CN112731564B - 一种基于多普勒天气雷达数据的雷电智能预报方法 - Google Patents
一种基于多普勒天气雷达数据的雷电智能预报方法 Download PDFInfo
- Publication number
- CN112731564B CN112731564B CN202011570716.7A CN202011570716A CN112731564B CN 112731564 B CN112731564 B CN 112731564B CN 202011570716 A CN202011570716 A CN 202011570716A CN 112731564 B CN112731564 B CN 112731564B
- Authority
- CN
- China
- Prior art keywords
- lightning
- forecasting
- layer
- data
- meteorological
- 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
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于多普勒天气雷达数据的雷电智能预报方法,包括:获取气象探空、闪电定位及多普勒天气雷达数据;根据获取的气象探空数据,提取0~‑30℃层的大气特征层高度值;根据获取的闪电定位数据提取闪电发生的时间、经度、纬度;根据获取的多普勒天气雷达数据,提取多个气象特征值,并对特征值进行处理,得到多个气象变量;将得到的气象变量作为预报因子,将是否出现闪电作为标签输入多种机器学习算法,得到多种雷电临近预报模型,并分别检验多种雷电临近预报模型的雷电预报准确率,以准确率最高作为最终雷电临近预报模型。本发明利用多普勒天气雷达和气象探空数据融合建立了雷电智能预报方法,提高了预报的准确率。
Description
技术领域
本发明涉及一种雷电落区的临近预报方法,具体涉及一种基于多普勒天气 雷达数据的雷电智能预报方法。
背景技术
当前多普勒天气雷达(简称雷达)已得到较为广泛的应用,是目前气象台 认识天气实况的重要来源。依靠雷达数据进行天气外推来做预报已经在气象领 域有了较为广泛的尝试,这些尝试主要集中在利用回归或外推方法进行预报。 随着机器学习算法的不断成熟,利用机器学习算法对雷电预报的研究开始逐渐 丰富起来。但目前的相关研究对雷电临近预报的分辨率和准确率都有待提高。 另外一些研究利用大气电场仪观测的电场强度幅值和差分阈值对雷电进行预 报,这些研究往往通过经验或相关统计数据给出具体阈值,不同的技术人员给 出的阈值往往存在差异,受主观影响较大。
现有利用雷达数据进行雷电预报中,所选择的要素多为日常气象台业务中 常用的要素,主要采用统计方法。专门针对导致雷电尤其是山区雷电发生的要 素及其变形较少涉及,主要是依据阈值方法给出各要素的阈值,进而进行短临 预报的,而这些阈值往往依据技术人员经验或简单的数学统计得来的,其预报 的准确性不高。
发明内容
本发明的目的在于提供一种基于多普勒天气雷达数据的雷电智能预报方 法,利用多普勒天气雷达和气象探空资料融合进行雷电智能预报,提高预报准 确率。
为实现上述目的,本发明采用了以下技术方案:
一种基于多普勒天气雷达数据的雷电智能预报方法,包括如下步骤:
(1)获取气象探空、闪电定位及多普勒天气雷达数据;
(2)根据获取的气象探空数据,提取0~-30℃层的大气特征层高度值;
(3)根据获取的闪电定位数据提取闪电发生的时间、经度、纬度;
(4)根据获取的多普勒天气雷达数据,提取多个气象特征值,并对特征 值进行处理,得到多个气象变量;
(5)将得到的气象变量作为预报因子,将是否出现闪电作为标签输入多 种机器学习算法,得到多种雷电临近预报模型,并分别检验多种雷电临近预报 模型的雷电预报准确率,以准确率最高作的雷电临近预报模型为最终雷电临近 预报模型。
上述方法中,所述特征值包括回波顶高度、垂直液态水含量。
上述方案中,步骤(4)中,所述并对特征值进行处理,具体包括如下步 骤:
利用插值的方法得到0~-30℃层的大气特征层高度值处的雷达反射率;计 算0℃层以上回波厚度、0℃层和-10℃层雷达反射率梯度、0℃层与-20℃层高 度差、垂直液态水含量密度,以及东南、东北、西南、西北4个方位-10℃层 高度上的雷达反射率。
进一步的,所述机器学习算法采用随机森林、逻辑回归、K-临近、贝叶斯、 支持向量机和决策树算法。
由上述技术方案可知,本发明所述的基于多普勒天气雷达资料、气象探空 资料的山区雷电智能预报方法,利用当前广泛应用的机器学习算法,即可得到 适合不同地区的预测模型,一次建模,后期只需输入固定要素即可得到相应的 预测结果,该方法使用简单,适宜推广,预报准确率较高。
附图说明
图1是本发明的方法流程图;
图2是本发明内插示意图;
图3是本发明的预报结果图。
具体实施方式
下面结合附图对本发明做进一步说明:
如图1所示,本实施例的基于多普勒天气雷达资料、气象探空资料的雷电 智能预报方法,包括以下步骤:
S1:获取气象探空、闪电定位及多普勒天气雷达数据;
S2:根据获取的气象探空数据,提取0~-30℃层的大气特征层高度值;
本实施个例选取0℃层、-10℃层、-15℃层、-20℃层、-30℃层共5个大 气特征层高度。
S3:根据获取的闪电定位数据提取闪电发生的时间、经度、纬度;
S4:根据获取的多普勒天气雷达数据,提取或计算16个变量,包括:回 波顶高度、垂直液态水含量,利用插值的方法得到结合S2中提取的0~-30℃ 层的大气特征层高度处的雷达反射率,并计算0℃层以上回波厚度、0℃层和-10 ℃层雷达反射率梯度、0℃层与-20℃层高度差、垂直液态水含量密度,以及东 南、东北、西南、西北4个方位-10℃层高度上的雷达反射率,具体如下:
天气雷达得到的数据为极坐标,方位角间隔为1°,径向间隔为1km。
S41:首先利用气象探空资料计算0℃层、-10℃层、-15℃层、-20℃层、 -30℃层对应高度,再计算各高度上的雷达反射率、垂直液态水含量(VIL)和 回波顶高(ET);
S42:然后计算垂直液态水含量密度(VIL/ET)雷达产品值,将极坐标下 的雷达产品插值到0.01°×0.01°分辨率的经纬度网格上;
S43:对重叠区采用最大值法对多个站点的雷达产品进行拼图。最后根据 雷达拼图计算所求点东西南北各5个格点范围内共11*11个格点最大值和次大 值的平均值得到各等温层CAPPI值、VIL值、ET值和VIL/ET值,同时根据所 得CAPPI值计算0℃层和-10℃层CAPPI梯度以及-10℃层各方位雷达反射率。
(1)等高平面位置雷达反射率(CAPPI)算法
雷达体扫资料三维格点化的过程中,利用笛卡尔坐标系下某一网格点的经 度、纬度、高度计算其在极坐标系中的仰角、方位、斜距,根据计算结果在雷 达极坐标系中的位置,使用内插的方法给该网格点赋值,得到该网格点上的分 析值。
如图2所示,本发明采用8点插值法(EPI):
某一网格点(r,a,e)落在由fo 1(r1,a1,e1),fo 2(r2,a1,e1),fo 3(r1,a2,e1), fo 4(r2,a2,e1),fo 5(r1,a1,e2),fo 6(r2,a1,e2),fo 7(r1,a2,e2),fo 8(r2,a2,e2) 围成的锥体内,如图2所示,则该网格点的分析值fa(r,a,e)可由这8个点的 观测值进行双线性内插获得。
计算0℃层、-10℃层、-15℃层、-20℃层、-30℃层CAPPI,各等温层高 度由距离雷达站最近的探空站数据利用反距离权重线性插值得到。
(2)垂直液态水含量(VIL)
首先,基于雷达极坐标体扫数据,在每个方位-斜距库上搜索能探测到有 效反射率因子值的最低仰角eb和最高仰角et(对应的反射率因子分别为Zb、 Zt);然后,利用公式(1)计算eb、et所在波束轴线之间的垂直累积液态水含量 M1,对于eb以下的半个波束和et以上的半个波束内的垂直累积液态含水量Mb、 Mt。那么,雷达探测到的该方位-斜距库的总的VIL为M1、Mb、Mt和MVIL。M1、Mb、 Mt和MVIL的计算公式如下:
M1=∑3.44×10-6×[(Zi+Zi+1)/2]4/7Δhi (1)
MVIL=M1+Mb+Mt (4)
(3)回波顶高(ET)
首先,基于雷达极坐标体扫数据,在每个方位-斜距库上从高仰角向低仰 角寻找大于等于给定反射率因子阈值Tz(缺省值为18dBz)的最高仰角(该仰 角记为e1),如果该仰角为扫描最高仰角,则该处的回波顶高hET计算为该仰角 波束轴线离地面的高度,否则也记下该仰角上面的相邻仰角e2;然后,用标准 大气条件下的雷达测高公式计算e1、e2对应的波束轴线距地面的高度h1、h2; 最后,用e1、e2对应的反射率因子Z1、Z2与Tz的差作为权重,通过线性内插获 取Tz所对应的高度,即该方位-斜距库的回波顶高hET。h1、h2、hET分别按公式(5)、(6)、(7)计算:
h1=h0+rsine1+r2 cos2 e1/(2Re) (5)
h2=h0+rsine2+r2 cos2 e2/(2Re) (6)
hET=w1×h2+w2×h1 (7)
其中w1=(Z1-Tz)/(Z1-Z2),w2=1-w1。h0为雷达站海拔高度,r为斜距,Re为等效地球半径,其单位均为km。
(4)雷达产品插值
将极坐标下雷达产品(CAPPI、VIL或ET等产品)数据插值到的经纬度上, 空间分辨率为0.01°×0.01°。首先计算经纬度相对于雷达站点的径向距离和 方位角,再通过临近插值方法得到雷达产品值。
1)径向距离:
LAB=Re×arccos(cos(90-Bw)×cos(90-Aw)+sin(90-Bw)×sin(90-Aw)×cos(Bj-Aj))
r=LAB/cos(α)
其中:雷达站A点经纬度为Aj、Aw,拼图上任一点B经纬度为Bj、Bw,角 C为正北方向,Re为地球平均半径,LAB为A、B两点间距离,r为雷达探测仰 角为ɑ时,雷达站到探测目标的径向距离。
2)方位角:
cos(c)=cos(90-Bw)×cos(90-Aw)+sin(90-Bw)×sin(90-Aw)×cos(Bj-Aj)
根据球面正弦定理可得:
B点在第一象限,θ=θ;
B在第二象限,θ=360+θ;
B在第三四象限,θ=180-θ。
(5)雷达拼图方法
通过一个或多个客观分析方法把来自各个雷达的雷达反射率(或ET、VIL 等产品)插值到等经纬度上之后,需要把来自多个雷达的格点雷达反射率场拼 接起来形成拼图网格。
在拼图网格的很多区域,特别是在对流层中高层,有来自多个雷达的资料 重叠区,在拼图网格中的每个网格单元i的反射率值可以通过下面公式得到
其中fm(i)是网格单元i的合成雷达反射率值,fa n(i)是在网格单元i处来 自第n个雷达的分析值,wn是给分析值fa n(i)的权重,Nrad是在网格单元i处有分 析值的总的雷达个数。为了避免噪声的干扰,雷达反射率小于0dBz的格点被 认为是无回波的点。如果Nrad=0,那么网格单元不被任何一个雷达覆盖,该网格 单元的fm(i)被赋一个缺值符号。如果Nrad=1,那么网格单元的值就等于那个雷 达在该网格单元的值。如果Nrad>1,那么就使用多个雷达分析值的权重平均。
本发明采用最大值法进行拼图:
最大值方法即把覆盖同一网格单元的多个雷达反射率分析值中的最大值 的权重赋为1,其他的权重全赋为0,进行加权平均,即把覆盖同一网格单元的 多个雷达反射率分析值中的最大值赋给网格单元。
(6)CAPPI梯度计算
得到CAPPI的拼图后,可通过拼图值分别计算0℃层CAPPI和-10℃层CAPPI 梯度,具体做法是分别计算X方向梯度和Y方向梯度,对任意一点A(xn,yn)X 方向梯度和Y方向梯度计算方法见式(8-9),进而采用利用式(10)得到平面 梯度。
X梯度=(CAPPI(xn+1,yn)-CAPPI(xn-1,yn))/2 (8)
Y梯度=(CAPPI(xn,yn+1)-CAPPI(xn,yn-1))/2 (9)
(7)计算各方位雷达反射率
对于任意一点A(xn,yn),以(xn,yn)为原点,第一到第四象限以此对应: 东北角雷达反射率、西北角雷达反射率、西南角雷达反射率、东南角雷达反射 率。各方位雷达反射率因子可通过搜索-10℃层CAPPI上所求点经向和纬向各 距离5个格点处的四个方向上的反射率因子获取。
按照本方法对安徽省黄山地区历史数据进行建模,实施区域为: 117.6°E~118.6°E,29.7°N~30.7°N。
首先将雷达反射率数据进行空间插值得到0.01°×0.01°的空间格点,进 一步提取相关要素:0℃层CAPPI、-10℃层CAPPI、-15℃层CAPPI、-20℃层 CAPPI、-30℃层CAPPI、-0℃层CAPPI梯度、-10℃层CAPPI梯度、-10℃层东 南角CAPPI、-10℃层东北角CAPPI、-10℃层西南角CAPPI、-10℃层西北角 CAPPI、ET、ET-零度层高度、VIL、VIL/ET,从气象探空特性层高度值中提取0℃ 层与-20℃层高度差。按照质量控制阈值对相关要素进行质量控制。其次从全 国闪电定位数据中提取实施区域内(117.6°E~118.6°E,29.7°N~30.7°N) 的闪电定位数据,将雷达数据与雷达数据时间后30分钟内闪电定位数据按照 经纬度信息进行匹配,作为标签,得到机器学习训练的数据集。
分别利用python程序sklearn程序包中的随机森林 (RandomForestClassifier)、逻辑回归(LogisticRegression)、K-临近 (KNeighborsClassifier)、贝叶斯(GaussianNB)、支持向量机(SVM)和决 策树(DecisionTreeClassifier)各方法采用默认参数进行训练得到各方法下 的准确率。
表1不同机器学习算法的雷电预警模型预测结果
S5:将S4中提取和计算得到的16个变量作为预报因子,将是否出现闪电 作为标签,输入到6种机器学习算法,得到6种雷电临近预报模型,分别检验 6种雷电临近预报模型的雷电预报准确率,以准确率最高作为最终雷电临近预 报模型。
由此可见在本案例中随机森林正确率是最高的,将该方法形成的模型导出 作为最终模型,模型训练完成。将实时气象数据作为输入数据可实时得到未来 30分钟内0.01°×0.01°分辨率的雷电预报产品。
利用该模型对发生在该区域雷电过程进行预测,部分预测结果如图3,整 个过程准确率为87.2%。
利用上述方法计算结果输出,得到试用训练集正确率最高的方法作为最终 方法进行导出,将该模型导出作为基于天气雷达资料雷电智能预报方法。将实 时气象数据作为输入数据可实时得到未来30分钟内高分辨率 (0.01°×0.01°)雷电预报产品。
以上所述的实施个例仅仅是对本发明的优选实施方式进行描述,并非对本 发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人 员对本发明的技术方案作出的各种变形和改进,均应落入本发明权利要求书确 定的保护范围内。
Claims (3)
1.一种基于多普勒天气雷达数据的雷电智能预报方法,其特征在于,包括如下步骤:
(1)获取气象探空、闪电定位及多普勒天气雷达数据;
(2)根据获取的气象探空数据,提取0~-30℃层的大气特征层高度值;
(3)根据获取的闪电定位数据提取闪电发生的时间、经度、纬度;
(4)根据获取的多普勒天气雷达数据,提取多个气象特征值,并对特征值进行处理,得到多个气象变量;所述并对特征值进行处理,具体包括如下步骤:
利用插值的方法得到0~-30℃层的大气特征层高度值处的雷达反射率;
计算0℃层以上回波厚度、0℃层和-10℃层雷达反射率梯度、0℃层与-20℃层高度差、垂直液态水含量密度,以及东南、东北、西南、西北4个方位-10℃层高度上的雷达反射率;
(5)将得到的气象变量作为预报因子,将是否出现闪电作为标签输入多种机器学习算法,得到多种雷电临近预报模型,并分别检验多种雷电临近预报模型的雷电预报准确率,以准确率最高的雷电临近预报模型作为最终雷电临近预报模型。
2.根据权利要求1所述的基于多普勒天气雷达数据的雷电智能预报方法,其特征还在于:所述特征值包括回波顶高度、垂直液态水含量。
3.根据权利要求1所述的基于多普勒天气雷达数据的雷电智能预报方法,其特征还在于:步骤(5)中,所述机器学习算法采用随机森林、逻辑回归、K-临近、贝叶斯、支持向量机和决策树算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011570716.7A CN112731564B (zh) | 2020-12-26 | 2020-12-26 | 一种基于多普勒天气雷达数据的雷电智能预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011570716.7A CN112731564B (zh) | 2020-12-26 | 2020-12-26 | 一种基于多普勒天气雷达数据的雷电智能预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731564A CN112731564A (zh) | 2021-04-30 |
CN112731564B true CN112731564B (zh) | 2023-04-07 |
Family
ID=75616817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011570716.7A Active CN112731564B (zh) | 2020-12-26 | 2020-12-26 | 一种基于多普勒天气雷达数据的雷电智能预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731564B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325423A (zh) * | 2021-05-07 | 2021-08-31 | 国网河南省电力公司电力科学研究院 | 一种多普勒气象雷达数据采集及三维拼图方法 |
CN113203896B (zh) * | 2021-05-19 | 2023-10-03 | 贵州省气象灾害防御技术中心 | 单站大气电场仪进行雷电预警的阈值法检验及改进方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004069478A (ja) * | 2002-08-06 | 2004-03-04 | Japan Weather Association | 落雷予想方法 |
CN108732550A (zh) * | 2018-08-01 | 2018-11-02 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
CN109086916A (zh) * | 2018-07-16 | 2018-12-25 | 国家气象中心 | 一种基于多源观测数据的对流天气临近预报方法及装置 |
CN110109195A (zh) * | 2019-04-23 | 2019-08-09 | 宁波市镇海区气象局 | 一种基于雷达和探空资料的雷电临近预报方法 |
CN110796299A (zh) * | 2019-10-23 | 2020-02-14 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种雷电预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5140523A (en) * | 1989-09-05 | 1992-08-18 | Ktaadn, Inc. | Neural network for predicting lightning |
CN111583586A (zh) * | 2020-04-03 | 2020-08-25 | 武汉天宏防雷检测中心发展有限公司 | 一种雷电监测预警方法和装置 |
CN111881723B (zh) * | 2020-06-09 | 2022-08-09 | 南瑞集团有限公司 | 雷电地闪回击波形的自动识别方法、系统及电子设备 |
-
2020
- 2020-12-26 CN CN202011570716.7A patent/CN112731564B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004069478A (ja) * | 2002-08-06 | 2004-03-04 | Japan Weather Association | 落雷予想方法 |
CN109086916A (zh) * | 2018-07-16 | 2018-12-25 | 国家气象中心 | 一种基于多源观测数据的对流天气临近预报方法及装置 |
CN108732550A (zh) * | 2018-08-01 | 2018-11-02 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
CN110109195A (zh) * | 2019-04-23 | 2019-08-09 | 宁波市镇海区气象局 | 一种基于雷达和探空资料的雷电临近预报方法 |
CN110796299A (zh) * | 2019-10-23 | 2020-02-14 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种雷电预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112731564A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021218424A1 (zh) | 基于rbf神经网络的航海雷达图像反演海面风速方法 | |
Zhou et al. | Forecasting different types of convective weather: A deep learning approach | |
Liang et al. | A composite approach of radar echo extrapolation based on TREC vectors in combination with model-predicted winds | |
CN109100723B (zh) | 基于多普勒天气雷达数据的高空风反演方法 | |
CN112731564B (zh) | 一种基于多普勒天气雷达数据的雷电智能预报方法 | |
CN107193060B (zh) | 一种多路径台风风暴潮快速预测方法及系统 | |
Liou et al. | An application of the immersed boundary method for recovering the three-dimensional wind fields over complex terrain using multiple-Doppler radar data | |
CN103529492B (zh) | 基于多普勒雷达反射率图像的风暴体位置及形态预测方法 | |
CN113325422B (zh) | 天基测雨雷达目标定位及降雨信息三维处理方法和系统 | |
WO2018168165A1 (ja) | 気象予測装置、気象予測方法、およびプログラム | |
CN112946784B (zh) | 一种基于深度学习的SuperDARN雷达对流图短期预报方法 | |
CN110261857A (zh) | 一种天气雷达空间插值方法 | |
CN113900103A (zh) | 突发性强对流灾害天气自适应快速识别预警改进算法 | |
Lim et al. | A velocity dealiasing technique using rapidly updated analysis from a four-dimensional variational Doppler radar data assimilation system | |
Mengelkamp | Wind climate simulation over complex terrain and wind turbine energy output estimation | |
Goodman et al. | Convective tendency images derived from a combination of lightning and satellite data | |
Zou et al. | A method of radar echo extrapolation based on TREC and Barnes filter | |
CN116401932B (zh) | 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法 | |
Liu et al. | Submesoscale eddies observation using high-frequency radars: a case study in the northern south China Sea | |
CN114137637A (zh) | 基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法 | |
Liu et al. | A comparison of multiplatform wind products in the South China Sea during summer and autumn in 2019 | |
Liou et al. | An investigation of the moving-frame single-Doppler wind retrieval technique using Taiwan Area Mesoscale Experiment low-level data | |
Jylha et al. | New aspects to knowledge-aided clutter analysis | |
Liu et al. | Verification of Three-Dimensional Gridding Algorithm for Weather Radar Reflectivity | |
Bankert et al. | Data mining numerical model output for single-station cloud-ceiling forecast algorithms |
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 |