CN113923594A - 一种基于时分长期演进网络的晴雨区分方法 - Google Patents

一种基于时分长期演进网络的晴雨区分方法 Download PDF

Info

Publication number
CN113923594A
CN113923594A CN202111184976.5A CN202111184976A CN113923594A CN 113923594 A CN113923594 A CN 113923594A CN 202111184976 A CN202111184976 A CN 202111184976A CN 113923594 A CN113923594 A CN 113923594A
Authority
CN
China
Prior art keywords
weather
rainfall
base station
term evolution
long term
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
Application number
CN202111184976.5A
Other languages
English (en)
Other versions
CN113923594B (zh
Inventor
刘西川
蒲康
刘磊
高太长
赵世军
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 CN202111184976.5A priority Critical patent/CN113923594B/zh
Priority to PCT/CN2021/136788 priority patent/WO2023060734A1/zh
Priority to DE112021007988.3T priority patent/DE112021007988T5/de
Priority to GBGB2404241.8A priority patent/GB202404241D0/en
Publication of CN113923594A publication Critical patent/CN113923594A/zh
Priority to US18/149,004 priority patent/US20230161071A1/en
Application granted granted Critical
Publication of CN113923594B publication Critical patent/CN113923594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/12—Sunshine duration recorders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Hydrology & Water Resources (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于时分长期演进网络的晴雨区分方法，包括：通过提取一定区域内时分长期演进网络基站的通信测量统计量，获得晴雨特征量；根据区域内多统计周期多基站、多雨量计观测结果，建立训练集；结合机器学习二分类算法建立晴雨区分模型，实现对单基站覆盖范围的降雨事件识别；基于多基站综合判断结果，计算具体位置发生降雨事件的可信度。该方法基于时分长期演进网络测量报告统计结果，能够实现区域范围内晴雨事件的有效识别，可广泛应用于等地面气象水文信息遥感领域。

Description

一种基于时分长期演进网络的晴雨区分方法
技术领域
本发明涉及气象探测领域，特别是涉及一种基于时分长期演进网络的晴雨区分方法。
背景技术
降水过程在地球的水循环、能量循环过程中扮演着极其重要的角色。降水信息的有效探测对于自然灾害预警、农业生产、交通安全等都具有重要的意义。目前，专业的地基雨量计可以精准的记录降雨量，但是稀疏的分布状况限制了其观测结果在大尺度范围的应用。测雨雷达可以大范围监测降雨的区域分布，然而其所基于的Z-R(雷达反射率因子-雨强)关系会受到局地雨滴谱分布的影响。测雨卫星可以获得全球范围内降雨分布信息，但是其时空分辨率较低且易受云的干扰，对近地面微雨探测能力有限。
除了上述专业的气象探测仪器，全球范围内广泛分布的非合作电磁波源也可以用于降雨信息的探测，其中最典型的例子是基于商用通信微波链路的降雨信息监测方法，其具有采样对象近地面、时空分辨率高、观测结果反演路径平均状况等特点。该方法通过接收机记录的电平值提取出链路上的雨引衰减信息，结合ITU-R雨衰模型，反演路径平均降雨强度。基于该原理的降雨信息监测手段已在国际上得到广泛研究和应用。然而，由于当前大量微波回传链路已被地下光纤所取代，在中国可获得的商用通信微波链路数据越来越少，极大限制了基于商用通信微波链路降雨信息监测方法未来在中国的推广应用。
除了商用通信微波回传链路，实际上分布更加广泛的非合作信号源是通信基站与通信终端之间所形成的电磁波传播网络，例如4G手机通信常用的时分长期演进TD-LTE(Time-Division Long Term Evolution)网络。由于4G基站与手机终端之间的通信电磁波频率小于3GHz，而在该频率范围内降雨的微波衰减效应很弱，因此难以像商用通信微波链路那样先提取出雨引衰减再得到降雨信息。然而每个TD-LTE网络基站所提供的测量报告包含了终端信号多区间强度、质量、时延等计数信息，这些信息在降雨发生时会出现一定规律的变化，因此理论上有潜力应用于降雨信息的监测。
发明内容
本发明的目的是提供一种基于时分长期演进网络的晴雨区分方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了如下方案：
本发明提供一种基于时分长期演进网络的晴雨区分方法，包括：
构建晴雨区分模型，将获取的晴雨特征量和晴雨标签矩阵输入所述晴雨区分模型进行训练；
基于训练好的所述晴雨区分模型分析基站覆盖范围内降雨事件的可信度。
可选的，构建晴雨区分模型之前，所述方法还包括：
选择同一区域内若干个正常工作的时分长期演进网络基站，在同一统计周期下记录每个基站内的通信终端的回传信息；
计算所述回传信息中的回传参数在各取值区间的数量、回传总数量以及回传参数平均量；
将所述回传参数在各取值区间的数量、回传总数量以及回传参数平均量作为通信测量统计量；
在若干个统计周期内进行上述计算，汇总获得的若干个所述通信测量统计量作为晴雨特征量；
构建晴雨标签矩阵。
可选的，构建晴雨标签的过程中包括：
同一区域内存在的若干个雨量计，基于距离所述正常工作的时分长期演进网络基站最近的雨量计的观测结果判断同一统计周期是否存在降雨；
将判断结果作为晴雨标签，在若干个统计周期内进行上述判断并记录，汇总获得的若干个所述晴雨标签作为晴雨标签矩阵。
可选的，所述晴雨标签确定方法包括：以空间距离最近雨量计所记录的累计降雨量和阈值0.1mm为划分标准。
可选的，构建所述晴雨区分模型的过程中包括：
基于机器学习二分类法构建所述晴雨区分模型，其中所述机器学习二分类法包括袋装决策树分类算法。
可选的，将获取的晴雨特征量和晴雨标签矩阵输入所述晴雨区分模型进行训练的过程中包括：
将晴雨特征量中包括的区域内多统计周期多基站和多雨量计观测结果作为训练集，输入所述晴雨区分模型；
通过识别基站覆盖范围内某统计周期内是否存在降雨事件进行训练。
可选的，通过识别基站覆盖范围内某统计周期内是否存在降雨事件进行训练的过程中包括：
基于区域内某位置所有可通信基站的晴雨区分结果综合判断该位置存在降雨事件的概率。
可选的，将获取的晴雨特征量和晴雨标签矩阵输入所述晴雨区分模型进行训练的过程中还包括：
通过十折交叉验证对晴雨区分模型的准确性进行测试，获得模型性能指标和混淆矩阵。
可选的，基于训练好的所述晴雨区分模型分析基站覆盖范围内降雨事件的可信度的过程中包括：基于反距离加权法计算发生降雨的可信度。
本发明公开了以下技术效果：
本发明提出的一种基于时分长期演进网络的晴雨区分方法，在时分长期演进网络测量报告统计结果基础上，充分挖掘晴雨期识别敏感特征量，实现了对区域范围内降雨信息有效探测；同时，本发明基于广泛现存的时分长期演进网络，并不需要额外的硬件成本投入，提供了一种超低成本、覆盖范围广、空间分辨率高的近地面降雨信息监测手段，具有极高的实际应用前景。本发明可以作为晴雨期识别新方法应用到实际业务当中。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的通信基站、通信终端和雨量计分布示意图，其中BS代表通信基站，RG代表雨量计，手机图标代表通信终端；
图2为本发明实施例中的一种基于时分长期演进网络的晴雨区分方法的工作流程图，其中实线代表睛雨识别模型建立过程，虚线代表睛雨识别模型应用过程；
图3为本发明实施例中的单基站晴雨区分模型的混淆矩阵；
图4为本发明实施例中的某位置降雨可信度的计算结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明所述一种基于时分长期演进网络的晴雨区分方法的通信基站、通信终端、雨量计分布示意图；图2是本发明所述一种基于时分长期演进网络的晴雨区分方法的工作流程图；图3是本发明实例中单基站晴雨区分模型的混淆矩阵；图4是本发明实例中某位置降雨可信度的计算结果图。
本发明利用一定区域内时分长期演进网络基站的通信测量统计量获得晴雨特征量,结合机器学习二分类算法建立晴雨区分模型实现对单基站覆盖范围的降雨事件识别，并基于多基站综合判断具体位置发生降雨事件的可信度，主要包括如下步骤：
1.基于一定区域内时分长期演进网络基站获取晴雨期识别特征矩阵。
(1)选择区域内116个正常工作的时分长期演进网络基站BS1,BS2,…,BS116，每个基站记录在第s个统计周期(统计周期T＝60(min))(s＝1,2,…,48)内的手机终端回传信息；
(2)根据手机终端回传信息，第m个基站计算第s个统计周期内的手机终端回传的参考信号接收功率各区间数n1,m,s,n2,m,s,…,n48,m,s(总共存在48个强度区间)，参考信号接收功率总采样点数Nm,s以及平均参考信号接收功率Avem,s；
(3)组建第m个基站第s个统计周期内晴雨识别特征量xm,s＝[n1,m,s,n2,m,s,…,nK,m,s,Nm,s,Avem,s]，得到特征矩阵：
Figure BDA0003298771500000061
并将X进行归一化处理得到X’；
2.基于区域内雨量计观测结果建立标签矩阵。
(1)区域内存在1个雨量计RG1，根据RG1观测结果判断第m个基站第s个统计周期内是否存在降雨，并将判断结果作为晴雨标签ym,s：
Figure BDA0003298771500000062
其中
Figure BDA0003298771500000063
是第s个统计周期内RG1记录的累计降雨量(mm)。
(2)组合晴雨标签获得标签矩阵：
Figure BDA0003298771500000064
3.根据历史资料构建训练集[X’,Y]，结合袋装决策树分类算法建立晴雨区分模型，识别某基站覆盖范围内某统计周期内是否存在降雨事件。
4.通过十折交叉验证对晴雨区分模型的准确性进行测试，获得模型性能指标和混淆矩阵。
5.在实际应用中，以某一具体位置O为例，根据区域内所有可通信基站的晴雨区分结果综合判断该位置存在降雨事件的概率，位置O的所有可通信基站数为a＝3，其中某统计周期内判断为雨期的可通信基站数为b，根据反距离加权计算该位置在该统计周期内发生降雨的可信度：
Figure BDA0003298771500000071
其中drain,j(km)是第j个判断为雨期的可通信基站与该位置之间的距离，dall,i(km)是第i个可通信基站与该位置之间的距离，计算结果如图4和表1所示。
表1
Figure BDA0003298771500000081
在实际应用过程中，根据时分长期演进网络测量报告提取的特征量，可直接获得单基站覆盖范围的晴雨标签以及多基站交叉区域的降雨可信度综合判断结果。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种基于时分长期演进网络的晴雨区分方法，其特征在于，包括以下步骤：
构建晴雨区分模型，将获取的晴雨特征量和晴雨标签矩阵输入所述晴雨区分模型进行训练；
基于训练好的所述晴雨区分模型分析基站覆盖范围内降雨事件的可信度。
2.根据权利要求1所述的方法，其特征在于，构建晴雨区分模型之前，所述方法还包括：
选择同一区域内若干个正常工作的时分长期演进网络基站，在同一统计周期下记录每个基站内的通信终端的回传信息；
计算所述回传信息中的回传参数在各取值区间的数量、回传总数量以及回传参数平均量；
将所述回传参数在各取值区间的数量、回传总数量以及回传参数平均量作为通信测量统计量；
在若干个统计周期内进行上述计算，汇总获得的若干个所述通信测量统计量作为晴雨特征量；
构建晴雨标签矩阵。
3.根据权利要求2所述的方法，其特征在于，构建晴雨标签的过程中包括：
同一区域内存在的若干个雨量计，基于距离所述正常工作的时分长期演进网络基站最近的雨量计的观测结果判断同一统计周期是否存在降雨；
将判断结果作为晴雨标签，在若干个统计周期内进行上述判断并记录，汇总获得的若干个所述晴雨标签作为晴雨标签矩阵。
4.根据权利要求3所述的方法，其特征在于，所述晴雨标签确定方法包括：以空间距离最近雨量计所记录的累计降雨量和阈值0.1mm为划分标准。
5.根据权利要求1所述的方法，其特征在于，构建所述晴雨区分模型的过程中包括：
基于机器学习二分类法构建所述晴雨区分模型，其中所述机器学习二分类法包括袋装决策树分类算法。
6.根据权利要求2所述的方法，其特征在于，将获取的晴雨特征量和晴雨标签矩阵输入所述晴雨区分模型进行训练的过程中包括：
将晴雨特征量中包括的区域内多统计周期多基站和多雨量计观测结果作为训练集，输入所述晴雨区分模型；
通过识别基站覆盖范围内某统计周期内是否存在降雨事件进行训练。
7.根据权利要求6所述的方法，其特征在于，通过识别基站覆盖范围内某统计周期内是否存在降雨事件进行训练的过程中包括：
基于区域内某位置所有可通信基站的晴雨区分结果综合判断该位置存在降雨事件的概率。
8.根据权利要求1所述的方法，其特征在于，将获取的晴雨特征量和晴雨标签矩阵输入所述晴雨区分模型进行训练的过程中还包括：
通过十折交叉验证对晴雨区分模型的准确性进行测试，获得模型性能指标和混淆矩阵。
9.根据权利要求1所述的方法，其特征在于，基于训练好的所述晴雨区分模型分析基站覆盖范围内降雨事件的可信度的过程中包括：基于反距离加权法计算发生降雨的可信度。
CN202111184976.5A 2021-10-12 2021-10-12 一种基于时分长期演进网络的晴雨区分方法 Active CN113923594B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202111184976.5A CN113923594B (zh) 2021-10-12 2021-10-12 一种基于时分长期演进网络的晴雨区分方法
PCT/CN2021/136788 WO2023060734A1 (zh) 2021-10-12 2021-12-09 一种基于时分长期演进网络的晴雨区分方法
DE112021007988.3T DE112021007988T5 (de) 2021-10-12 2021-12-09 Verfahren zur unterscheidung von sonnigem und regnerischem wetter basierend auf einem zeitaufteilung-langzeitentwicklungsnetzwerk
GBGB2404241.8A GB202404241D0 (en) 2021-10-12 2021-12-09 Sunny and rainy area division method based on time division long-term evolution network
US18/149,004 US20230161071A1 (en) 2021-10-12 2022-12-30 Method for distinguishing sunny-rainy weather based on time division long-term evolution network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111184976.5A CN113923594B (zh) 2021-10-12 2021-10-12 一种基于时分长期演进网络的晴雨区分方法

Publications (2)

Publication Number Publication Date
CN113923594A true CN113923594A (zh) 2022-01-11
CN113923594B CN113923594B (zh) 2023-10-03

Family

ID=79239283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111184976.5A Active CN113923594B (zh) 2021-10-12 2021-10-12 一种基于时分长期演进网络的晴雨区分方法

Country Status (5)

Country Link
US (1) US20230161071A1 (zh)
CN (1) CN113923594B (zh)
DE (1) DE112021007988T5 (zh)
GB (1) GB202404241D0 (zh)
WO (1) WO2023060734A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114828077A (zh) * 2022-05-19 2022-07-29 中国人民解放军国防科技大学 一种基于蜂窝移动通信网的区域降雨场重构方法
CN116383701A (zh) * 2023-04-13 2023-07-04 中国人民解放军国防科技大学 一种基于学习重构的微波链路雨期检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102905358A (zh) * 2012-10-12 2013-01-30 南京邮电大学 一种卫星通信系统链路自适应步长功率控制方法
CN104656163A (zh) * 2015-02-04 2015-05-27 中国人民解放军理工大学 一种基于大数据的移动通信网降水分布及动态测量方法
JP2016153728A (ja) * 2015-02-20 2016-08-25 三菱電機株式会社 レーダ信号処理装置及びレーダ装置
CN110728411A (zh) * 2019-10-18 2020-01-24 河海大学 一种基于卷积神经网络的高低空区域联合降雨预测方法
CN111401644A (zh) * 2020-03-19 2020-07-10 南京国准数据有限责任公司 一种基于神经网络的降水降尺度空间预测方法
CN111401602A (zh) * 2019-12-31 2020-07-10 河海大学 基于神经网络的卫星以及地面降水测量值同化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107046700B (zh) * 2016-02-05 2020-04-21 中兴通讯股份有限公司 一种预测移动终端切换基站的方法和装置
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102905358A (zh) * 2012-10-12 2013-01-30 南京邮电大学 一种卫星通信系统链路自适应步长功率控制方法
CN104656163A (zh) * 2015-02-04 2015-05-27 中国人民解放军理工大学 一种基于大数据的移动通信网降水分布及动态测量方法
JP2016153728A (ja) * 2015-02-20 2016-08-25 三菱電機株式会社 レーダ信号処理装置及びレーダ装置
CN110728411A (zh) * 2019-10-18 2020-01-24 河海大学 一种基于卷积神经网络的高低空区域联合降雨预测方法
CN111401602A (zh) * 2019-12-31 2020-07-10 河海大学 基于神经网络的卫星以及地面降水测量值同化方法
CN111401644A (zh) * 2020-03-19 2020-07-10 南京国准数据有限责任公司 一种基于神经网络的降水降尺度空间预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
廖彬武: "基于雷达资料降水量的反演", 《河南科技》, pages 151 - 152 *
滕少华;唐海涛;张巍;刘冬宁;梁路: "混合PNN和RBF多神经网络模型的局域降雨类型识别及雨量预测", 《小型微型计算机系统》, 15 November 2016 (2016-11-15), pages 2571 - 2576 *
牛睿平: "利用雨量雷达构建面雨量自动监测系统", 《水利信息化》, pages 33 - 36 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114828077A (zh) * 2022-05-19 2022-07-29 中国人民解放军国防科技大学 一种基于蜂窝移动通信网的区域降雨场重构方法
CN114828077B (zh) * 2022-05-19 2023-09-01 中国人民解放军国防科技大学 一种基于蜂窝移动通信网的区域降雨场重构方法
CN116383701A (zh) * 2023-04-13 2023-07-04 中国人民解放军国防科技大学 一种基于学习重构的微波链路雨期检测方法
CN116383701B (zh) * 2023-04-13 2024-01-26 中国人民解放军国防科技大学 一种基于学习重构的微波链路雨期检测方法

Also Published As

Publication number Publication date
CN113923594B (zh) 2023-10-03
DE112021007988T5 (de) 2024-05-02
GB202404241D0 (en) 2024-05-08
WO2023060734A1 (zh) 2023-04-20
US20230161071A1 (en) 2023-05-25

Similar Documents

Publication Publication Date Title
US20230161071A1 (en) Method for distinguishing sunny-rainy weather based on time division long-term evolution network
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
Schleiss et al. Identification of dry and rainy periods using telecommunication microwave links
CN101137171B (zh) 一种获取和校正无线传播模型参数的方法和系统
CN104613892A (zh) 融合视频检测技术和激光测距技术的复合雪深监测系统
CN110930048A (zh) 一种基于成灾机理过程的农作物干旱风险评估系统及方法
CN105279612A (zh) 一种基于泊松分布的输电线路跳闸风险评估方法
CN102520464A (zh) 区域积涝预报系统及其预报方法
KR101864222B1 (ko) 보행자 통행량 빅데이터 분석 시스템 및 방법
CN114331023B (zh) 一种植被干旱监测评估方法
CN109740195A (zh) 一种基于气象站观测数据的极值台风风速概率分布模型及设计台风风速的评估方法
CN105632059A (zh) 一种分布式光纤周界安防系统
CN107403004B (zh) 一种基于地形数据的遥测雨量站点可疑数值检验方法
CN114414491B (zh) 一种草原生态动态监测与分析系统
CN202019456U (zh) 天馈线性能优化系统
CN109816955A (zh) 基于多传感器融合的变形监测仪器联动管理系统及方法
Liu et al. Rainfall monitoring using a microwave links network: A long-term experiment in East China
CN113516418A (zh) 一种苹果种植区干旱灾害风险评估方法
CN114828077B (zh) 一种基于蜂窝移动通信网的区域降雨场重构方法
CN112233381A (zh) 一种基于机理和机器学习耦合的泥石流预警方法与系统
CN209625401U (zh) 一种区域山洪地质灾害综合监测预警系统
CN110441830B (zh) 基于自动气象站的小区域天气预测方法及存储介质
CN114664041B (zh) 一种基于深度学习的多传感器融合预警预测方法
Mott et al. Accuracy assessment of aircraft transponder–based devices for measuring airport operations
CN114661700A (zh) 一种基于ai的人工影响天气作业效果检验方法

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