CN114740550B - 一种连续风暴事件智能识别预警方法及系统 - Google Patents

一种连续风暴事件智能识别预警方法及系统 Download PDF

Info

Publication number
CN114740550B
CN114740550B CN202210663774.7A CN202210663774A CN114740550B CN 114740550 B CN114740550 B CN 114740550B CN 202210663774 A CN202210663774 A CN 202210663774A CN 114740550 B CN114740550 B CN 114740550B
Authority
CN
China
Prior art keywords
area
region
target
remote sensing
areas
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
Application number
CN202210663774.7A
Other languages
English (en)
Other versions
CN114740550A (zh
Inventor
杨章锋
潘新祥
严谨
吴光林
邓子铭
边金
吴英友
杨镇娣
叶韵静
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.)
Guangdong Ocean University
Original Assignee
Guangdong Ocean University
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 Guangdong Ocean University filed Critical Guangdong Ocean University
Priority to CN202210663774.7A priority Critical patent/CN114740550B/zh
Publication of CN114740550A publication Critical patent/CN114740550A/zh
Application granted granted Critical
Publication of CN114740550B publication Critical patent/CN114740550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G01C13/002—Measuring the movement of open water
    • G01C13/004—Measuring the movement of open water vertical movement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Atmospheric Sciences (AREA)
  • Computing Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及遥感数据分析、遥感数据识别技术领域，公开了一种连续风暴事件智能识别预警方法，所述方法包括：通过获取监测区域范围内的遥感信息，根据遥感数据获得海洋区域的有效波高，得到第一目标区域，根据遥感数据获得第一目标区域集合中区域的表面温度，确定风暴威胁区域，对风暴威胁区域发出警报。本发明实现了连续风暴的自动化识别和预警，根据海滩的风暴信息得到预警信息，克服了以往依赖人工经验的滞后性。

Description

一种连续风暴事件智能识别预警方法及系统
技术领域
本发明涉及遥感数据分析、遥感数据识别技术领域，具体涉及一种连续风暴事件智能识别预警方法及系统。
背景技术
海岸时刻被风暴灾害的阴影所笼罩。在全球气候极端化的背景下，海滩承受连续风暴的灾害风险在增大，由此引发的海滩侵蚀、岸线蚀退等自然灾害，对海岸带生态系统构成重大威胁，由于风暴区域往往是海面温度发生异常的区域，海面水温高于26℃，中低层环境气流辐合，高层有利于辐散，基本气流风速垂直切变小和地转偏向力必须大于一定值等，是热带低压发展热带风暴的必要条件；现有技术对于以海面温度来判断风暴区域的检测准确度不高。目前，连续风暴事件的数据识别方法主观性很强，应用海洋灾害风险理论来进行数据以识别遥感数据中的连续风暴事件具有重要理论价值，可以为沿海地区防灾减灾和海滩可持续发展提供决策依据。
按照目前文献中关于连续风暴事件的定义，即连续风暴是指在时间尺度上间隔很短的几个风暴组成的风暴群。基于海洋灾害风险理论，结合承灾体的脆弱性，构建连续风暴灾害风险性指标的数据评价识别体系，将海滩承受连续风暴的灾害风险分为，1）风暴的连续型灾害风险；2）风暴的气象型灾害风险；3）风暴的次序型灾害风险。本发明提出的数据评估体系可以兼容现有识别方法，并进一步拓展其应用范围。在评估风暴的连续型灾害数据的风险时，用海滩地貌演变周期对风暴间隔时间进行无量纲化处理，根据现有文献中的研究成果拟合出无量纲化参数的经验公式以此解决现有技术中的遥感数据识别准确性的问题。
发明内容
本发明的目的在于提出一种连续风暴事件智能识别预警方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为实现上述技术目的，本发明技术方案如下：
一种连续风暴事件智能识别预警方法包括以下步骤：
步骤1，获取监测区域范围内的遥感数据；
步骤2，根据遥感数据获得海洋区域的有效波高，得到第一目标区域；
步骤3，根据遥感数据获得第一目标区域集合中区域的表面温度，确定风暴威胁区域。
进一步地，所述方法还包括以下步骤：对风暴威胁区域发出警报。
进一步地，在步骤1中，获取目标海洋区域的遥感数据，从遥感数据中反演出监测区域中的有效波高。
进一步地，选取Sentinel-1A卫星的遥感数据。
优选地，选取Sentinel-6卫星的海洋遥感数据。
本发明选利用的Sentinel系列卫星属于欧空局的“哥白尼计划”，Sentinel系列卫星用于取代退役的欧洲遥感卫星(ERS)和环境卫星(ENVISAT)，该系列卫星包括多颗Sentinel-1，Sentinel-2，Sentinel-3，Sentinel-4和Sentinel-5卫星，星载C波段合成孔径雷达，高光谱分辨率可见光和热红外传感器，高度计以及波谱仪。Sentinel系列卫星的检测数据已广泛用于陆地探测，海洋探测，灾害紧急救援等方面。
在一个优选的实施例里，选取海洋水色卫星MODIS、Himawari-8或SeaWiFS、VIIRS、OLCI、NPP的遥感数据。
进一步地，通过Sentinel-3卫星获取海洋表面温度数据，根据卫星的分辨率对目标区域分区，筛选出目标区域内的遥感数据。
Sentinel系列卫星可提供同一区域1天的重访周期，有利于对海岸进行高频次的检测，及时进行连续风暴预警；利用Sarscape，Geomatica，S1-toolbox，SNAP等软件(Sentinel Application Platform, https://sentinel.esa.int/web/sentinel/toolboxes/sentinel-1)对下载的原始数据进行处理，包括几何校正、辐射定标和大气校正。
进一步地，在步骤2中，根据遥感数据获得海洋区域的有效波高以及最大有效波高的子步骤为：
初始化一个空的第一目标区域集合；上一个连续风暴有效波高的最大值A2和平均值A1；上一个连续风暴的有效波高数据可以来自卫星遥感数据或者历史记载。
其中，有效波高可以从遥感数据反演得到，或者，通过有效波高遥感技术得到。
反演遥感数据得到有效波高可以参考公开号为CN111781146A的中国申请和文献“海洋二号”有效波高数据在多源卫星高度计数据融合中的应用［J］、利用卫星微波遥感资料推算波浪极值［J］。
一般认为，弱潮区海域的潮汐影响相对较小，可以用波浪的数据作为识别风暴事件的基础。
步骤2.1，根据卫星遥感的分辨率对监测区域范围分区，分区大小为遥感数据的分辨率，获得区域数量N；卫星遥感数据的获取间隔为卫星的重访周期T0，限定N的值不小于10。
T0为1到3天，根据采用的卫星数据集而不同。
初始化空集合WAH、WVUp，集合WAH的数据表示方式为WAH(i,num)，WAH(i,num)为第i个区域在跨越第num个重访周期时获得卫星遥感数据反演后得到的有效波高，取区域的几何中心点作为其位置，num自数据开始收集分析时开始从1开始编号，在下一个重访周期获取数据时num的值增加1。（跨越第num个重访周期的意义为卫星在第num个重访周期时）；
卫星数据可以持续采集和处理，也可以人工设定采集开始的时间。
步骤2.2，获取当前重访周期内所有区域内有效波高的最大值WVmax放入集合WVUp，所有区域内有效波高的最小值记为WVmin；
如果当前的WVmax的值为集合WVUp中的最大值且录得当前WVmax的区域与录得当前WVmin的区域不相邻，跳转步骤2.3，否则跳转步骤2.4；
步骤2.3，录得当前取得WVmax的区域的位置记为POS1，录得当前取得WVmin的区域的位置记为POS2，在POS1和POS2之间作线段，记为LINE1，获得线段LINE1经过的区域数量为N1，线段LINE1经过的区域构成集合R1，POS1到POS2的方向为第一方向；如果LINE1的长度大于N1×L0/2且LINE1在第一方向延伸与监测区域范围内的海岸线或水边线有交点，跳转步骤2.3.1，否则跳转步骤2.3.2；L0为卫星遥感分辨率的长度或者宽度，如果长度和宽度不相等则取长度和宽度中的较小值，区域的位置指区域的几何中心点。
在一个实施例里，分辨率为5m到20m，L0取5m到20m。
步骤2.3.1，当前重访周期经过LINE1的中点的区域的有效波高记为W1，如果W1大于avg(WVmax,WVmin)则把经过线段LINE1中点的区域以及中点到POS1之间的所有区域以及对应的有效波高放入第一目标区域集合，等待下一个回访周期后跳转步骤2.2直到第一目标区域集合中区域的数量达到第一目标区域阈值；avg(WVmax,WVmin)为取WVmax和WVmin的算术平均值；
步骤2.3.2，分别获取POS1和POS2与海岸线的最短距离为L1和L2，如果L1×L2＞sqrt(L0×N1)或者L1×L2＞L(LINE1)×A1×A2，把POS2的区域和POS1的区域放入第一目标区域集合；等待下一个回访周期后跳转步骤2.2直到第一目标区域集合中区域的数量达到第一目标区域阈值，跳转步骤2.4；sqrt()为取平方根，L(LINE1)为取LINE1的长度；
步骤2.4，对第一目标区域集合的区域根据区域在第一目标区域集合出现的次数进行降序排序，输出第一目标区域集合。
(筛选出第一目标区域集合的目的是预先通过筛选取得有效波高的最大值的区域，以免影响后续通过海面温度得到风暴威胁区域的准确性)。
第一目标区域阈值的取值为N2/2向上取整。
L1和L2，A1和A2都经过无量纲化处理。
优选地，第一目标区域集合还可以通过以下方法获得：
步骤3.1，识别风暴事件，设置相邻风暴事件的时间间隔Tr；
步骤3.2，计算海滩地貌的演变周期ϕ；
步骤3.3，建立海滩承受连续风暴的灾害风险系数R；
步骤3.4，将Tr/ϕ与ηthresh风暴间隔系数阈值比较，确定连续风暴事件，把连续风暴事件的区域放入第一目标区域集合。
其中，在步骤3.1中，识别风暴事件，设置相邻风暴事件的时间间隔Tr的子步骤为：
通过地面测波杆，压力式测波仪，声学测波仪，重力式波浪观测仪或者遥感反演测波中的一种或多种获得海浪的有效波高；
风暴事件可以根据风暴阈值Hthresh，最短风暴持续时间D，引起风暴浪的大气扰动事件的间隔时间I确定；其中，风暴阈值Hthresh根据广义Pareto分布拟合有效波高的95%分位点确定；计算相邻风暴事件达到风暴阈值Hthresh的时间间隔Tr：
获得一个连续风暴中，每个风暴事件达到风暴阈值Hthresh之间的时间间隔的平均值记为时间间隔Tr。
进一步地，在步骤3.2中，计算海滩地貌的演变周期ϕ的子步骤为；
演变周期ϕ为对于一个海滩在经过海洋风暴后完全恢复所需时间，计算方法为：ϕ=2+Ω_r2+ exp(Ω_r-4.65)3，
其中，Ω_r是Ω代表值，exp()为以自然对数为底的指数函数，Ω_r的计算方法为：Ω_r=AG×Ω_360/Ω_30，
其中，AG为Ω的年平均值，Ω_360为Ω的年标准差，Ω_30为Ω的月标准差，与波候月际变化相关，Ω=H/WsT；
H为有效波高，Ws为泥沙沉速，T为连续风暴波的周期。
进一步地，在步骤3中，灾害风险系数R综合了连续灾害风险系数S，M为风暴的气象型灾害风险指数2个因素，R=w1×S+w2×M，M根据不同类型的风暴设置取值不同，S取值1或0，根据Tr与Tthresh的关系得到；w1和w2为预设权重，w1+w2=1；
计算Tthresh，Tthresh=0.295×ϕ-0.549；
Figure DEST_PATH_IMAGE001
；
Figure 100002_DEST_PATH_IMAGE002
，或者M取值为[0.2,1]。
进一步地，在步骤3.4中，将Tr/ϕ与ηthresh风暴间隔系数阈值比较，确定连续风暴事件，把连续风暴事件的区域放入第一目标区域集合的步骤为：
当η小于ηthresh时，则相邻风暴构成一组连续风暴事件，输出预警信息，其中η=Tr/ϕ，ηthresh为风暴间隔系数阈值，取0.3，把连续风暴事件的区域放入第一目标区域集合。
进一步地，在步骤3中，获得第一目标区域集合中区域的表面温度，确定风暴威胁区域的子步骤为：
记第一目标区域集合为Rig，计算第一目标区域集合中第j个区域的温度威胁系数：
Figure 100002_DEST_PATH_IMAGE003
；
式中，THRSj为第一目标区域集合中第j个区域的温度威胁系数，TMPavg为获取第一目标区域集合中所有区域在取样周期的表面温度的平均值，e为自然常数,e()为以自然对数为底的指数函数，log()是以10为底的对数函数，len(Rig)为获取第一目标区域集合中区域数量，NUM2为第一目标区域集合中第j个区域在第一目标区域集合的出现的次数，TMPavg为第一目标区域集合中第j个区域在取样周期的表面温度的平均值，TMPj-1为第一目标区域集合中第j-1个区域在取样周期的表面温度的平均值，如果第一目标区域集合Rig中不存在j-1个区域则TMPj-1取第一目标区域集合Rig中第j+1个区域在取样周期的表面温度的平均值，MAX(TMPj)为取第j个区域在取样周期的表面温度的最大值，MIN(TMPj)为取第j个区域在取样周期的表面温度的最小值，abs()为取绝对值函数。
获得第一目标区域集合中所有区域的温度威胁系数，筛选出温度威胁系数大于全部第一目标区域集合中区域的温度威胁系数平均值的区域，标记为风暴威胁区域。其中，区域的表面温度指区域的中心点位置的表面温度或者区域中所有位置温度的平均值。
(有益效果为：由于风暴区域往往是海面温度发生异常的区域，海面水温高于26℃，中低层环境气流辐合，高层有利于辐散，基本气流风速垂直切变小和地转偏向力必须大于一定值等，是热带低压发展为热带风暴的必要条件；但由于海面温度检测准确度不高，本方法能够智能的筛选出有效波高异常和温度异常并且变化大的区域记为风暴威胁区域，提升了以海面温度检测风暴区域的准确度，防止了由于多区域温差不均衡现象和由于热带气旋的局部温度升高导致的误识别问题，保证了多区域温差不均衡现象情况下的识别精度和提高了识别速度，通过与有效波高结合判断风暴威胁区域能提高风暴判断的准确率)。
优选地，根据风暴威胁区域与水边线的距离关系，确定风暴威胁区域，还可以将步骤3替换为：
步骤A3.1，从卫星遥感数据提取水边线，子步骤为：
步骤A3.1.1，卫星遥感数据为卫星遥感图像，对卫星遥感图像进行滤波，滤波的方法包括中值滤波、均值滤波、高斯滤波以及自适应的局部统计滤波的一种或多种；
步骤A3.1.2，从卫星遥感图像提取水边线；
提取水边线的方法可以参考如文献冯永玖，韩震.海岸线遥感数据提取的元胞自动机方法及其应用[J]，通过元胞自动机的方法引入到水边线提取中来，提出了基于元胞自动机和方向信息权重的岸线（即水边线）提取方法，或者司浚豪,邵峰晶,隋毅,孙仁诚.基于深度学习的遥感图像水边线提取方法与应用.海洋环境科学,2022,41(2):309-315。
步骤A3.2，分别获取点POS1和点POS2与水边线的距离为L1'和L2'，POS1与海岸线边缘或者水边线最接近的点为K1，POS2与海岸线边缘或者水边线最接近的点为K2，跳转步骤A3.3；
步骤A3.3，如果点POS1、点POS2和点K1所构成的三角形的面积小于点POS1，点POS2和点K2所构成的三角形的面积且L1'≤L2'，则标记POS1所在区域为风暴威胁区域。
因为卫星的采样间隔与采样模式，在一个区域采样的时间区间里，水边线会发生变化，即扫描时从一个区域移动到下一个区域采样时水边线会发生变化，因此需要加入海岸线作为参考。
重复执行步骤2.2到步骤3，结束条件可以为手动结束。
一种连续风暴事件智能识别预警系统，所述系统包括：
进一步地，本发明还提供了一种连续风暴事件智能识别预警系统，所述一种连续风暴事件智能识别预警系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种连续风暴事件智能识别预警方法中的步骤，所述一种连续风暴事件智能识别预警系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
数据采集模块：用于获取监测区域范围内的遥感数据；
数据处理模块：根据遥感数据获得海洋区域的有效波高，得到第一目标区域，根据遥感数据获得第一目标区域集合中区域的表面温度，确定风暴威胁区域；
风暴预警模块：对风暴威胁区域发出警报，将警报信息推送到移动终端。
与现有技术相比，本发明具有以下有益的技术效果：
本发明实现了连续风暴的自动化识别和预警，根据海滩的风暴信息得到预警信息，克服了以往依赖人工经验判断的滞后性，防止了由于多区域温差不均衡现象和由于热带气旋的局部温度升高导致的误识别问题，保证了多区域温差不均衡现象情况下的识别精度和提高了识别速度，通过与有效波高结合判断风暴威胁区域提高了风暴判断的准确率。克服了来自卫星的遥感数据克服了地形观测的不确定性，能全天时全天候获取海洋数据。
附图说明
图1为本发明提供的一种连续风暴事件智能识别预警方法的流程图；
图2为本发明一个实施例的一种连续风暴事件智能识别预警系统结构示意框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰，以下结合附图及实施例，对本发明进行进一步详尽说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
同样应理解，以下实施例只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限制，本领域的技术人员根据本发明上述内容做出的一些非本质的改进和调整均属于本发明的保护范围。下述示例具体的工艺参数等也仅是合适范围内的一个示例，即本领域技术人员可以通过本文的说明做合适的范围内选择，而并非要限定于下文示例的具体数值。
以下示例性地说明本发明提供的一种连续风暴事件智能识别预警方法。
如图1所示为一种连续风暴事件智能识别预警方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种连续风暴事件智能识别预警方法，所述方法包括以下步骤：
一种连续风暴事件智能识别预警方法包括以下步骤：
步骤1，获取监测区域范围内的遥感数据；
步骤2，根据遥感数据获得海洋区域的有效波高，得到第一目标区域；
步骤3，根据遥感数据获得第一目标区域集合中区域的表面温度，确定风暴威胁区域；
步骤4，对风暴威胁区域发出警报。
进一步地，在步骤1中，获取目标海洋区域的遥感数据，从遥感数据中反演出监测区域中的有效波高。
进一步地，选取Sentinel-1A卫星的遥感数据。
优选地，选取Sentinel-6卫星的海洋遥感数据。
在一个优选的实施例里，选取海洋水色卫星MODIS、Himawari-8或SeaWiFS、VIIRS、OLCI、NPP的遥感数据。
进一步地，通过Sentinel-3卫星获取海洋表面温度数据，根据卫星的分辨率对目标区域分区，筛选出目标区域内的遥感数据。
Sentinel系列卫星可提供同一区域1天的重访周期，有利于对海岸进行高频次的检测，及时进行连续风暴预警；利用Sarscape，Geomatica，S1-toolbox，SNAP等软件(Sentinel Application Platform, https://sentinel.esa.int/web/sentinel/toolboxes/sentinel-1)对下载的原始数据进行处理，包括几何校正、辐射定标和大气校正。
进一步地，步骤2中根据遥感数据获得海洋区域的有效波高以及最大有效波高的子步骤为：
初始化一个空的第一目标区域集合；上一个连续风暴有效波高的最大值A2和平均值A1；上一个连续风暴的有效波高数据可以来自卫星遥感数据或者历史记载。
其中，有效波高可以从遥感数据反演得到，或者，通过有效波高遥感技术得到。
反演遥感数据得到有效波高可以参考公开号为CN111781146A的中国申请和文献“海洋二号”有效波高数据在多源卫星高度计数据融合中的应用［J］、利用卫星微波遥感资料推算波浪极值［J］。
一般认为，弱潮区海域的潮汐影响相对较小，可以用波浪的数据作为识别风暴事件的基础。
步骤2.1，根据卫星遥感的分辨率对监测区域范围分区，分区大小为遥感数据的分辨率，获得区域数量N；卫星遥感数据的获取间隔为卫星的重访周期T0，限定N的值不小于10。
T0为1到3天，天数根据采用的卫星数据集而不同。
初始化空集合WAH和WVUp，集合WAH的数据表示方式为WAH(i,num)，WAH(i,num)为第i个区域在跨越第num个重访周期时获得卫星遥感数据反演后得到的有效波高，取区域的几何中心点作为其位置，num自数据开始收集分析时开始从1开始编号，在下一个重访周期获取数据时num的值增加1。
卫星数据可以持续采集和处理，也可以人工设定采集开始的时间。
步骤2.2，获取当前重访周期内所有区域内有效波高的最大值WVmax放入集合WVUp，所有区域内有效波高的最小值记为WVmin；
如果当前的WVmax的值为集合WVUp中的最大值且录得当前WVmax的区域与录得当前WVmin的区域不相邻，跳转步骤2.3，否则跳转步骤2.4；
步骤2.3，录得当前取得WVmax的区域的位置记为POS1，录得当前取得WVmin的区域的位置记为POS2，在POS1和POS2之间作线段，记为LINE1，获得线段LINE1经过的区域数量为N1，线段LINE1经过的区域构成集合R1，POS1到POS2的方向为第一方向；如果LINE1的长度大于N1×L0/2且LINE1在第一方向延伸与监测区域范围内的海岸线或水边线有交点，跳转步骤2.3.1，否则跳转步骤2.3.2；L0为卫星遥感分辨率的长度或者宽度，如果长度和宽度不相等则取长度和宽度中的较小值，区域的位置指区域的几何中心点。
在一个实施例里，分辨率为5到20m。
步骤2.3.1，当前重访周期经过LINE1的中点的区域的有效波高记为W1，如果W1大于avg(WVmax，WVmin)则把经过线段LINE1中点的区域以及中点到POS1之间的所有区域以及对应的有效波高放入第一目标区域集合，等待下一个回访周期后跳转步骤2.2直到第一目标区域集合中区域的数量达到第一目标区域阈值；avg(WVmax，WVmin)为取WVmax和WVmin的算术平均值；
步骤2.3.2，分别获取POS1和POS2与海岸线的最短距离为L1和L2，如果L1×L2＞sqrt(L0×N1)或者L1×L2＞L(LINE1)×A1×A2，把POS2的区域和POS1的区域放入第一目标区域集合；等待下一个回访周期后跳转步骤2.2直到第一目标区域集合中区域的数量达到第一目标区域阈值；跳转步骤2.4；sqrt()为取平方根，L(LINE1)为取LINE1的长度；
步骤2.4，对第一目标区域集合的区域根据区域在第一目标区域集合出现的次数进行降序排序，输出第一目标区域集合。
第一目标区域阈值的计算方法是N2/2向上取整。
L1和L2，A1和A2都经过无量纲化处理。
优选地，第一目标区域集合还可以通过以下方法获得：
步骤3.1，识别风暴事件，设置相邻风暴事件的时间间隔Tr；
步骤3.2，计算海滩地貌的演变周期ϕ；
步骤3.3，建立海滩承受连续风暴的灾害风险系数R；
步骤3.4，将Tr/ϕ与ηthresh风暴间隔系数阈值比较，确定连续风暴事件，把连续风暴事件的区域放入第一目标区域集合。
其中，在步骤3.1中，识别风暴事件，设置相邻风暴事件的时间间隔Tr的子步骤为：
通过地面测波杆，压力式测波仪，声学测波仪，重力式波浪观测仪或者遥感反演测波中的一种或多种获得海浪的有效波高；
风暴事件可以根据风暴阈值Hthresh，最短风暴持续时间D，引起风暴浪的大气扰动事件的间隔时间I确定；其中，风暴阈值Hthresh根据广义Pareto分布拟合有效波高的95%分位点确定；计算相邻风暴事件达到风暴阈值Hthresh的时间间隔Tr：
获得一个连续风暴中，每个风暴事件达到风暴阈值Hthresh之间的时间间隔的平均值记为时间间隔Tr。
进一步地，在步骤3.2中，计算海滩地貌的演变周期ϕ的子步骤为；
演变周期ϕ为对于一个海滩在经过海洋风暴后完全恢复所需时间，计算方法为：ϕ=2+Ω_r2+ exp(Ω_r-4.65)3，
其中，Ω_r是Ω代表值，exp()为以自然对数为底的指数函数，Ω_r的计算方法为：Ω_r=AG×Ω_360/Ω_30，
其中，AG为Ω的年平均值，Ω_360为Ω的年标准差，Ω_30为Ω的月标准差，与波候月际变化相关，Ω=H/WsT；
H为有效波高，Ws为泥沙沉速，T为连续风暴波的周期。
进一步地，在步骤3中，灾害风险系数R综合了连续灾害风险系数S，M为风暴的气象型灾害风险指数2个因素，R=w1×S+w2×M，M根据不同类型的风暴设置取值不同，S取值1或0，根据Tr与Tthresh的关系得到；w1和w2为预设权重，w1+w2=1；
计算Tthresh，Tthresh=0.295×ϕ-0.549；
Figure 201702DEST_PATH_IMAGE001
；
Figure 384422DEST_PATH_IMAGE002
，或者M取值为[0.2,1]。
进一步地，在步骤3.4中，将Tr/ϕ与ηthresh风暴间隔系数阈值比较，确定连续风暴事件，把连续风暴事件的区域放入第一目标区域集合的步骤为：
当η小于ηthresh时，则相邻风暴构成一组连续风暴事件，输出预警信息，其中η=Tr/ϕ，ηthresh为风暴间隔系数阈值，取0.3，把连续风暴事件的区域放入第一目标区域集合。
进一步地，在步骤3中，获得第一目标区域集合中区域的表面温度，确定风暴威胁区域的子步骤为：
记第一目标区域集合为Rig，其中Rigj为第一目标区域集合中第j个区域，计算Rigj的温度威胁系数：
Figure DEST_PATH_IMAGE004
；
式中，THRSj为第一目标区域集合中第j个区域的温度威胁系数，TMPavg为获取第一目标区域集合中所有区域在取样周期的表面温度的平均值，e为自然常数,e()为以自然对数为底的指数函数，log()是以10为底的对数函数，len(Rig)为获取第一目标区域集合中区域数量，NUM2为第一目标区域集合中第j个区域在第一目标区域集合的出现的次数，abs()为取绝对值，TMPavg为第一目标区域集合中第j个区域在取样周期的表面温度的平均值，TMPj-1为第一目标区域集合中第j-1个区域在取样周期的表面温度的平均值，如果第一目标区域集合Rig中不存在j-1个区域则TMPj-1取第一目标区域集合Rig中第j个区域或第j+1个区域在取样周期的表面温度的平均值，MAX(TMPj)为取第j个区域在取样周期的表面温度的最大值，MIN(TMPj)为取第j个区域在取样周期的表面温度的最小值，abs()为取绝对值函数。
获得第一目标区域集合中所有区域的温度威胁系数，筛选出温度威胁系数大于全部第一目标区域集合中区域的温度威胁系数平均值的区域，标记为风暴威胁区域。其中，区域的表面温度指区域的中心点位置的表面温度或者区域中所有位置温度的平均值。
（有益效果为：由于风暴区域往往是海面温度发生异常的区域，海面水温高于26℃，中低层环境气流辐合，高层有利于辐散，基本气流风速垂直切变小和地转偏向力必须大于一定值等，是热带低压发展为热带风暴的必要条件；但由于海面温度检测准确度不高，本方法能够智能的筛选出有效波高异常和温度异常并且变化大的区域记为风暴威胁区域，通过与有效波高结合判断风暴威胁区域能提高风暴判断的准确率）。
优选地，根据风暴威胁区域与水边线的距离关系，确定风暴威胁区域，将步骤3还可以替换为：
步骤A3.1，从卫星遥感数据提取水边线，子步骤为：
步骤A3.1.1，卫星遥感数据为卫星遥感图像，对卫星遥感图像进行滤波，滤波的方法包括中值滤波、均值滤波、高斯滤波以及自适应的局部统计滤波的一种或多种；
步骤A3.1.2，从卫星遥感图像提取水边线；
提取水边线的方法可以参考如文献冯永玖，韩震.海岸线遥感数据提取的元胞自动机方法及其应用[J]等。
步骤A3.2，分别获取点POS1和点POS2与水边线的距离为L1'和L2'，POS1与海岸线边缘或者水边线最接近的点为K1，POS2与海岸线边缘或者水边线最接近的点为K2，跳转步骤A3.3；
步骤A3.3，如果点POS1、点POS2和点K1所构成的三角形的面积小于点POS1，点POS2和点K2所构成的三角形的面积且L1'≤L2'，则标记POS1所在区域为风暴威胁区域。
因为卫星的采样间隔与采样模式，在一个区域采样的时间区间里，水边线会发生变化，即扫描时从一个区域移动到下一个区域采样时水边线会发生变化，因此需要加入海岸线作为参考。
重复执行步骤2.2到步骤3，结束条件可以为手动结束。
本发明的实施例提供的一种连续风暴事件智能识别预警系统，如图2所示是本发明一个实施例的一种连续风暴事件智能识别预警系统结构示意框图，该实施例的一种连续风暴事件智能识别预警系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种连续风暴事件智能识别预警系统实施例中的步骤。
所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
一种连续风暴事件智能识别预警系统，所述系统包括：
数据采集模块：用于获取监测区域范围内的遥感数据；
数据处理模块：根据遥感数据获得海洋区域的有效波高，得到第一目标区域，根据遥感数据获得第一目标区域集合中区域的表面温度，确定风暴威胁区域；
风暴预警模块：对风暴威胁区域发出警报，将警报信息推送到移动终端。
所述基于一种连续风暴事件智能识别预警系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端服务器等计算设备中。所述一种连续风暴事件智能识别预警系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种连续风暴事件智能识别预警系统的示例，并不构成对一种连续风暴事件智能识别预警系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种连续风暴事件智能识别预警系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种连续风暴事件智能识别预警系统运行系统的控制中心，利用各种接口和线路连接整个一种连续风暴事件智能识别预警系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种连续风暴事件智能识别预警系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

Claims (4)

1.一种连续风暴事件智能识别预警方法，其特征在于，所述方法包括以下步骤：
步骤1，获取监测区域范围内的遥感数据；
步骤2，根据遥感数据获得海洋区域的有效波高，得到第一目标区域；
步骤3，根据遥感数据获得第一目标区域集合中区域的表面温度，确定风暴威胁区域；
其中，在步骤2中，根据遥感数据获得海洋区域的有效波高，得到第一目标区域的子步骤为：初始化一个空的第一目标区域集合；上一个风暴事件时海洋区域的有效波高的最大值A2和平均值A1；上一个风暴事件时海洋区域的有效波高来自卫星遥感数据或者历史记载；
步骤2.1，根据卫星遥感的分辨率对监测区域范围分区，分区大小为遥感数据的分辨率，获得区域数量N；卫星遥感数据的获取间隔为卫星的重访周期T0，限定N的值不小于10；T0为1到3天，根据采用的卫星数据集而不同；
初始化空集合WAH、WVUp，集合WAH的数据表示方式为WAH(i,num)，WAH(i,num)为第i个区域在跨越第num个重访周期时获得卫星遥感数据反演后得到的有效波高，取区域的几何中心点作为其位置，num自数据开始收集分析时开始从1开始编号，在下一个重访周期获取数据时num的值增加1；
步骤2.2，获取当前重访周期内所有区域内有效波高的最大值WVmax放入集合WVUp，所有区域内有效波高的最小值WVmin；
如果当前的WVmax的值为集合WVUp中的最大值且录得当前WVmax的区域与录得当前WVmin的区域不相邻，跳转步骤2.3，否则跳转步骤2.4；
步骤2.3，录得当前取得WVmax的区域的位置记为POS1，录得当前取得WVmin的区域的位置记为POS2，在POS1和POS2之间作线段，记为LINE1，获得线段LINE1经过的区域数量为N1，线段LINE1经过的区域构成集合R1，POS1到POS2的方向为第一方向；如果LINE1的长度大于N1×L0/2且LINE1在第一方向延伸与监测区域范围内的海岸线或水边线有交点，跳转步骤2.3.1，否则跳转步骤2.3.2；L0为卫星遥感分辨率的长度或者宽度，如果长度和宽度不相等则取长度和宽度中的较小值，区域的位置指区域的几何中心点；
步骤2.3.1，当前重访周期经过LINE1的中点的区域的有效波高记为W1，如果W1大于avg(WVmax，WVmin)则把经过线段LINE1中点的区域以及中点到POS1之间的所有区域以及对应的有效波高放入第一目标区域集合，等待下一个回访周期后跳转步骤2.2直到第一目标区域集合中区域的数量达到第一目标区域阈值，跳转步骤 2.4；avg(WVmax,WVmin)为取WVmax和WVmin的算术平均值；
步骤2.3.2，分别获取POS1和POS2与海岸线的最短距离为L1和L2，如果L1×L2＞sqrt(L0×N1)或者L1×L2＞L(LINE1)×A1×A2，把POS2的区域和POS1的区域放入第一目标区域集合；等待下一个回访周期后跳转步骤2.2直到第一目标区域集合中区域的数量达到第一目标区域阈值；跳转步骤2.4；sqrt()为取平方根，L(LINE1)为取LINE1的长度；
步骤2.4，对第一目标区域集合的区域根据区域在第一目标区域集合出现的次数进行降序排序，输出第一目标区域集合；
第一目标区域阈值的取值为N2/2向上取整；L1和L2、A1和A2都经过无量纲化处理；
在步骤3中，根据遥感数据获得第一目标区域集合中区域的表面温度，确定风暴威胁区域的子步骤为：
记第一目标区域集合为Rig，计算Rig中第j个区域的温度威胁系数：
Figure DEST_PATH_IMAGE002
；
式中，THRSj为第一目标区域集合中第j个区域的温度威胁系数，TMPavg为获取第一目标区域集合中所有区域在取样周期的表面温度的平均值，e为自然常数，e()为以自然对数为底的指数函数，log()是以10为底的对数函数，len(Rig)为第一目标区域集合中区域数量，NUM2为第一目标区域集合中第j个区域在第一目标区域集合的出现的次数，TMPj为第一目标区域集合中第j个区域在取样周期的表面温度的平均值，TMPj-1为第一目标区域集合中第j-1个区域在取样周期的表面温度的平均值，如果第一目标区域集合Rig中不存在j-1个区域则TMPj-1取第一目标区域集合Rig中第j+1个区域在取样周期的表面温度的平均值，MAX(TMPj)为取第j个区域在取样周期的表面温度的最大值，MIN(TMPj)为取第j个区域在取样周期的表面温度的最小值，abs()为取绝对值函数；
获得第一目标区域集合中所有区域的温度威胁系数，筛选出温度威胁系数大于全部第一目标区域集合中区域的温度威胁系数平均值的区域，标记为风暴威胁区域。
2.根据权利要求1所述的一种连续风暴事件智能识别预警方法，其特征在于，所述方法还包括以下步骤：对风暴威胁区域发出警报。
3.根据权利要求1所述的一种连续风暴事件智能识别预警方法，其特征在于，在步骤1中，获取监测区域范围内的遥感数据具体为获取目标海洋区域的遥感数据，下载的原始遥感数据进行处理，包括几何校正、辐射定标和大气校正的一种或多种。
4.一种连续风暴事件智能识别预警系统，其特征在于，所述系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1到3中任意一项所述的一种连续风暴事件智能识别预警方法中的步骤；
所述步骤包括：
步骤1，获取监测区域范围内的遥感数据；
步骤2，根据遥感数据获得海洋区域的有效波高，得到第一目标区域；
步骤3，根据遥感数据获得第一目标区域集合中区域的表面温度，确定风暴威胁区域；
其中，在步骤2中，根据遥感数据获得海洋区域的有效波高，得到第一目标区域的子步骤为：初始化一个空的第一目标区域集合；上一个风暴事件时海洋区域的有效波高的最大值A2和平均值A1；上一个风暴事件时海洋区域的有效波高来自卫星遥感数据或者历史记载；
步骤2.1，根据卫星遥感的分辨率对监测区域范围分区，分区大小为遥感数据的分辨率，获得区域数量N；卫星遥感数据的获取间隔为卫星的重访周期T0，限定N的值不小于10；T0为1到3天，根据采用的卫星数据集而不同；
初始化空集合WAH、WVUp，集合WAH的数据表示方式为WAH(i,num)，WAH(i,num)为第i个区域在跨越第num个重访周期时获得卫星遥感数据反演后得到的有效波高，取区域的几何中心点作为其位置，num自数据开始收集分析时开始从1开始编号，在下一个重访周期获取数据时num的值增加1；
步骤2.2，获取当前重访周期内所有区域内有效波高的最大值WVmax放入集合WVUp，所有区域内有效波高的最小值WVmin；
如果当前的WVmax的值为集合WVUp中的最大值且录得当前WVmax的区域与录得当前WVmin的区域不相邻，跳转步骤2.3，否则跳转步骤2.4；
步骤2.3，录得当前取得WVmax的区域的位置记为POS1，录得当前取得WVmin的区域的位置记为POS2，在POS1和POS2之间作线段，记为LINE1，获得线段LINE1经过的区域数量为N1，线段LINE1经过的区域构成集合R1，POS1到POS2的方向为第一方向；如果LINE1的长度大于N1×L0/2且LINE1在第一方向延伸与监测区域范围内的海岸线或水边线有交点，跳转步骤2.3.1，否则跳转步骤2.3.2；L0为卫星遥感分辨率的长度或者宽度，如果长度和宽度不相等则取长度和宽度中的较小值，区域的位置指区域的几何中心点；
步骤2.3.1，当前重访周期经过LINE1的中点的区域的有效波高记为W1，如果W1大于avg(WVmax，WVmin)则把经过线段LINE1中点的区域以及中点到POS1之间的所有区域以及对应的有效波高放入第一目标区域集合，等待下一个回访周期后跳转步骤2.2直到第一目标区域集合中区域的数量达到第一目标区域阈值；avg(Wvma,WVmin)为取WVmax和WVmin的算术平均值；
步骤2.3.2，分别获取POS1和POS2与海岸线的最短距离为L1和L2，如果L1×L2＞sqrt(L0×N1)或者L1×L2＞L(LINE1)×A1×A2，把POS2的区域和POS1的区域放入第一目标区域集合；等待下一个回访周期后跳转步骤2.2直到第一目标区域集合中区域的数量达到第一目标区域阈值；跳转步骤2.4；sqrt()为取平方根，L(LINE1)为取LINE1的长度；
步骤2.4，对第一目标区域集合的区域根据区域在第一目标区域集合出现的次数进行降序排序，输出第一目标区域集合；
第一目标区域阈值的取值为N2/2向上取整；L1和L2、A1和A2都经过无量纲化处理；
在步骤3中，根据遥感数据获得第一目标区域集合中区域的表面温度，确定风暴威胁区域的子步骤为：
记第一目标区域集合为Rig，计算Rig中第j个区域的温度威胁系数：
Figure DEST_PATH_IMAGE003
；
式中，THRSj为第一目标区域集合中第j个区域的温度威胁系数，TMPavg为获取第一目标区域集合中所有区域在取样周期的表面温度的平均值，e为自然常数，e()为以自然对数为底的指数函数，log()是以10为底的对数函数，len(Rig)为第一目标区域集合中区域数量，NUM2为第一目标区域集合中第j个区域在第一目标区域集合的出现的次数，TMPj为第一目标区域集合中第j个区域在取样周期的表面温度的平均值，TMPj-1为第一目标区域集合中第j-1个区域在取样周期的表面温度的平均值，如果第一目标区域集合Rig中不存在j-1个区域则TMPj-1取第一目标区域集合Rig中第j+1个区域在取样周期的表面温度的平均值，MAX(TMPj)为取第j个区域在取样周期的表面温度的最大值，MIN(TMPj)为取第j个区域在取样周期的表面温度的最小值，abs()为取绝对值函数；
获得第一目标区域集合中所有区域的温度威胁系数，筛选出温度威胁系数大于全部第一目标区域集合中区域的温度威胁系数平均值的区域，标记为风暴威胁区域；
所述一种连续风暴事件智能识别预警系统运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心的计算设备中。
CN202210663774.7A 2022-06-14 2022-06-14 一种连续风暴事件智能识别预警方法及系统 Active CN114740550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210663774.7A CN114740550B (zh) 2022-06-14 2022-06-14 一种连续风暴事件智能识别预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210663774.7A CN114740550B (zh) 2022-06-14 2022-06-14 一种连续风暴事件智能识别预警方法及系统

Publications (2)

Publication Number Publication Date
CN114740550A CN114740550A (zh) 2022-07-12
CN114740550B true CN114740550B (zh) 2022-08-26

Family

ID=82287016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210663774.7A Active CN114740550B (zh) 2022-06-14 2022-06-14 一种连续风暴事件智能识别预警方法及系统

Country Status (1)

Country Link
CN (1) CN114740550B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114873B (zh) * 2022-08-31 2022-11-18 中国海洋大学 海洋环境重现期设计标准推算方法与系统
CN115270080B (zh) * 2022-09-27 2023-01-31 中国海洋大学 一种海况时间历程快速生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103529492A (zh) * 2013-09-22 2014-01-22 天津大学 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
CN113706354A (zh) * 2021-09-02 2021-11-26 浙江索思科技有限公司 一种基于大数据技术的海洋综合业务管理系统

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100368362B1 (ko) * 1998-01-21 2003-05-12 삼성중공업 주식회사 기상사진의태풍인식방법및장치
US6201494B1 (en) * 1999-07-30 2001-03-13 Rockwell Collins, Inc. Automatic storm finding weather radar
US6590529B2 (en) * 2000-02-14 2003-07-08 Mysky Communications Individualized, location specific weather forecasting system
JP2002312760A (ja) * 2001-04-09 2002-10-25 Earth Weather:Kk 水温図作成方法とシステム
US9078402B2 (en) * 2005-12-22 2015-07-14 Lawrence Sirovich System and method for decreasing the intensity and frequency of tropical storms or hurricanes
US7917291B2 (en) * 2008-01-10 2011-03-29 Baron Services, Inc. System and method for predicting tornado activity
CN101419286A (zh) * 2008-12-01 2009-04-29 武汉理工大学 海浪色散关系的探测装置及探测方法
US20100270389A1 (en) * 2009-04-24 2010-10-28 Boris Feldman Method of dangerous phenomena (mainly, hurricane) and global warning weakening
KR100974958B1 (ko) * 2009-09-29 2010-08-10 제주대학교 산학협력단 태풍－파랑－해양 접합 시스템과 이를 이용한 태풍 예측 방법
RU2432589C1 (ru) * 2010-01-28 2011-10-27 Сергей Борисович Курсин Устройство для определения характеристик морских ветровых волн
US9188700B2 (en) * 2012-03-08 2015-11-17 Honeywell International Inc. System and method to identify regions of airspace having ice crystals using an onboard weather radar system
CN102721987A (zh) * 2012-06-12 2012-10-10 中国海洋大学 多普勒雷达遥感强风暴的预警方法
CN103134472B (zh) * 2013-03-06 2014-12-17 王梓辰 一种能实时监测河海波浪浪高及频率的测量装置
WO2016057859A1 (en) * 2014-10-10 2016-04-14 The Penn State Research Foundation Identifying visual storm signatures form satellite images
RU2591028C2 (ru) * 2014-12-04 2016-07-10 Федеральное государственное бюджетное учреждение науки институт океанологии им. П.П. Ширшова Российской академии наук Способ обнаружения шторма в океане со спутника
CN104966102A (zh) * 2015-06-23 2015-10-07 国家卫星气象中心 基于卫星图像的台风检测方法
KR20180031298A (ko) * 2016-09-19 2018-03-28 쓰리디토시스 주식회사 실시간 기상 관측용 복합센서와 자체 풍향과 풍속 측정 기능을 탑재한 드론 및 이를 활용한 기상 관측 시스템
CN106759062B (zh) * 2016-11-25 2018-08-24 华侨大学 一种沙滩侵蚀量预测方法
CN106504189A (zh) * 2016-11-29 2017-03-15 福建四创软件有限公司 一种基于gis的海洋受灾面积提取方法
CN106610491B (zh) * 2016-12-21 2019-10-15 广州市气象台 星载sar后向散射系数的检验方法及装置
CN206618872U (zh) * 2017-04-19 2017-11-07 国家海洋局第二海洋研究所 一种台风实时监测系统及实时监测预警系统
CN108196314B (zh) * 2017-12-22 2023-04-18 南京大学 一种西北太平洋环状台风自动识别系统
CN108919252A (zh) * 2018-04-03 2018-11-30 河北泽华伟业科技股份有限公司 风暴天气自动追踪导航系统
CN109164513A (zh) * 2018-08-08 2019-01-08 湖北河海科技发展有限公司 基于葵花气象卫星的台风定位检测方法
CN110873905A (zh) * 2019-12-11 2020-03-10 大连海事大学 一种基于太阳能温差发电和拍打式摩擦纳米发电的多能互补的自供能监测节点
CN111310983A (zh) * 2020-01-21 2020-06-19 宁波市气象台 一种针对登陆广东台风引发宁波暴雨的预报方法
US10914865B1 (en) * 2020-04-20 2021-02-09 Northrop Grumman Systems Corporation UAVs for monitoring the intensification of tropical cyclones
CN111723464B (zh) * 2020-05-15 2024-04-09 南京师范大学 一种基于遥感影像特征的台风椭圆型风场参数化模拟方法
CN111781146B (zh) * 2020-06-30 2023-02-24 自然资源部第一海洋研究所 利用高分辨率卫星光学影像的波浪参数反演方法
CN111835868A (zh) * 2020-07-28 2020-10-27 广东海洋大学 一种航海气象传真图收集和分发系统
CN112782691B (zh) * 2020-12-24 2024-06-25 西安空间无线电技术研究所 一种基于环扫雷达的海表面风浪流联合探测方法
CN112818512B (zh) * 2021-01-04 2022-09-30 上海勘测设计研究院有限公司 一种基于风暴模式的最大单波波高Hmax计算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103529492A (zh) * 2013-09-22 2014-01-22 天津大学 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
CN113706354A (zh) * 2021-09-02 2021-11-26 浙江索思科技有限公司 一种基于大数据技术的海洋综合业务管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《徐闻青安湾海滩剖面对热带风暴"贝碧嘉"高频响应的观测与分析》;曾春华 等;《第十九届中国海洋（岸）工程学术讨论会论文集》;20191031;655-660 *

Also Published As

Publication number Publication date
CN114740550A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN114740550B (zh) 一种连续风暴事件智能识别预警方法及系统
Mitra et al. A comparative assessment of flood susceptibility modelling of GIS-based TOPSIS, VIKOR, and EDAS techniques in the Sub-Himalayan foothills region of Eastern India
CN112819207B (zh) 基于相似性度量的地质灾害空间预测方法、系统及存储介质
Lombardo et al. Exploiting Maximum Entropy method and ASTER data for assessing debris flow and debris slide susceptibility for the Giampilieri catchment (north‐eastern Sicily, Italy)
CN111623722A (zh) 一种基于多传感器的边坡变形立体监测系统和方法
Fanos et al. A hybrid model using machine learning methods and GIS for potential rockfall source identification from airborne laser scanning data
Saravanan et al. Flood susceptibility mapping of Northeast coastal districts of Tamil Nadu India using Multi-source Geospatial data and Machine Learning techniques
Franklin et al. Object-based wetland characterization using radarsat-2 quad-polarimetric SAR data, landsat-8 OLI imagery, and airborne lidar-derived geomorphometric variables
CN112735094A (zh) 基于机器学习的地质灾害预测方法、装置和电子设备
US9159132B1 (en) Process and system for identifying damage
CN112200358A (zh) 一种滑坡等级预测方法、装置、设备和存储介质
CN111832506A (zh) 一种基于长时序植被指数的重建植被遥感判别方法
WO2020111934A1 (en) A method and system for detection of natural disaster occurrence
Yang et al. A storm surge projection and disaster risk assessment model for China coastal areas
Uehara et al. Landslide scars detection using remote sensing and pattern recognition techniques: comparison among artificial neural networks, gaussian maximum likelihood, random forest, and support vector machine classifiers
CN117593168B (zh) 一种冰湖溃决风险评估系统及方法
Mardian et al. A machine learning framework for predicting and understanding the Canadian drought monitor
CN117912301A (zh) 一种基于孤立森林的船舶异常行为监测告警方法
Razavi-Termeh et al. Enhancing flood-prone area mapping: fine-tuning the K-nearest neighbors (KNN) algorithm for spatial modelling
Wang et al. Early warning of debris flow using optimized self-organizing feature mapping network
CN117057508A (zh) 一种山洪泥石流灾害风险识别方法、装置、终端及介质
Mitchell et al. The use of the Conway–Maxwell–Poisson in the seasonal forecasting of tropical cyclones
Kim et al. Surface sediment classification using a deep learning model and unmanned aerial vehicle data of tidal flats
CN116089872A (zh) 地震后暴雨沟谷型泥石流的识别方法、装置、设备及介质
CN113221709A (zh) 用于识别用户运动的方法、装置及热水器

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