CN113837422A - 一种基于多源大数据的降水落区确定方法 - Google Patents
一种基于多源大数据的降水落区确定方法 Download PDFInfo
- Publication number
- CN113837422A CN113837422A CN202010589383.6A CN202010589383A CN113837422A CN 113837422 A CN113837422 A CN 113837422A CN 202010589383 A CN202010589383 A CN 202010589383A CN 113837422 A CN113837422 A CN 113837422A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- big data
- minute
- occurrence probability
- falling area
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000006855 networking Effects 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008447 perception Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000003908 quality control method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源大数据的降水落区确定方法,包括如下步骤:选定待确定降水落区范围并建立离散网格;获取逐分钟多源物联网大数据;对每种大数据分别采用相应的算法判断每个联网设备所处时空位置降水发生的概率;将待确定时刻前后一定时段且位于待确定降水落区内的逐分钟多源物联网大数据对应的降水发生概率合并成降水发生概率样本集,采用插值方法计算待确定降水落区范围内所有格点的降水发生概率,采用逻辑或运算将逐分钟降水发生概率转换成其他时间尺度的降水发生概率。本发明的有益效果是:多源物联网大数据的引入,相当于极大地增加了降水观测站网的密度,从而可以更加准确地描述降水落区的时空分布。
Description
技术领域
本发明涉及气象中降水客观分析领域,尤其涉及一种基于多源大数据的降水落区确定方法。
背景技术
降水是最基本的天气气候要素,对人类的生产生活有重要影响。降水发生时,对几乎所有室外活动都会产生影响。比如,降水引起的低能见度和道路湿滑,易引发交通事故。因此,实现对降水的精准监测一直是人类孜孜不倦追求的目标。
对降水的监测包括两个方面,一是降水落区,即什么位置出现了降水,二是降水量级,即出现降水位置的降水量是多少。然而,降水通常具有时空变化剧烈的特点,使用单一的观测手段很难对其进行精准的监测。为了实现对降水的精准监测,人类相继发展了雨量计、天气雷达、卫星遥感、雨滴谱仪、微波链路、视频图像等多种观测手段。但是各种观测手段在时空分辨率、覆盖范围,观测精度等方面各有优缺点。因此,融合多种降水观测资料,以实现对降水的精准监测,成为近年来研究的热点。
为实现对降水落区更加精准的监测,本发明提出一种新的融合雨量计、监控信息、车辆感知信息等资料确定降水落区的方案。
发明内容
本发明正是为了解决降水落区的确定问题而设计的一种基于多源大数据的降水落区确定方法。
本发明解决其技术问题所采用的技术方案是:
一种基于多源大数据的降水落区确定方法,首先,综合利用多源物联网大数据确定逐分钟降水落区;然后,转换成△T分钟时间尺度的降水落区;所述方法包括以下步骤:
步骤1:选定待确定降水落区范围D,并在D内建立离散网格;
步骤2:获取区域D内的逐分钟多源物联网大数据;
步骤3:对每种大数据分别采用相应的算法计算每个联网设备所处时空位置降水发生的概率;并将处理结果存储待用;
步骤4:读取待确定时刻前后△t分钟且位于区域D内的逐分钟多源大数据对应的降水发生概率,构成降水发生概率样本集;
步骤5:对步骤4中的降水发生概率样本集进行预处理和质量控制;
步骤6:根据步骤5中的样本集,采用插值方法计算待确定时刻区域D内所有格点的降水发生概率;对任一格点,若其降水发生概率P≥C,则置其降水发生概率为1,否则置其降水发生概率为0,其中C为一常数;并将处理结果存储待用;
步骤7:将步骤6中的逐分钟降水发生概率采用逻辑或运算转换成△T分钟时间尺度的降水发生概率;
步骤8:将确定的降水落区反馈给用户;
步骤9:建立相应的业务系统,重复步骤2-8。
所述一种基于多源大数据的降水落区确定方法,所述步骤2中的多源物联网大数据包括但不限于逐分钟雨量计观测资料、监控信息、车辆感知信息大数据中的一种或几种。
所述一种基于多源大数据的降水落区确定方法,所述雨量计观测资料内容包括但不限于雨量计位置坐标、观测时间、观测雨量。
所述一种基于多源大数据的降水落区确定方法,所述逐分钟监控信息的内容包括但不限于音频、视频、图片中的一种或其组合及其采集的的时间、位置;来源包括但不限于平安城市视频监控系统、天网工程视频监控系统、雪亮工程视频监控系统中的一种或几种。
所述一种基于多源大数据的降水落区确定方法,所述车辆感知信息的内容包括但不限于车辆位置、雨刮器状态及状态采集的时间;来源包括但不限于车联网服务平台。
所述一种基于多源大数据的降水落区确定方法,所述步骤3中的降水发生概率算法包括但不限于机器学习和阈值法。
所述一种基于多源大数据的降水落区确定方法,所述步骤5中对降水发生概率样本集的预处理和质量控制包括但不限于剔除冗余样本和异常样本。
所述一种基于多源大数据的降水落区确定方法,所述步骤6中的阈值C的取值范围为[0.3,0.7]。
所述一种基于多源大数据的降水落区确定方法,所述步骤7:将步骤6中的逐分钟降水发生概率采用逻辑或运算转换成△T分钟时间尺度的降水发生概率。
所述一种基于多源大数据的降水落区确定方法,所述步骤9中的业务系统包括数据获取模块、雨量计降水发生概率计算模块、监控信息降水发生概率计算模块、车辆感知信息降水发生概率计算模块、样本集读取模块、样本集预处理和质量控制模块、格点降水发生概率计算模块、降水发生概率升尺度模块、降水落区反馈模块或其中若干模块的组合。
本发明的有益效果是:多源物联网大数据的引入,相当于极大地增加了降水观测站网的密度,从而可以更加准确地描述降水落区的时空分布。
附图说明
图1为本发明的一种工作场景示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,本发明一种基于多源大数据的降水落区确定方法,首先,综合利用多源物联网大数据确定逐分钟降水落区;然后,转换成△T分钟时间尺度的降水落区;所述方法包括以下步骤:
步骤1:选定待确定降水落区范围D,并在D内建立离散网格;
步骤2:获取区域D内的逐分钟多源物联网大数据;
步骤3:对每种大数据分别采用相应的算法计算每个联网设备所处时空位置降水发生的概率;并将处理结果存储待用;
步骤4:读取待确定时刻前后△t分钟且位于区域D内的逐分钟多源大数据对应的降水发生概率,构成降水发生概率样本集;
步骤5:对步骤4中的降水发生概率样本集进行预处理和质量控制;
步骤6:根据步骤5中的样本集,采用插值方法计算待确定时刻区域D内所有格点的降水发生概率;对任一格点,若其降水发生概率P≥C,则置其降水发生概率为1,否则置其降水发生概率为0,其中C为一常数;并将处理结果存储待用;
步骤7:将步骤6中的逐分钟降水发生概率采用逻辑或运算转换成△T分钟时间尺度的降水发生概率;
步骤8:将确定的降水落区反馈给用户;
步骤9:建立相应的业务系统,重复步骤2-8。
所述一种基于多源大数据的降水落区确定方法,所述步骤2中的多源物联网大数据包括但不限于逐分钟雨量计观测资料、监控信息、车辆感知信息大数据中的一种或几种。
所述一种基于多源大数据的降水落区确定方法,所述雨量计观测资料内容包括但不限于雨量计位置坐标、观测时间、观测雨量。
所述一种基于多源大数据的降水落区确定方法,所述逐分钟监控信息的内容包括音频、视频、图片中的一种或其组合及其采集的的时间、位置;来源包括但不限于平安城市视频监控系统、天网工程视频监控系统、雪亮工程视频监控系统中的一种或几种。
所述一种基于多源大数据的降水落区确定方法,所述车辆感知信息的内容包括但不限于车辆位置、雨刮器状态及状态采集的时间;来源包括但不限于车联网服务平台。
所述一种基于多源大数据的降水落区确定方法,所述步骤3中的降水发生概率算法包括但不限于机器学习和阈值法。
所述一种基于多源大数据的降水落区确定方法,所述步骤5中对降水发生概率样本集的预处理和质量控制包括但不限于剔除冗余样本和异常样本。
所述一种基于多源大数据的降水落区确定方法,所述步骤6中的阈值C的取值范围为[0.3,0.7]。
所述一种基于多源大数据的降水落区确定方法,所述步骤7:将步骤6中的逐分钟降水发生概率采用逻辑或运算转换成△T分钟时间尺度的降水发生概率。
所述一种基于多源数据融合的降水落区确定方法,所述步骤9中的业务系统包括数据获取模块、雨量计降水发生概率计算模块、监控信息降水发生概率计算模块、车辆感知信息降水发生概率计算模块、样本集读取模块、样本集预处理和质量控制模块、格点降水发生概率计算模块、降水发生概率升尺度模块、降水落区反馈模块或其中若干模块的组合。
另一实施例
步骤1:选定待确定降水落区范围D,并在D内建立离散网格;
步骤2:从气象部门CIMISS系统获取区域D内的逐分钟雨量计观测资料;
步骤3:对步骤2获取的每个雨量计,若雨量计有观测值,则视其降水发生概率为1,否则为0;并将处理结果存储待用;
步骤4:从雪亮工程视频监控系统获取区域D内的逐分钟视频图像信息,内容包括视频拍摄的时间、位置及视频本身;
步骤5:对步骤4获取的每个监控设备的视频图像,就地采用基于视频图像的降水检测算法判断相应时段降水发生的概率;并将处理结果存储到指定数据库;
步骤6:从车联网服务平台获取区域D内的车辆感知信息,内容包括但不限于车辆位置、雨刮器状态及状态采集的时间;
步骤7:根据步骤6中的车辆雨刮器状态信息就地判断每台车辆所处时空位置降水发生的概率;并将处理结果存储到指定数据库;
步骤8:读取待确定时刻前后△t分钟且位于区域D内的逐分钟雨量计、视频图像、车辆对应的降水发生概率和对应的位置坐标、时间,构成降水发生概率样本集;
步骤9:剔除步骤8中降水发生概率样本集中的冗余样本和异常样本;
步骤10:根据步骤9中的样本,采用时空指示克里金计算待确定降水落区时刻区域D内所有格点的降水发生概率;对任一格点,若其降水发生概率P≥0.5,则置其降水发生概率为1,否则置其降水发生概率为0;并将处理结果存储待用;
步骤11:将步骤10中的逐分钟降水发生概率,采用逻辑或运算转换成10分钟时间尺度的降水发生概率;
步骤12:将确定的降水落区反馈给用户;
步骤13:建立相应的业务系统,重复步骤2-12。
本发明不局限于上述最佳实施方式,任何人在本发明的启示下得出的其他任何与本发明相同或相近似的产品,均落在本发明的保护范围之内。
Claims (10)
1.一种基于多源大数据的降水落区确定方法,其特征在于:首先,综合利用多源物联网大数据确定逐分钟降水落区;然后,转换成△T分钟时间尺度的降水落区;所述方法包括以下步骤:
步骤1:选定待确定降水落区范围D,并在D内建立离散网格;
步骤2:获取区域D内的逐分钟多源物联网大数据;
步骤3:对每种大数据分别采用相应的算法计算每个联网设备所处时空位置降水发生的概率;并将处理结果存储待用;
步骤4:读取待确定时刻前后△t分钟且位于区域D内的逐分钟多源大数据对应的降水发生概率,构成降水发生概率样本集;
步骤5:对步骤4中的降水发生概率样本集进行预处理和质量控制;
步骤6:根据步骤5中的样本集,采用插值方法计算待确定时刻区域D内所有格点的降水发生概率;对任一格点,若其降水发生概率P≥C,则置其降水发生概率为1,否则置其降水发生概率为0,其中C为一常数;并将处理结果存储待用;
步骤7:将步骤6中的逐分钟降水发生概率采用逻辑或运算转换成△T分钟时间尺度的降水发生概率;
步骤8:将确定的降水落区反馈给用户;
步骤9:建立相应的业务系统,重复步骤2-8。
2.根据权利要求1所述的一种基于多源大数据的降水落区确定方法,其特征在于:所述步骤2中的多源物联网大数据包括但不限于逐分钟雨量计观测资料、监控信息、车辆感知信息大数据中的一种或几种。
3.根据权利要求2所述的一种基于多源大数据的降水落区确定方法,其特征在于:所述雨量计观测资料内容包括但不限于雨量计位置坐标、观测时间、观测雨量。
4.根据权利要求2所述的一种基于多源大数据的降水落区确定方法,其特征在于:所述逐分钟监控信息的内容包括音频、视频、图片中的一种或其组合及其采集的的时间、位置;来源包括但不限于平安城市视频监控系统、天网工程视频监控系统、雪亮工程视频监控系统中的一种或几种。
5.根据权利要求2所述的一种基于多源大数据的降水落区确定方法,其特征在于:所述车辆感知信息的内容包括但不限于车辆位置、雨刮器状态及状态采集的时间;来源包括但不限于车联网服务平台。
6.根据权利要求1所述的一种基于多源大数据的降水落区确定方法,其特征在于:所述步骤3中的降水发生概率算法包括但不限于机器学习和阈值法。
7.根据权利要求1所述的一种基于多源大数据的降水落区确定方法,其特征在于:所述步骤5中对降水发生概率样本集的预处理和质量控制包括但不限于剔除冗余样本和异常样本。
8.根据权利要求1所述的一种基于多源大数据的降水落区确定方法,其特征在于:所述步骤6中的阈值C的取值范围为[0.3,0.7]。
9.根据权利要求1所述的一种基于多源大数据的降水落区确定方法,其特征在于:所述步骤7:将步骤6中的逐分钟降水发生概率采用逻辑或运算转换成△T分钟时间尺度的降水发生概率。
10.根据权利要求1所述的一种基于多源大数据的降水落区确定方法,其特征在于:所述步骤9中的业务系统包括数据获取模块、雨量计降水发生概率计算模块、监控信息降水发生概率计算模块、车辆感知信息降水发生概率计算模块、样本集读取模块、样本集预处理和质量控制模块、格点降水发生概率计算模块、降水发生概率升尺度模块、降水落区反馈模块或其中若干模块的组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010589383.6A CN113837422B (zh) | 2020-06-24 | 2020-06-24 | 一种基于多源大数据的降水落区确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010589383.6A CN113837422B (zh) | 2020-06-24 | 2020-06-24 | 一种基于多源大数据的降水落区确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837422A true CN113837422A (zh) | 2021-12-24 |
CN113837422B CN113837422B (zh) | 2024-06-14 |
Family
ID=78964680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010589383.6A Active CN113837422B (zh) | 2020-06-24 | 2020-06-24 | 一种基于多源大数据的降水落区确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837422B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918165A (zh) * | 2016-10-09 | 2018-04-17 | 清华大学 | 基于空间插值的多卫星融合降水预测方法及系统 |
CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
CN109447315A (zh) * | 2018-09-18 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
KR102033762B1 (ko) * | 2018-10-24 | 2019-10-17 | 김춘지 | 주변격자 최댓값 앙상블 확률 및 검정지수를 이용한 앙상블 예측 시스템의 성능 진단 방법 및 시스템 |
CN111308581A (zh) * | 2020-04-10 | 2020-06-19 | 海南省气象科学研究所 | 一种基于时空局部模型的雷达-雨量计联合降水估测方法 |
-
2020
- 2020-06-24 CN CN202010589383.6A patent/CN113837422B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918165A (zh) * | 2016-10-09 | 2018-04-17 | 清华大学 | 基于空间插值的多卫星融合降水预测方法及系统 |
CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
CN109447315A (zh) * | 2018-09-18 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
KR102033762B1 (ko) * | 2018-10-24 | 2019-10-17 | 김춘지 | 주변격자 최댓값 앙상블 확률 및 검정지수를 이용한 앙상블 예측 시스템의 성능 진단 방법 및 시스템 |
CN111308581A (zh) * | 2020-04-10 | 2020-06-19 | 海南省气象科学研究所 | 一种基于时空局部模型的雷达-雨量计联合降水估测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113837422B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109923595B (zh) | 一种基于浮动车数据的城市道路交通异常检测方法 | |
US5839089A (en) | Thunder cloud observation system | |
CN111323352B (zh) | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 | |
CN113706899A (zh) | 一种基于高速公路桥面气象结冰预测的交通运行风险防控方法 | |
CN111624682B (zh) | 一种基于多源数据融合的定量降水估测方法 | |
EP3951439B1 (en) | Advection fog forecasting system and forecasting method | |
AU2020103480A4 (en) | Method for estimating and inverting precipitation in plateau areas by using satellite cloud images | |
CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
Linton et al. | Winter road surface condition monitoring: field evaluation of a smartphone-based system | |
CN111104639A (zh) | 一种点面融合的时序pm2.5空间分布估算方法 | |
CN114925047A (zh) | 南极视宁度缺失值在线填补方法 | |
EP4081835B1 (en) | Methods, apparatuses, systems and computer program products for estimating road surface temperature | |
CN113742927A (zh) | 一种气象预报数据质量检测的方法 | |
CN113837422A (zh) | 一种基于多源大数据的降水落区确定方法 | |
CN112101639A (zh) | 一种基于多源气象数据的机场通行能力分析方法及系统 | |
CN115857056A (zh) | 一种强对流快速更新循环同化的天气预报方法及系统 | |
KR102420854B1 (ko) | 이동형 재난예방 서비스 제공 시스템 및 방법 | |
CN115424415A (zh) | 一种基于gnss实时监测的滑坡灾害智能预警方法 | |
Bogaerts et al. | Enhancement of road weather services using vehicle sensor data | |
CN114943303A (zh) | 一种基于多传感器遥感的时序aod重构方法 | |
CN115236772A (zh) | 一种漂流观测仪数据质量控制系统及其方法 | |
CN114019503A (zh) | 基于fod检测系统的机场跑道异物检测方法、设备、存储介质 | |
CN109118731B (zh) | 输电线路覆冰雪监测预警方法及系统 | |
CN112729366A (zh) | 自动驾驶场地测试的天气模拟设备测试评价方法及装置 | |
US20230333280A1 (en) | Scaling and statistical adjustments of precipitation rates for apparatuses having precipitation sensitive sensors |
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 |