CN113296074B - 一种基于气象雷达多层cappi的光流法外推方法 - Google Patents
一种基于气象雷达多层cappi的光流法外推方法 Download PDFInfo
- Publication number
- CN113296074B CN113296074B CN202110853509.0A CN202110853509A CN113296074B CN 113296074 B CN113296074 B CN 113296074B CN 202110853509 A CN202110853509 A CN 202110853509A CN 113296074 B CN113296074 B CN 113296074B
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- height
- cappi
- extrapolation
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于气象雷达多层CAPPI的光流法外推方法,所述外推方法包括:S1、解析雷达体积扫描文件中的反射率数据;S2、采用多层CAPPI算法计算出各个高度层的CAPPI数据;S3、采用DARTS算法基于各个高度层CAPPI数据计算出光流场;S4、采用半拉格朗日算法计算出各个高度层的光流场外推数据;S5、将不同高度的外推数据进行融合处理。本发明的优点在于:考虑到空气受到气压梯度力而形成的梯度风,不同高度层的风运动速度和方向不同,从而影响雷达反射率外推结果,通过计算不同高度层的反射率,将每层反射率进行外推计算,最终融合每层反射率作为最终的反射率外推结果。
Description
技术领域
本发明涉及气象雷达技术领域,尤其涉及一种基于气象雷达多层CAPPI的光流法外推方法。
背景技术
气象雷达的外推应用中,常常使用气象雷达的反射率数据和光流法生成预报区域的外推流场;由于空气受到气压梯度力而形成的梯度风,不同高度层的风运动速度和方向有所不同,从而影响气象雷达的反射率外推结果;因此,如何通过计算不同高度层的反射率,进而得到最终融合每层反射率作为最终反射率外推场结果的,是现阶段需要解决的问题。
发明内容
本发明的目的在于克服现有技术的缺点,提供了一种基于气象雷达多层CAPPI的光流法外推方法,解决了现有技术存在的不足。
本发明的目的通过以下技术方案来实现:一种基于气象雷达多层CAPPI的光流法外推方法,所述外推方法包括:
S1、解析雷达体积扫描文件中的反射率数据;
S2、采用多层CAPPI算法计算出各个高度层的CAPPI数据;
S3、采用DARTS算法基于各个高度层CAPPI数据计算出光流场;
S4、采用半拉格朗日算法计算出各个高度层的光流场外推数据;
S5、将不同高度的外推数据进行融合处理。
所述采用多层CAPPI算法计算出各个高度层的CAPPI数据包括:
S21、以等高平面上的距离为单位点,从某方位角上第一个距离库开始计算其对应的仰角,得到该仰角对应的上下体扫描仰角;
S22、判断该仰角与上下体扫描仰角的关系,用线性插值方法得到该高度上的数据;
S23、对每个方位角径向上的每一点都进行步骤S21和步骤S22的操作,直到平面全部遍历完成。
所述采用DARTS算法基于各个高度层CAPPI数据计算出光流场包括:来表示雷达反射率场的时间序列的降水模式和演变,其中,F(x,y,t)表示雷达图像序列,U(x,y)表示东西方向速度场,V(x,y)为南北方向速度场,S(x,y,t)表示加性演化机制的序列,其中x是图像的横坐标,y是图像的纵坐标,t是外推时间;
选定的最大谐波数的整数集为N={Nx,Ny,Nt}、和的最大谐波数的整数集为M={Mx,My}以及的最大谐波数的整数集为L={Lx,Ly,Lt},其中Nx,Ny,Nt,Mx,My,Lx,Ly,Lt分别表示对应数据集的谐波数,其中DFT表示离散傅里叶变换;
采用半拉格朗日算法计算出各个高度层的光流场随时间变化的结果,外推出之后数小时或数分钟的雷达回波数据包括:
根据平流层光流场DARTS的计算方法获得的回波运动场在公式中进行迭代收敛,循环多次后中止迭代得到相应数据,其中,t表示外推时间,u是x方向上的速度场,v表示y方向的速度场;u,v都是上面的光流法得到的结果,是网格点处的回波运动。
所述将不同高度的外推数据进行融合处理步骤如下:
根据得到的每个层的雷达回波预报数据,每个层的数据用二维网格的图像表示,每个格点的值为-1到127的反射率值,最终的数据张量的形状为(c, height, width),其中c表示层数、height表示图像的高度、width表示图像的宽度;
每个外推时刻t 0+Δt的结果是通过在N的方向上取极大值,得到不同时刻的网格点面数据;最终的数据张量的形状为(1, height, width),就是只剩下一层图像方便气象员可视化雷达图;
总的外推时刻为t 0+NΔt,根据迭代过程就会得到N个形状为(1, height, width)的雷达外推数据。
本发明具有以下优点:一种基于气象雷达多层CAPPI的光流法外推方法,考虑到空气受到气压梯度力而形成的梯度风,不同高度层的风运动速度和方向不同,从而影响雷达反射率外推结果,通过计算不同高度层的反射率,将每层反射率进行外推计算,最终融合每层反射率作为最终的反射率外推结果。
附图说明
图1 为本发明的流程示意图;
图2 为CAPPI算法原理示意图;
图3 为半拉格朗日向量示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示,本发明涉及一种基于气象雷达多层CAPPI的光流法外推方法,气象雷达的体积扫描反射率作为外推原始数据,通过算法生成不同高度的等高平面位置显示器(Constant Altitude Plan Position Indicato,CAPPI)数据,The Dynamic and AdaptiveRadar Tracking of Storms(DARTS)方法计算各个高度层的CAPPI数据在空间上的运动矢量估计能力,结合半拉格朗日方法得出各个高度层的外推结果,最终将各个高度层数据融合得出外推结果,图中,H为不同海拔的高度,t为外推时间;具体包括以下内容:
S1、解析雷达体积扫描文件中的反射率数据;
S2、采用多层CAPPI算法计算出各个高度层的CAPPI数据;
具体为,多层CAPPI产品是雷达体积扫描中的反射率数据进行计算。多层由不同高度的单层CAPPI组成,高度分为:500,1000,2000,3000,3500,4000,4500,5000,6000,7000米共10层高度。以下介绍单层CAPPI的计算方法,CAPPI是一个投影面,该投影面上的数据是来自于切割平面与各个扫描层相交处的数据。
按照设定的高度,应用测高公式,选取临近该高度平面上的上下两个仰角相应雷达测距上的数据,然后用内插方法得到该高度上的数据。为提高数据精度,常采用双线性插值。
S21、以等高平面上的距离库为单位点,从某方位角上第一个距离库开始计算其对应的仰角,找到该点上下两个体扫仰角;
S22、判断该仰角与上下体扫仰角的关系,用线性插值方法得到该高度上的数据;
S23、对每个方位角径向上的每一点都进行步骤S21和步骤S22的计算,知道平面全部遍历完成。
如图2所示,图中,地球平均半径为R,切割高度为h,天线海拔高度为H;举例如下:
第二步:判断点A的仰角α与体扫各层仰角的关系;
第三步:根据仰角关系进行内插取值;如果α刚好等于某仰角值,则直接取相应仰角PPI上的值为该点的CAPPI值;如果α小于最低体扫仰角值,则取最低仰角PPI上的值为该点的CAPPI值;如果α大于最高体扫仰角值,则视该点无回波值;如果α在两个体扫仰角之间,则进行线性插值;
第四步:对每个径向上每个距离库都进行第一到第三步的计算,如果α在两个体扫仰角之间,则对点A进行垂直方向上线性插值。首先根据点A、B、E所对应的水平距离相同,计算出B、E在对应仰角层对应的径向距离和到水平面的高度,再判断点B、E对应的回波值是否有效,最后根据高度权重进行插值。
S3、采用光流场DARTS算法基于各个高度层CAPPI数据计算出光流场;
The Dynamic and Adaptive Radar Tracking of Storms(DARTS)基于CAPPI数据在单层空间上的运动矢量计算。
通过描述由下列公式给出的雷达反射率场的时间序列表示的降水模式的通量和演变来实现的,
其中,F(x, y, t)是雷达图像序列(2张t=2),U(x, y)是东西方向速度场,V(x, y)为南北方向速度场,S(x, y, t) 可以解释为加性演化机制的序列,如强度的增长和衰减;其中x是图像的横坐标,y是图像的纵坐标,t是外推时间;
此公式可以转换为线性形式,允许有效的程序实现,其中,“+”表示左边的像素,“-”表示右边的像素。
设参数:
本算法选取了N={20,20,1},M={2,2},L={0,0,0};
算法中使用快速傅里叶变换来求解偏导数,Nx默认值20,Ny=20, Nt=1,Mx=2,My=2,L={ 0,0,0};
并且定义以下索引变量和表:
Hm×n =[A,B,C] (A,B,C就是上面的三个块矩阵拼接成H矩阵);
进而得到线性系统的观测和响应向量以及设计矩阵(伪逆矩阵的结果的矩阵):
其中Re是取复数的实数部分,Im是取复数的虚数部分。
进而得到如下矩阵点积形式:
应用最小二乘解反向求得:
矩阵最终得到想要的速度场水平方向的U和垂直方向的V;
通过反向傅里叶法的实数部分得到雷达图在横向、纵向上的速度场U、V结果的形状跟观测数据的形状一样都是(1, height, width),物理意义就是对应像素的速度。
S4、采用半拉格朗日算法计算出各个高度层的光流场外推数据;
采用半拉格朗日算法计算出各个高度层的光流场随时间变化的结果,外推出之后数小时或数分钟的雷达回波数据。
因为可以将相同高度的大气层上的雷达回波想象成水平运动,所以CAPPI的每一层就相当于相同高度上的水平运动观测到的雷达回波数据,每层单独使用半拉格朗日算法就可以算出每个高度上的雷达回波情况,最终就是输入的有多少高度层,就会产生多少层的外推结果了。
每个层算法相同,应用简单的平流外推semilagrangian半拉格朗日算法生成一个预报步骤如下:
用符号Ψ 表示平流,可以用二维守恒方程的微分形式来表示Ψ,具体内容如下:
忽略压缩性项Ψ(∂u/∂x+∂v/∂y)我们得到:
局部变化率∂Ψ/∂t设置为零。
平流Ψ 跟随降水包的运动(拉格朗日持久性);
这里的α 是位移向量表示(u,v)的场。我们可以计算解相关时间,从而得到另一种可预测性度量,即通过拉格朗日持久性得到的可预测性。作为拉格朗日持久性的一种改进,我们首先引入了源汇项,它表示降水的增长和消散,然后替换上面的等式右边的Ψ,得到:
是网格点P处的回波运动。对于每个网格点,常量向量方法使用一个常量平移向量,并且不允许旋转。为了克服这个缺点,本发明使用半拉格朗日(semi-Lagrangian)格式:平流被分成N个时间步为Δt来表示 τ ,即τ =NΔt;
如图3所示,显示了半拉格朗日向前 semi-Lagrangian forward(slf)、半拉格朗日向后 semi-Lagrangian backward(slb)、常量向量向前 constant-vector forward(cvf)和常量向量向后constant-vector backward(cvb)的向量。
如果旋转不可忽略,如天气尺度,半拉格朗日方法显然是首选。定性地表明,即使在强自转的情况下,该方案也能保持降水系统的形状。
S5、融合不同高度层的外推数据;
将不同高度的外推数据融合处理,处理方法是:遍历每个网格点所对应不同高度反射率外推数据取最大值,最终得出不同时刻的网格点面数据。
根据得到的每个层的雷达回波预报数据,每个层的数据用二维网格的图像表示,每个格点的值为-1到127的反射率值,最终的数据张量的形状为(c, height, width),其中c表示层数、height表示图像的高度、width表示图像的宽度;
每个外推时刻t 0+Δt的结果是通过在N的方向上取极大值,得到不同时刻的网格点面数据;最终的数据张量的形状为(1, height, width),就是只剩下一层图像方便气象员可视化雷达图;
总的外推时刻为t 0+NΔt,根据迭代过程就会得到N个形状为(1, height, width)的雷达外推数据。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (3)
1.一种基于气象雷达多层CAPPI的光流法外推方法,其特征在于:所述外推方法包括:
S1、解析雷达体积扫描文件中的反射率数据;
S2、采用多层CAPPI算法计算出各个高度层的CAPPI数据;
S3、采用DARTS算法基于各个高度层CAPPI数据计算出光流场;
S4、采用半拉格朗日算法计算出各个高度层的光流场外推数据;
S5、将不同高度的外推数据进行融合处理;
所述采用多层CAPPI算法计算出各个高度层的CAPPI数据包括:
S21、以等高平面上的距离为单位点,从某方位角上第一个距离库开始计算其对应的仰角,得到该仰角对应的上下体扫描仰角;
S22、判断该仰角与上下体扫描仰角的关系,用线性插值方法得到该高度上的数据;
S23、对每个方位角径向上的每一点都进行步骤S21和步骤S22的操作,直到平面全部遍历完成;
所述采用DARTS算法基于各个高度层CAPPI数据计算出光流场包括:
通过公式来表示雷达反射率场的时间序列的降水模式和演变,其中,F(x,y,t)表示雷达图像序列,U(x,y)表示东西方向速度场,V(x,y)为南北方向速度场,S(x,y,t)表示加性演化机制的序列,其中x是图像的横坐标,y是图像的纵坐标,t是外推时间;
选定的最大谐波数的整数集为N={Nx,Ny,Nt}、和的最大谐波数的整数集为M={Mx,My}以及的最大谐波数的整数集为L={Lx,Ly,Lt},其中Nx,Ny,Nt,Mx,My,Lx,Ly,Lt分别表示对应数据集的谐波数,其中DFT表示离散傅里叶变换;
2.根据权利要求1所述的一种基于气象雷达多层CAPPI的光流法外推方法,其特征在于:采用半拉格朗日算法计算出各个高度层的光流场随时间变化的结果,外推出之后数小时或数分钟的雷达回波数据包括:
3.根据权利要求2所述的一种基于气象雷达多层CAPPI的光流法外推方法,其特征在于:所述将不同高度的外推数据进行融合处理步骤如下:
根据得到的每个层的雷达回波预报数据,每个层的数据用二维网格的图像表示,每个格点的值为-1到127的反射率值,最终的数据张量的形状为(c, height, width),其中c表示层数、height表示图像的高度、width表示图像的宽度;
每个外推时刻t 0+Δt的结果是通过在N的方向上取极大值,得到不同时刻的网格点面数据;最终的数据张量的形状为(1, height, width),就是只剩下一层图像方便气象员可视化雷达图;
总的外推时刻为 t 0+NΔt,根据迭代过程就会得到N个形状为(1, height, width)的雷达外推数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853509.0A CN113296074B (zh) | 2021-07-28 | 2021-07-28 | 一种基于气象雷达多层cappi的光流法外推方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853509.0A CN113296074B (zh) | 2021-07-28 | 2021-07-28 | 一种基于气象雷达多层cappi的光流法外推方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113296074A CN113296074A (zh) | 2021-08-24 |
CN113296074B true CN113296074B (zh) | 2022-02-22 |
Family
ID=77331142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853509.0A Active CN113296074B (zh) | 2021-07-28 | 2021-07-28 | 一种基于气象雷达多层cappi的光流法外推方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113296074B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208517B (zh) * | 2020-01-15 | 2023-08-15 | 成都信息工程大学 | 基于多普勒天气雷达的短临外推预报流场构建方法 |
CN115542431B (zh) * | 2022-11-25 | 2023-03-10 | 成都远望探测技术有限公司 | 一种基于地基云雷达和卫星数据的对流初生监测方法 |
CN116953653B (zh) * | 2023-09-19 | 2023-12-26 | 成都远望科技有限责任公司 | 一种基于多波段天气雷达组网回波外推方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6035057A (en) * | 1997-03-10 | 2000-03-07 | Hoffman; Efrem H. | Hierarchical data matrix pattern recognition and identification system |
WO2007022376A2 (en) * | 2005-08-18 | 2007-02-22 | Honeywell International Inc. | Constant altitude plan position indicator display for multiple radars |
CN108519631A (zh) * | 2018-02-22 | 2018-09-11 | 青岛心中有数科技有限公司 | 降水强度预测方法 |
CN111521990A (zh) * | 2020-05-11 | 2020-08-11 | 沈阳工业大学 | 一种基于多层雷达回波数据的降雨量分析方法 |
CN212160076U (zh) * | 2020-04-21 | 2020-12-15 | 成都远望科技有限责任公司 | 一种激光雷达性能监控装置 |
CN112232232A (zh) * | 2020-10-20 | 2021-01-15 | 城云科技(中国)有限公司 | 一种目标检测方法 |
CN112505707A (zh) * | 2021-01-29 | 2021-03-16 | 成都远望探测技术有限公司 | 一种x波段双极化快速扫描相控阵天气雷达 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004037366A (ja) * | 2002-07-05 | 2004-02-05 | Mitsubishi Electric Corp | データ処理方法及びこれを用いた気象レーダ装置 |
US7843378B2 (en) * | 2008-03-04 | 2010-11-30 | Colorado State University Research Foundation | Dynamic and adaptive radar tracking of storms (DARTS) |
CN104950186B (zh) * | 2014-03-31 | 2018-06-12 | 乌托巴斯洞察公司 | 雷电预测的方法和装置 |
CN106932766B (zh) * | 2017-04-27 | 2019-07-09 | 中国人民解放军海军航空大学 | 基于变参数广义结构的距离扩展目标自适应检测方法 |
CN108535731B (zh) * | 2018-04-18 | 2020-12-29 | 青岛心中有数科技有限公司 | 短临降水预报方法与装置 |
US11442164B2 (en) * | 2019-06-07 | 2022-09-13 | Honeywell International Inc. | Systems and methods for determining convective cell growth from weather radar reflectivity data |
CN112379345B (zh) * | 2020-10-23 | 2024-04-19 | 吴海英 | 融合数值模式的雷达短临外推预报方法 |
-
2021
- 2021-07-28 CN CN202110853509.0A patent/CN113296074B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6035057A (en) * | 1997-03-10 | 2000-03-07 | Hoffman; Efrem H. | Hierarchical data matrix pattern recognition and identification system |
WO2007022376A2 (en) * | 2005-08-18 | 2007-02-22 | Honeywell International Inc. | Constant altitude plan position indicator display for multiple radars |
CN108519631A (zh) * | 2018-02-22 | 2018-09-11 | 青岛心中有数科技有限公司 | 降水强度预测方法 |
CN212160076U (zh) * | 2020-04-21 | 2020-12-15 | 成都远望科技有限责任公司 | 一种激光雷达性能监控装置 |
CN111521990A (zh) * | 2020-05-11 | 2020-08-11 | 沈阳工业大学 | 一种基于多层雷达回波数据的降雨量分析方法 |
CN112232232A (zh) * | 2020-10-20 | 2021-01-15 | 城云科技(中国)有限公司 | 一种目标检测方法 |
CN112505707A (zh) * | 2021-01-29 | 2021-03-16 | 成都远望探测技术有限公司 | 一种x波段双极化快速扫描相控阵天气雷达 |
Non-Patent Citations (7)
Title |
---|
Fully Spectral Method for Radar-Based Precipitation Nowcasting;Seppo Pulkkinen等;《 IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20190531;第12卷(第5期);全文 * |
Short-term predictability of weather radar quantities and lightning activity;Evan Ruzanski等;《 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS)》;20151112;全文 * |
Stochastic Spectral Method for Radar-Based Probabilistic Precipitation Nowcasting;Seppo Pulkkinen等;《Journal of Atmospheric and Oceanic Technology》;20190101;全文 * |
光流法及其在临近预报中的应用;曹春燕等;《气象学报》;20151231;第73卷(第3期);全文 * |
半拉格朗日方法及其在数值模拟和数值预报中的应用;董敏;《应用气象学报》;19970228;第8卷(第1期);全文 * |
基于天气雷达反演的参量和光流法在回波外推中的应用研究;刘燕斐;《中国优秀硕士学位论文全文数据库 基础科学辑》;20200315;全文 * |
基于改进光流法的雷达图像运动估计;王志斌等;《计算机技术与发展》;20170801(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113296074A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113296074B (zh) | 一种基于气象雷达多层cappi的光流法外推方法 | |
Brusch et al. | Underwater bottom topography in coastal areas from TerraSAR-X data | |
CN104950306B (zh) | 一种海杂波背景下前视海面目标角超分辨成像方法 | |
CN102982555B (zh) | 基于自适应流形粒子滤波的制导红外小目标跟踪方法 | |
CN108828691A (zh) | 短临降水预报方法与装置 | |
Naaijen et al. | Phase resolved wave prediction from synthetic radar images | |
CN108107434B (zh) | 基于双多普勒雷达反演的区域三维风场拼图方法 | |
CN108594230A (zh) | 一种海船场景的合成孔径雷达图像仿真方法 | |
Gerstoft et al. | Refractivity estimation using multiple elevation angles | |
CN109100723A (zh) | 基于多普勒天气雷达数据的高空风反演方法 | |
CN116953653B (zh) | 一种基于多波段天气雷达组网回波外推方法 | |
Damiani et al. | A high-resolution dual-Doppler technique for fixed multiantenna airborne radar | |
CN115267770A (zh) | 一种sar图像海洋涡旋检测方法及系统 | |
CN115755043A (zh) | 一种基于x波段非相参雷达的波浪场重构及预测方法 | |
Boag et al. | A fast physical optics (FPO) algorithm for double-bounce scattering | |
KR101781760B1 (ko) | 해양파 스펙트럼을 이용한 해양 표면의 사실적 시뮬레이션 방법 및 장치 | |
CN112731564B (zh) | 一种基于多普勒天气雷达数据的雷电智能预报方法 | |
Fowdur et al. | Tracking targets with known spatial extent using experimental marine radar data | |
CN111487621A (zh) | 一种基于雷达图像的海表流场反演方法及电子设备 | |
CN116451465A (zh) | 一种星载sar中尺度涡成像仿真方法及系统 | |
CN116500648A (zh) | 一种地基激光雷达目标区风廓线反演方法 | |
Kim et al. | Real-time inverse estimation of multi-directional random waves from vessel-motion sensors using Kalman filter | |
Pfaff et al. | Filtering on the unit sphere using spherical harmonics | |
CN114236522A (zh) | 前向散射雷达网目标三维空间位置估计方法及存储介质 | |
JP3589186B2 (ja) | 機上海洋予察装置 |
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 |