覆盖质量测算评估系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220712 Address after: 214000, floor 4, block D, high tech Zone, No. 159, Chengjiang Middle Road, Jiangyin City, Wuxi City, Jiangsu Province Patentee after: Jiangsu weizhirun Intelligent Technology Co.,Ltd. Address before: Office 167, administration center, 269 Wenhua Middle Road, Jiangyin City, Wuxi City, Jiangsu Province Patentee before: Zou Mingzhong |
|
TR01 | Transfer of patent right |