CN114325874B - 一种强对流天气个例库系统的建立方法 - Google Patents
一种强对流天气个例库系统的建立方法 Download PDFInfo
- Publication number
- CN114325874B CN114325874B CN202110882759.7A CN202110882759A CN114325874B CN 114325874 B CN114325874 B CN 114325874B CN 202110882759 A CN202110882759 A CN 202110882759A CN 114325874 B CN114325874 B CN 114325874B
- Authority
- CN
- China
- Prior art keywords
- data
- weather
- strong convection
- radar
- radar echo
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013213 extrapolation Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000003908 quality control method Methods 0.000 claims abstract description 10
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 4
- 238000002310 reflectometry Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000011161 development Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000002592 echocardiography Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种强对流天气个例库系统的建立方法，包括如下步骤：采集强对流天气发生时的雷达回波数据、各高度层的气象要素数据、地面气象要素数据、气象卫星数据以及强对流天气发生前后的垂直风场、水平风场和风谱信息数据；将获得的数据进行数据质量控制；针对雷达回波数据，基于卷积神经网络和循环神经网络相结合的雷达外推模型，自动识别强对流天气类型；对各高度层的气象要素数据、地面气象要素数据、雷达回波数据以及气象卫星数据进行进一步分析；将获得的数据、强对流天气类型分析和其他分析结果录入数据库，建立强对流天气个例库系统。本发明可以为天气预报员提供可查询和分析的数据指标，便于天气预报员进行强对流天气的预报。
Description
技术领域
本发明属于气象分析技术领域，特别涉及一种强对流天气个例库系统的建立方法。
背景技术
强对流天气是大气对流活动强烈发展而产生的灾害性天气，主要包括冰雹、雷暴大风、龙卷风、短时强降水等。强对流天气常具有突发性，其预报时效短，准确率低，通常采用临近预报方法。目前，很多预报系统都采用数值预报模式，但是由于数值预报存在预报起转延迟，其短时临近预报能力有限。
对于强对流天气的针对性预报，需要获得其发生发展的各类指标；因此，一种基于强对流天气的个例库系统的建立是非常必要的，以用于为天气预报员提供指导。
发明内容
为解决上述技术问题，本发明的目的在于提供一种强对流天气个例库系统的建立方法，可以将雷达回波数据、强对流天气形势的各高度层的气象要素数据、地面气象要素数据、气象卫星数据进行识别和分析后，录入数据库，建立强对流天气个例库系统，为天气预报员提供可以查询和分析的数据指标，进而便于天气预报员进行强对流天气的预报。
为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
一种强对流天气个例库系统的建立方法，包括如下步骤：
S1，通过多普勒天气雷达采集强对流天气发生时的雷达回波数据；通过垂直探空仪获得强对流天气形势的各高度层的气象要素数据，并通过地面观测场获取地面气象要素数据；通过静止气象卫星和极轨气象卫星获取强对流天气发生的气象卫星数据；通过风廓线雷达获取强对流天气发生前后的垂直风场、水平风场和风谱信息数据；
S2，将步骤S1获得的数据进行数据质量控制；
S3，针对所采集的雷达回波数据，基于卷积神经网络和循环神经网络相结合的雷达外推模型，自动识别雷达覆盖范围内存在的强对流天气类型；
S4，结合强对流天气形势的各高度层的气象要素数据和地面气象要素数据分析高低空天气形势以及强对流天气发生发展潜势，进而得出强对流天气在上空发生的大概位置；
S5，综合分析雷达回波数据以及气象卫星数据，得出强对流天气的具体发生地；
S6，将步骤S1获得的并经质量控制后的数据、对应的强对流天气类型、步骤S4以及步骤S5的分析结果录入数据库，并设置数据库查询模块，以建立强对流天气个例库系统。
进一步的，所述雷达回波数据包括雷达回波图，通过雷达回波图提取的相关特征包括反射率因子强度、径向速度、回波顶高、垂直累积液态水含量、风暴追踪信息；强对流天气形势的各高度层的气象要素数据包括各高度层上的温度、气压、湿度、风物理量；地面气象要素数据包括近地面的温度、气压、湿度、风信息；气象卫星数据包括气象卫星云图，通过气象卫星云图提取的相关特征包括TBB亮温、大气水汽含量。
进一步的，步骤S2中，数据质量控制包括对雷达回波数据中的地物杂波、异常传播、旁瓣回波、非气象回波进行去除，以及对所获得的温度、气压、湿度、风信息进行极值检查、空间连续性和时间连续性检查。
进一步的，步骤S3中的雷达外推模型的构建步骤如下：
(1)数据集采集和数据预处理：训练采用的雷达回波基数据是一组包含 18个时间步的雷达回波图序列；利用python解析雷达回波基数据，读取其中的反射率、库距离、方位角和仰角，库长的分辨率为250m，仰角共9层，每一层都插值到等经纬度网络，获得9层的插值网路数据，每个像素点取9层中最大值，获得基数据对应的组合反射率，将组合反射率归一化，最后将归一化后的组合反射率保存为灰度图，获得样本集；
(2)模型训练和构建：建立卷积神经网络，网络采用样本集的前6个时间节点上的雷达回波图作为输入数据，采用后12个时间节点上的雷达回波图作为目标数据；卷积神经网络采用3层卷积模块；建立循环神经网络，该循环神经网络采用长短期记忆框架。
进一步的，利用雷达外推模型自动识别强对流天气类型的方法如下：
对采集到的需要测试的雷达回波图按照步骤(1)的数据预处理方法进行处理，得到测试样本集，将测试样本集输入到雷达外推模型，卷积神经网络提取雷达回波图中的抽象特征，并降低抽象特征的维度，减小模型的计算量；循环神经网络将抽象特征维度还原为雷达回波维度，输出雷达回波外推图像，以预测雷达回波未来变化，进而识别强对流天气类型。
更进一步的，所述雷达外推模型中还引入矫正滤波网络，以对雷达回波数据进行矫正。
进一步的，所述循环神经网络具有双分支结构的LSTM单元，其中一个分支PhyNet用来模拟偏微分方程的动力学特征，另一个分支ConvLSTM用来编码数据中偏微分方程不能刻画的余项特征。
进一步的，雷达外推模型训练采用的优化算法为Adam优化算法，初始学习率为0.001，学习率变化采取3种策略：恒定学习率、学习率随时间指数衰减的学习率和随时间余弦变化的学习率，损失函数采用1-范数、2-范数和结构相似性系数SSIM三者的组合。
本发明的有益效果是：
本发明可以将雷达回波数据、对流天气形势的各高度层的气象要素数据、地面气象要素数据、气象卫星数据进行识别和分析后，录入数据库，建立强对流天气个例库系统，为天气预报员提供可以查询和分析的数据指标，进而便于天气预报员进行强对流天气的预报。
其中，本发明还通过构建基于卷积神经网络和循环神经网络相结合的雷达外推模型，以针对雷达回波数据，预测雷达回波未来变化，进而识别强对流天气类型；雷达回波数据以及识别结果录入个例库系统，从而便于天气预报人员根据雷达回波数据，并结合个例库系统预测强对流天气类型。
附图说明
图1为本发明一种强对流天气个例库系统的建立方法的流程示意图。
具体实施方式
下面将结合具体实施例对本发明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。
实施例
一种强对流天气个例库系统的建立方法，包括如下步骤：
S1，通过多普勒天气雷达采集强对流天气发生时的雷达回波数据；通过垂直探空仪获得强对流天气形势的各高度层的气象要素数据，并通过地面观测场获取地面气象要素数据；通过静止气象卫星和极轨气象卫星获取强对流天气发生的气象卫星数据；通过风廓线雷达获取强对流天气发生前后的垂直风场、水平风场和风谱信息数据；
其中的雷达回波数据包括雷达回波图，通过雷达回波图提取的相关特征包括反射率因子强度、径向速度、回波顶高、垂直累积液态水含量、风暴追踪信息等；强对流天气形势的各高度层的气象要素数据包括各高度层上的温度、气压、湿度、风物理量；地面气象要素数据包括近地面的温度、气压、湿度、风信息；气象卫星数据包括气象卫星云图，通过气象卫星云图提取的相关特征包括TBB亮温、大气水汽含量等。
S2，将步骤S1获得的数据进行数据质量控制；
数据质量控制包括对雷达回波数据中的地物杂波、异常传播、旁瓣回波、非气象回波进行去除，以及对所获得的温度、气压、湿度、风信息进行极值检查、空间连续性和时间连续性检查。
S3，针对所采集的雷达回波数据，基于卷积神经网络和循环神经网络相结合的雷达外推模型，自动识别雷达覆盖范围内存在的强对流天气类型；
雷达外推模型的构建步骤如下：
(1)数据集采集和数据预处理：训练采用的雷达回波基数据是一组包含 18个时间步的雷达回波图序列；利用python解析雷达回波基数据，读取其中的反射率、库距离、方位角和仰角，库长的分辨率为250m，仰角共9层，每一层都插值到等经纬度网络，获得9层的插值网路数据，每个像素点取9层中最大值，获得基数据对应的组合反射率，将组合反射率归一化，最后将归一化后的组合反射率保存为灰度图，获得样本集；
(2)模型训练和构建：建立卷积神经网络，网络采用样本集的前6个时间节点上的雷达回波图作为输入数据，采用后12个时间节点上的雷达回波图作为目标数据；卷积神经网络采用3层卷积模块，每层卷积核数量均为64，9 6或128层，卷积核大小为3*3；建立循环神经网络，该循环神经网络采用长短期记忆框架。
循环神经网络具有双分支结构的LSTM单元，其中一个分支PhyNet用来模拟偏微分方程的动力学特征，另一个分支ConvLSTM用来编码数据中偏微分方程不能刻画的余项特征。
雷达外推模型训练采用的优化算法为Adam优化算法，初始学习率为0.0 01，学习率变化采取3种策略：恒定学习率、学习率随时间指数衰减的学习率和随时间余弦变化的学习率，损失函数采用1-范数、2-范数和结构相似性系数SSIM三者的组合。
雷达外推模型中还引入矫正滤波网络，以对雷达回波数据进行矫正。
利用雷达外推模型自动识别强对流天气类型的方法如下：
对采集到的需要测试的雷达回波图按照步骤(1)的数据预处理方法进行处理，得到测试样本集，将测试样本集输入到雷达外推模型，卷积神经网络提取雷达回波图中的抽象特征，并降低抽象特征的维度，减小模型的计算量；循环神经网络将抽象特征维度还原为雷达回波维度，输出雷达回波外推图像，以预测雷达回波未来变化，进而识别强对流天气类型。
S4，结合强对流天气形势的各高度层的气象要素数据和地面气象要素数据分析高低空天气形势以及强对流天气发生发展潜势，进而得出强对流天气在上空发生的大概位置；
S5，综合分析雷达回波数据以及气象卫星数据，得出强对流天气的具体发生地；
S6，将步骤S1获得的并经质量控制后的数据、对应的强对流天气类型分析、步骤S4以及步骤S5的分析结果录入数据库，并设置数据库查询模块，以建立强对流天气个例库系统。
此外，该个例库系统还可录入强对流天气发生的开始时间和结束时间、灾情等级、灾情描述以及实况照片或视频等。
该个例库系统可以录入十年以上的分析数据，形成各类强对流天气发生发展指标，并设定各类强对流天气发生发展的对流阈值，为预报员提供预报指导。
结合构建的模型，可以判别冰雹强对流天气。以苏州发生的冰雹、龙卷风和短时强降水为例，根据个例库系统，可得到冰雹、龙卷风和短时强降水的发生发展指标为：
冰雹
苏州冰雹天气地理分布呈现北部多于南部的特征，沿江地区为多发区，4、 5、6、7、8月份江苏发生的冰雹日数较多，特别是5月和6月冰雹日数为最多。
表征冰雹的最常用物理量指数平均值见表1。
表1
由表1中数据可见，产生冰雹的环境条件中热力条件相对于水汽条件来说显得尤为重要，发生冰雹最多的4-7月份850hPa与500hPa温度之差为全年最大。
有利于冰雹生成的环境条件是上干下湿，具有较强而深厚的垂直风切变和强上升气流(大的对流有效位能)，适宜的0℃和-20℃高度。0℃层高度一般在4km左右，-20℃层高度在7.5km附近或以下有利于冰雹生长，一般0℃和-20℃的高度差为3km左右最合适。
冰雹识别要关注组合反射率因子是否大于60dBZ，是否有高悬的强回波。冰雹云的回波顶高有显著的月变化，冰雹回波顶高随着气温的升高而升高，2 月份平均回波顶高为10km，8月份为15.8km，垂直累计液态含水量VIL通常在30kg.m-2以上，如果有三体散射特征则表示有超过2cm以上大冰雹产生的可能。
龙卷风
苏州龙卷风发生地域分布呈东多西少的特点。多发区位于水体和地势低沃地区。夏季为龙卷风的高发期，7月份发生龙卷个数和日数最多，其次是8 月份；
有利于龙卷产生的环境条件分别是低的抬升凝结高度和近地面层(0-1km) 较大的垂直风切变。龙卷的垂直风切变远远大于冰雹和雷雨大风，尤其是中低层的风切变，这个特点非常显著。整体而言风暴相对螺旋度的高值区对龙卷有一定的指示预警作用；
龙卷回波的雷达反射率因子一般在53dBZ以上，从回波参数上不易识别龙卷。龙卷主要通过径向速度场去识别和预警，如果雷达位置合适，一般都存在TVS，最大速度差≥24m.s-1，TVS的底部达到雷达可探测的最低高度。当TVS和强中气旋同时存在时，出现F3级强烈龙卷的可能性大；当TVS和中等强度中气旋同时存在时，出现F2级龙卷的可能性大。有强中气旋，即使没有TVS仍很可能发生龙卷天气。由于雷达与龙卷的距离直接影响到中气旋和TVS，所以在出现正负速度对后要选取100km内的雷达，对其径向速度场进行进一步仔细分析。
短时强降水
苏州短时强降水一般发生在6月中旬到7月上旬的梅汛期，以及一般与雷暴大风相伴随发生的高温夏季7-8月，最大一小时降水量有时达80-110毫米；
短时强降水的发生需要充沛的水汽；通常情况下，850hPa比湿在13g.Kg -1以上，且湿层较深厚。与冰雹天气不同，典型强降水的对流有效位能均不大，大部分在400～1500J.Kg-1。KI指数是较好的指示短时强降水的指标，出现短时强降水前KI指数平均值为37℃。短时强降水的0℃层高度在5000gpm左右，高于冰雹发生时的0℃层高度。
短时强降水可按雷达回波形态分为低质心和类雹暴结构两种；低质心结构形态特征：一般表现为不断有较强回波单体经过造成列车效应，回波的最大反射率因子为50～55dBZ；剖面呈低质心结构，不存在强回波悬垂，50dB Z以上的强回波伸展高度达不到0℃层高度；VIL基本在12～32Kg.m-2之间，相比于冰雹和雷雨大风，值是比较小的；造成列车效应的回波移动速度较快；类雹暴结构的特征表现为最大反射率因子为50～55dBZ；剖面类似雹暴的结构，对流发展比较深厚，强回波中心扩展到较高的高度，并在高悬的强回波下有弱回波区，50dBZ以上的强回波伸展高度超过0℃层高度；垂直液态积分含水量较大，能达50Kg.m-2以上，但回波的移动速度极其缓慢慢，平均在5- 20km.h-1。但两种类型的径向速度场却有着相同的特征，至少会存在中小尺度风速切变、大风核、气旋性辐合或中气旋等特征的一种或几种。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种强对流天气个例库系统的建立方法，其特征在于，包括如下步骤：
S1，通过多普勒天气雷达采集强对流天气发生时的雷达回波数据；通过垂直探空仪获得强对流天气形势的各高度层的气象要素数据，并通过地面观测场获取地面气象要素数据；通过静止气象卫星和极轨气象卫星获取强对流天气发生的气象卫星数据；通过风廓线雷达获取强对流天气发生前后的垂直风场、水平风场和风谱信息数据；
S2，将步骤S1获得的数据进行数据质量控制；
S3，针对所采集的雷达回波数据，基于卷积神经网络和循环神经网络相结合的雷达外推模型，自动识别雷达覆盖范围内存在的强对流天气类型；
S4，结合强对流天气形势的各高度层的气象要素数据和地面气象要素数据分析高低空天气形势以及强对流天气发生发展潜势，进而得出强对流天气在上空发生的大概位置；
S5，综合分析雷达回波数据以及气象卫星数据，得出强对流天气的具体发生地；
S6，将步骤S1获得的并经质量控制后的数据、对应的强对流天气类型分析、步骤S4以及步骤S5的分析结果录入数据库，并设置数据库查询模块，以建立强对流天气个例库系统。
2.根据权利要求1所述的一种强对流天气个例库系统的建立方法，其特征在于，所述雷达回波数据包括雷达回波图，通过雷达回波图提取的相关特征包括反射率因子强度、径向速度、回波顶高、垂直累积液态水含量、风暴追踪信息；强对流天气形势的各高度层的气象要素数据包括各高度层上的温度、气压、湿度、风物理量；地面气象要素数据包括近地面的温度、气压、湿度、风信息；气象卫星数据包括气象卫星云图，通过气象卫星云图提取的相关特征包括TBB亮温、大气水汽含量。
3.根据权利要求2所述的一种强对流天气个例库系统的建立方法，其特征在于，步骤S2中，数据质量控制包括对雷达回波数据中的地物杂波、异常传播、旁瓣回波、非气象回波进行去除，以及对所获得的温度、气压、湿度、风信息进行极值检查、空间连续性和时间连续性检查。
4.根据权利要求1所述的一种强对流天气个例库系统的建立方法，其特征在于，步骤S3中的雷达外推模型的构建步骤如下：
(1)数据集采集和数据预处理：训练采用的雷达回波基数据是一组包含18个时间步的雷达回波图序列；利用python解析雷达回波基数据，读取其中的反射率、库距离、方位角和仰角，库长的分辨率为250m，仰角共9层，每一层都插值到等经纬度网络，获得9层的插值网路数据，每个像素点取9层中最大值，获得基数据对应的组合反射率，将组合反射率归一化，最后将归一化后的组合反射率保存为灰度图，获得样本集；
(2)模型训练和构建：建立卷积神经网络，网络采用样本集的前6个时间节点上的雷达回波图作为输入数据，采用后12个时间节点上的雷达回波图作为目标数据；卷积神经网络采用3层卷积模块；建立循环神经网络，该循环神经网络采用长短期记忆框架。
5.根据权利要求4所述的一种强对流天气个例库系统的建立方法，其特征在于，利用雷达外推模型自动识别强对流天气类型的方法如下：
对采集到的需要测试的雷达回波图按照步骤(1)的数据预处理方法进行处理，得到测试样本集，将测试样本集输入到雷达外推模型，卷积神经网络提取雷达回波图中的抽象特征，并降低抽象特征的维度，减小模型的计算量；循环神经网络将抽象特征维度还原为雷达回波维度，输出雷达回波外推图像，以预测雷达回波未来变化，进而识别强对流天气类型。
6.根据权利要求5所述的一种强对流天气个例库系统的建立方法，其特征在于，所述雷达外推模型中还引入矫正滤波网络，以对雷达回波数据进行矫正。
7.根据权利要求5所述的一种强对流天气个例库系统的建立方法，其特征在于，所述循环神经网络具有双分支结构的LSTM单元，其中一个分支Phy Net用来模拟偏微分方程的动力学特征，另一个分支ConvLSTM用来编码数据中偏微分方程不能刻画的余项特征。
8.根据权利要求5所述的一种强对流天气个例库系统的建立方法，其特征在于，雷达外推模型训练采用的优化算法为Adam优化算法，初始学习率为0.001，学习率变化采取3种策略：恒定学习率、学习率随时间指数衰减的学习率和随时间余弦变化的学习率，损失函数采用1-范数、2-范数和结构相似性系数SSIM三者的组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110882759.7A CN114325874B (zh) | 2021-08-02 | 2021-08-02 | 一种强对流天气个例库系统的建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110882759.7A CN114325874B (zh) | 2021-08-02 | 2021-08-02 | 一种强对流天气个例库系统的建立方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114325874A CN114325874A (zh) | 2022-04-12 |
| CN114325874B true CN114325874B (zh) | 2023-11-07 |
Family
ID=81044445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110882759.7A Active CN114325874B (zh) | 2021-08-02 | 2021-08-02 | 一种强对流天气个例库系统的建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114325874B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115877345B (zh) * | 2023-02-28 | 2023-05-30 | 航天宏图信息技术股份有限公司 | 一种风廓线雷达缺测数据的补齐方法和装置 |
| CN116500578B (zh) * | 2023-06-29 | 2023-09-05 | 深圳市千百炼科技有限公司 | 基于神经网络模型的天气雷达数据处理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6128578A (en) * | 1996-12-26 | 2000-10-03 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
| CN106526708A (zh) * | 2016-09-21 | 2017-03-22 | 广东奥博信息产业有限公司 | 一种基于机器学习的气象强对流天气的智能预警分析方法 |
| CN111796343A (zh) * | 2020-06-15 | 2020-10-20 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种基于人工智能算法的强对流天气短时临近识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10241203B2 (en) * | 2015-03-13 | 2019-03-26 | Honeywell International Inc. | Weather radar integrating system combining ground-based and aircraft-based weather radar data |
-
2021
- 2021-08-02 CN CN202110882759.7A patent/CN114325874B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6128578A (en) * | 1996-12-26 | 2000-10-03 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
| CN106526708A (zh) * | 2016-09-21 | 2017-03-22 | 广东奥博信息产业有限公司 | 一种基于机器学习的气象强对流天气的智能预警分析方法 |
| CN111796343A (zh) * | 2020-06-15 | 2020-10-20 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种基于人工智能算法的强对流天气短时临近识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114325874A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114325874B (zh) | 一种强对流天气个例库系统的建立方法 | |
| Allen et al. | A severe thunderstorm climatology for Australia and associated thunderstorm environments | |
| Vanderwende et al. | Observing and simulating the summertime low-level jet in central Iowa | |
| Maturilli et al. | Climatology and time series of surface meteorology in Ny-Ålesund, Svalbard | |
| Manzato | Hail in northeast Italy: Climatology and bivariate analysis with the sounding-derived indices | |
| CN105740642B (zh) | 基于多源遥感数据的modis卫星火点准确性判别方法 | |
| CN104820250A (zh) | 一种极轨气象卫星virr海洋上云检测的处理方法 | |
| Van Klooster et al. | Surface-based convective potential in the contiguous United States in a business-as-usual future climate | |
| Yamada et al. | Using a massive high‐resolution ensemble climate data set to examine dynamic and thermodynamic aspects of heavy precipitation change | |
| CN115860268A (zh) | 基于cnn-xgboost模型的短时强降水预测方法 | |
| Ma et al. | An eight-year climatology of the warm-season severe thunderstorm environments over North China | |
| CN107403004A (zh) | 一种基于地形数据的遥测雨量站点可疑数值检验方法 | |
| CN112948352B (zh) | 一种构建大气光学湍流时空特征及概率化数据库的方法 | |
| Alerskans et al. | Optimizing spatial quality control for a dense network of meteorological stations | |
| Martinaitis et al. | Advancements and characteristics of gauge ingest and quality control within the Multi-Radar Multi-Sensor system | |
| Falvey et al. | The impact of GPS precipitable water assimilation on mesoscale model retrievals of orographic rainfall during SALPEX'96 | |
| Hu et al. | Short-term tropical cyclone intensity forecasting from satellite imagery based on the deviation angle variance technique | |
| Miller et al. | A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode | |
| López et al. | CAPE values and hailstorms on northwestern Spain | |
| Žibert et al. | Monitoring and automatic detection of the cold-ring patterns atop deep convective clouds using Meteosat data | |
| AU2021105817A4 (en) | Method for Reconstructing global Surface Temperature | |
| CN113176420B (zh) | 一种针对电网杆塔点的风速预报订正系统 | |
| CN115421220A (zh) | 一种基于深度学习的多因子局部降水指示方法及系统 | |
| CN103424782A (zh) | 一种中层径向辐合的自动识别方法 | |
| Giordani et al. | Characterizing hail-prone environments using convection-permitting reanalysis and overshooting top detections over south-central Europe |
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 |