CN114881380A - 基于深度学习的航空气象数据的降尺度处理方法及系统 - Google Patents
基于深度学习的航空气象数据的降尺度处理方法及系统 Download PDFInfo
- Publication number
- CN114881380A CN114881380A CN202210815192.6A CN202210815192A CN114881380A CN 114881380 A CN114881380 A CN 114881380A CN 202210815192 A CN202210815192 A CN 202210815192A CN 114881380 A CN114881380 A CN 114881380A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- predicted
- historical
- level
- preset
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于深度学习的航空气象数据的降尺度处理方法及系统,包括:获取待监测区域的历史降水信息;基于全球气候模式对待监测区域的气象信息进行降尺度处理;确定历史降水等级;确定预测降水数据中的预测降水时段和预测降水量,将预测降水时段与历史降水时段进行比对,以确定预测降水时段的预测降水等级;根据确定的预测降水等级输出提示信息。通过将机场区域范围内的历史降水信息和预测降水信息进行融合处理,能够参考历史降水数据对预测降水信息进行调整和修正,获取客观和准确的预测降水等级,以便于根据预测降水等级进行机场区域的降水预警和提示,不仅能够有效地获取机场区域的预测降水信息,还能够及时有效的进行降水预警提示。
Description
技术领域
本发明涉及气象数据处理技术领域,具体而言,涉及一种基于深度学习的航空气象数据的降尺度处理方法及系统。
背景技术
目前,在航空气象领域对于强对流天气的预报主要依靠预报员的主观判断,还没有行之有效的客观预报方法和工具。在业务中运用较多的是短时临近预报,主要采用线形外推方法,即基于多普勒雷达回波特征,结合地面加密观测(降水和风场)、卫星云图、闪电定位信息和强对流实况等,以预报员主观分析预报为主,对卫星云图、雷达回波强度加以判断和外推预报。
现有技术中,在针对降水情况的预警及提示时,缺少有效的预警及提示方法。由于降水天气会影响机场的飞机起降,极易造成安全事故发生,因此,如何及时的进行机场所处区域的降水预警及提示,成为急需解决的技术问题。
发明内容
鉴于此,本发明提出了一种基于深度学习的航空气象数据的降尺度处理方法及系统,旨在解决如何对机场区域进行降水预警和提示的问题。
一个方面,本发明提出了一种基于深度学习的航空气象数据的降尺度处理方法,包括:
确定一待监测区域,基于航空气象数据获取所述待监测区域的历史降水信息;
基于全球气候模式对所述待监测区域的气象信息进行降尺度处理,获取所述待监测区域降尺度后的预测降水数据;
通过分类模型对所述历史降水信息进行分类后确定历史降水等级,以及根据分类结果确定历史降水时段和历史降水量信息;
确定所述预测降水数据中的预测降水时段和预测降水量,将所述预测降水时段与所述历史降水时段进行比对,以确定所述预测降水时段的预测降水等级;
根据确定的所述预测降水等级输出提示信息。
进一步地,在确定所述预测降水数据中的预测降水时段和预测降水量后,将所述预测降水时段与所述历史降水时段进行比对,以确定所述预测降水时段的预测降水等级,包括:
当所述预测降水时段与所述历史降水时段不一致时,则根据所述预测降水量确定所述预测降水等级;
当所述预测降水时段与所述历史降水时段一致时,则获取与所述预测降水时段处于同一时段内的所有的历史降水量信息,并将获取的所有历史降水量信息按照时间顺序进行排序后,获取历史最大降水值,再将所述历史最大降水值与所述预测降水量进行比对,根据比对结果确定预测降水等级。
进一步地,在所述预测降水时段与所述历史降水时段一致,将所述历史最大降水值与所述预测降水量进行比对,根据比对结果确定所述预测降水等级时,包括:
将所述历史最大降水值与所述预测降水量进行比对:
若所述历史最大降水值小于等于所述预测降水量,则根据所述预测降水量确定所述预测降水等级;
若所述历史最大降水值大于所述预测降水量,则获取所述历史最大降水值的降水时间与预测降水时间之间的时间间隔,当时间间隔大于间隔阈值时,则根据所述历史最大降水值与预测降水值之间的平均降水值确定预测降水等级,当时间间隔小于等于间隔阈值时,则根据所述预测降水量确定预测降水等级。
进一步地,在通过分类模型对所述历史降水信息进行分类后确定所述历史降水等级时,包括:
预先设定第一预设降水等级D1、第二预设降水等级D2、第三预设降水等级D3、第四预设降水等级D4和第五预设降水等级D5,D1>D2>D3>D4>D5;预先设定第一预设历史降水量L1、第二预设历史降水量L2、第三预设历史降水量L3和第四预设历史降水量L4,且L1>L2>L3>L4;
根据所述历史降水信息中的历史降水量L0与各预设历史降水量之间的关系设定历史降水等级:
当L0≥L1时,则将所述历史降水信息所对应的历史降水等级设定为第一预设降水等级D1;
当L1>L0≥L2时,则将所述历史降水信息所对应的历史降水等级设定为第二预设降水等级D2;
当L2>L0≥L3时,则将所述历史降水信息所对应的历史降水等级设定为第三预设降水等级D3;
当L3>L0≥L4时,则将所述历史降水信息所对应的历史降水等级设定为第四预设降水等级D4;
当L4>L0时,则将所述历史降水信息所对应的历史降水等级设定为第五预设降水等级D5。
进一步地,在根据所述预测降水量La确定所述预测降水等级时,包括:
设定第一预设降水量差值a1、第二预设降水量差值a2、第三预设降水量差值a3和第四预设降水量差值a4,且a1<a2<a3<a4;
确定距离预测降水时段最近的一次历史降水量L01,并根据L01与各预设历史降水量之间的关系,确定第i预设降水等级Di作为L01所对应的历史降水等级Di后,i=1,2,3,4,5,根据所述预测降水量La和L01之间的差值a0与各预设降水量差值之间的关系确定预测降水等级:
当La-L01<a1时,则将所述历史降水等级Di作为所述预测降水等级;
当a1≤La-L01<a2时,则将所述历史降水等级Di调升一级后作为所述预测降水等级,若此时i=1,直接将所述第一预设降水等级D1作为所述预测降水等级;
当a2≤La-L01<a3时,则将所述历史降水等级Di调升二级后作为所述预测降水等级,若此时i=1,直接将所述第一预设降水等级D1作为所述预测降水等级;
当a3≤La-L01<a4时,则将所述历史降水等级Di调升三级后作为所述预测降水等级,若此时i=1,直接将所述第一预设降水等级D1作为所述预测降水等级;
当a4≤La-L01时,则将所述第一预设降水等级D1作为所述预测降水等级。
进一步地,在将所述历史最大降水值与所述预测降水量进行比对,并在所述历史最大降水值大于所述预测降水量时,包括:
获取所述历史最大降水值的降水时间与预测降水时间之间的时间间隔△T,并设定间隔阈值T0,设定第一预设平均降水值H1、第二预设平均降水值H2、第三预设平均降水值H3和第四预设平均降水值H4,且H1<H2<H3<H4;
当△T大于T0时,获取所述历史最大降水值与预测降水值之间的平均降水值△H,根据所述平均降水值△H与各预设平均降水值之间的关系设定预测降水等级:
当△H<H1时,则将所述预测降水等级设定为所述第五预设降水等级D5;
当H1≤△H<H2时,则将所述预测降水等级设定为所述第四预设降水等级D4;
当H2≤△H<H3时,则将所述预测降水等级设定为所述第三预设降水等级D3;
当H3≤△H<H4时,则将所述预测降水等级设定为所述第二预设降水等级D2;
当H4≤△H时,则将所述预测降水等级设定为所述第一预设降水等级D1。
进一步地,在将所述预测降水等级设定为所述第i预设降水等级Di后,i=1,2,3,4,5,设定第一预设时间间隔差值T1、第二预设时间间隔差值T2、第三预设时间间隔差值T3和第四预设时间间隔差值T4,且T1<T2<T3<T4;
根据所述时间间隔△T和间隔阈值T0之间的差值与各预设时间间隔差值之间的关系,调整所述预测降水等级:
当△T-T0<T1时,则将所述第i预设降水等级Di作为最终的预测降水等级;
当T1≤△T-T0<T2时,则在将所述预测降水等级设定为第i预设降水等级Di后,将Di调升一级后作为最终的预测降水等级,其中,若i=1,则直接将所述第1预设降水等级D1作为最终的预测降水等级;
当T2≤△T-T0<T3时,则在将所述预测降水等级设定为第i预设降水等级Di后,将Di调升二级后作为最终的预测降水等级,其中,若i=1,则直接将所述第1预设降水等级D1作为最终的预测降水等级;
当T3≤△T-T0<T4时,则在将所述预测降水等级设定为第i预设降水等级Di后,将Di调升三级后作为最终的预测降水等级,其中,若i=1,则直接将所述第1预设降水等级D1作为最终的预测降水等级。
另一方面,本发明还提出了一种基于深度学习的航空气象数据的降尺度处理系统,包括:
监测区域确定模块,用于确定一待监测区域,并基于航空气象数据获取所述待监测区域的历史降水信息;
降尺度处理模块,用于基于全球气候模式对所述待监测区域的气象信息进行降尺度处理,获取所述待监测区域降尺度后的预测降水数据;
分类模块,用于通过分类模型对所述历史降水信息进行分类后确定历史降水等级,以及根据分类结果确定历史降水时段和历史降水量信息;
降水等级确定模块,用于确定所述预测降水数据中的预测降水时段和预测降水量,将所述预测降水时段与所述历史降水时段进行比对,以确定所述预测降水时段的预测降水等级;
提示模块,用于根据确定的所述预测降水等级输出提示信息。
进一步地,所述降水等级确定模块还用于在确定所述预测降水数据中的预测降水时段和预测降水量后,将所述预测降水时段与所述历史降水时段进行比对,以确定所述预测降水时段的预测降水等级,包括:
当所述预测降水时段与所述历史降水时段不一致时,则根据所述预测降水量确定所述预测降水等级;
当所述预测降水时段与所述历史降水时段一致时,则获取与所述预测降水时段处于同一时段内的所有的历史降水量信息,并将获取的所有历史降水量信息按照时间顺序进行排序后,获取历史最大降水值,再将所述历史最大降水值与所述预测降水量进行比对,根据比对结果确定预测降水等级。
进一步地,所述降水等级确定模块还用于在所述预测降水时段与所述历史降水时段一致,将所述历史最大降水值与所述预测降水量进行比对,根据比对结果确定所述预测降水等级时,包括:
将所述历史最大降水值与所述预测降水量进行比对:
若所述历史最大降水值小于等于所述预测降水量,则根据所述预测降水量确定所述预测降水等级;
若所述历史最大降水值大于所述预测降水量,则获取所述历史最大降水值的降水时间与预测降水时间之间的时间间隔,当时间间隔大于间隔阈值时,则根据所述历史最大降水值与预测降水值之间的平均降水值确定预测降水等级,当时间间隔小于等于间隔阈值时,则根据所述预测降水量确定预测降水等级。
与现有技术相比,本发明的有益效果在于,本发明的基于深度学习的航空气象数据的降尺度处理方法及系统,通过确定一待监测区域,基于航空气象数据获取所述待监测区域的历史降水信息,以获取机场区域范围内的历史降水信息,并基于全球气候模式对所述待监测区域的气象信息进行降尺度处理,获取所述待监测区域降尺度后的预测降水数据,即是,在获取到机场区域范围内的历史降水信息后,再基于全球气候模式获取的气象数据进行降尺度处理后,获取机场区域的预测降水数据,确定预测降水数据中的预测降水时段和预测降水量,将预测降水时段与所述历史降水时段进行比对,以确定所述预测降水时段的预测降水等级,通过将机场区域范围内的历史降水信息和预测降水信息进行融合处理,能够参考历史降水数据对预测降水信息进行调整和修正,从而能够获取较为客观和准确的预测降水等级,以便于根据预测降水等级进行机场区域的降水预警和提示,从而不仅能够有效地获取机场区域的预测降水信息,还能够及时有效的进行降水预警和提示,以便于及时的进行防范和航线调整,从而能够避免航空事故的发生,提高了安全性。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例基于深度学习的航空气象数据的降尺度处理方法的流程图;
图2为本发明实施例基于深度学习的航空气象数据的降尺度处理系统的功能框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
在本发明实施例中,数据来源使用全国气象局雷达数据、民航气象雷达数据、自动站数据、卫星云图(葵花8、风云2、风云4)、模式数据(GRAPES-GFS,全球中期数值预报系统数据)、T639历史数据(全球集合预报模式数据)、amcr(民航模式)等,基于气象大数据库进行数据的存储和读取。各个系统读取时进行投影转换等归一化处理工作。
使用气象传统CSI评分方法,基于机器视觉的轮廓重合度,以及统计偏差,均方根误差等评判标准等对各个系统的结果进行评判。将全年数据分为雨季和非雨季时期,获取不同情况下的数据特征。将数据以时间为单位划分,分为训练数据、验证集和测试集。依照训练的收敛和过拟合等参数情况,考虑是否进行旋转、倒叙等扩充数据集操作。使用卷积神经网络研究数据的特征和识别,长短时神经网络研究数据的时间变化特征。在获取足够的特征参数后,对数据进行标签化,使用生成对抗网络进行算法优化。使用均方差等统计函数作为基准损失函数,根据收敛情况和评判标准调整损失函数设计。
本发明实施例使用的气象数据分为粗尺度的全球模式数据(又称大气环流模式数据,以下简称为GCMs)和细尺度的区域或站点观测数据或全球再分析数据,并通过质量控制、选取区域、时间划片生成实验所需的数据。
GCMs:采用基于CMIP5 (Coupled Model Intercomparison ProjectPhase 5)框架设计,即耦合模式比较第5阶段的输出数据,选择基于RCP4.5作为模拟情景。选择IPCC DCC提供的数据源,数据区域应覆盖于中国区域,数据模型采用CMCC-CM模型和BCC-CSM1.1模型。由于通过IPCC DCC提供的数据已经过质量控制,本实施例不再进行质量控制,两种模式数据应进行数据网格化并统一分辨率,并覆盖1000、850、700和500 hPa四个垂直高度。
本发明实施例通过基于全球气候模式获取某一区域的预测气象数据,再应用降尺度技术进行数据的处理和获取,通过统一采用一致的输入数据,确定时间片和区域划分,以减少数据的不确定性。
本发明实施例提出了一种基于深度学习的航空气象数据的降尺度处理方法,包括:
步骤S101:确定一待监测区域,基于航空气象数据获取待监测区域的历史降水信息;
步骤S102:基于全球气候模式对待监测区域的气象信息进行降尺度处理,获取待监测区域降尺度后的预测降水数据;
步骤S103:通过分类模型对历史降水信息进行分类后确定历史降水等级,以及根据分类结果确定历史降水时段和历史降水量信息;
步骤S104:确定预测降水数据中的预测降水时段和预测降水量,将预测降水时段与历史降水时段进行比对,以确定预测降水时段的预测降水等级;
步骤S105:根据确定的预测降水等级输出提示信息。
本发明实施例通过确定一待监测区域,基于航空气象数据获取待监测区域的历史降水信息,以获取机场区域范围内的历史降水信息,并基于全球气候模式对待监测区域的气象信息进行降尺度处理,获取待监测区域降尺度后的预测降水数据,即是,在获取到机场区域范围内的历史降水信息后,再基于全球气候模式获取的气象数据进行降尺度处理后,获取机场区域的预测降水数据。
确定预测降水数据中的预测降水时段和预测降水量,将预测降水时段与历史降水时段进行比对,以确定预测降水时段的预测降水等级,通过将机场区域范围内的历史降水信息和预测降水信息进行融合处理,能够参考历史降水数据对预测降水信息进行调整和修正,从而能够获取较为客观和准确的预测降水等级,以便于根据预测降水等级进行机场区域的降水预警和提示,从而不仅能够有效地获取机场区域的预测降水信息,还能够及时有效的进行降水预警和提示,以便于及时的进行防范和航线调整,从而能够避免航空事故的发生,提高了安全性。
具体而言,在步骤S103中,在通过分类模型对历史降水信息进行分类后确定历史降水等级时,包括:
预先设定第一预设降水等级D1、第二预设降水等级D2、第三预设降水等级D3、第四预设降水等级D4和第五预设降水等级D5,D1>D2>D3>D4>D5;预先设定第一预设历史降水量L1、第二预设历史降水量L2、第三预设历史降水量L3和第四预设历史降水量L4,且L1>L2>L3>L4;
根据历史降水信息中的历史降水量L0与各预设历史降水量之间的关系设定历史降水等级:
当L0≥L1时,则将历史降水信息所对应的历史降水等级设定为第一预设降水等级D1;
当L1>L0≥L2时,则将历史降水信息所对应的历史降水等级设定为第二预设降水等级D2;
当L2>L0≥L3时,则将历史降水信息所对应的历史降水等级设定为第三预设降水等级D3;
当L3>L0≥L4时,则将历史降水信息所对应的历史降水等级设定为第四预设降水等级D4;
当L4>L0时,则将历史降水信息所对应的历史降水等级设定为第五预设降水等级D5。
通过对历史数据进行降水等级的初步设定,能够保证结果的准确性,从而为后续的预测结果的输出提供有效的参考价值。
具体而言,在步骤S104中,在确定预测降水数据中的预测降水时段和预测降水量,将预测降水时段与历史降水时段进行比对,以确定预测降水时段的预测降水等级时,包括:
当预测降水时段与历史降水时段不一致时,则根据预测降水量确定预测降水等级;
当预测降水时段与历史降水时段一致时,则获取与预测降水时段处于同一时段内的所有的历史降水量信息,并将获取的所有历史降水量信息按照时间顺序进行排序后,获取历史最大降水值,再将历史最大降水值与预测降水量进行比对,根据比对结果确定预测降水等级。
具体而言,在预测降水时段与历史降水时段一致,将历史最大降水值与预测降水量进行比对,根据比对结果确定预测降水等级时,包括:
将历史最大降水值与预测降水量进行比对:
若历史最大降水值小于等于预测降水量,则根据预测降水量确定预测降水等级;
若历史最大降水值大于预测降水量,则获取历史最大降水值的降水时间与预测降水时间之间的时间间隔,当时间间隔大于间隔阈值时,则根据历史最大降水值与预测降水值之间的平均降水值确定预测降水等级,当时间间隔小于等于间隔阈值时,则根据预测降水量确定预测降水等级。
通过根据历史降水数据与预测降水数据结合比对处理,能够有效的根据历史数据对预测数据进行影响,从而通过历史数据提供的降水参考信息,对预测数据进行有效的校对和调整,以提高结果输出的准确性。
具体而言,在根据预测降水量La确定预测降水等级时,包括:
设定第一预设降水量差值a1、第二预设降水量差值a2、第三预设降水量差值a3和第四预设降水量差值a4,且a1<a2<a3<a4;
确定距离预测降水时段最近的一次历史降水量L01,并根据L01与各预设历史降水量之间的关系,确定第i预设降水等级Di作为L01所对应的历史降水等级Di后,i=1,2,3,4,5,根据预测降水量La和L01之间的差值a0与各预设降水量差值之间的关系确定预测降水等级:
当La-L01<a1时,则将历史降水等级Di作为预测降水等级;
当a1≤La-L01<a2时,则将历史降水等级Di调升一级后作为预测降水等级,若此时i=1,直接将第一预设降水等级D1作为预测降水等级;
当a2≤La-L01<a3时,则将历史降水等级Di调升二级后作为预测降水等级,若此时i=1,直接将第一预设降水等级D1作为预测降水等级;
当a3≤La-L01<a4时,则将历史降水等级Di调升三级后作为预测降水等级,若此时i=1,直接将第一预设降水等级D1作为预测降水等级;
当a4≤La-L01时,则将第一预设降水等级D1作为预测降水等级。
通过确定距离预测降水时段最近的一次历史降水量L01,并根据L01与各预设历史降水量之间的关系,确定第i预设降水等级Di作为L01所对应的历史降水等级Di后,根据预测降水量La和L01之间的差值a0与各预设降水量差值之间的关系确定预测降水等级。通过基于历史降水量与预测降水量之间的差值关系影响预测降水等级,由于历史降水量为准确的降水数据,从而能够为预测降水量提供有效的影响关系,以保证预测结果的客观性和准确性。
具体而言,在将历史最大降水值与预测降水量进行比对,并在历史最大降水值大于预测降水量时,包括:
获取历史最大降水值的降水时间与预测降水时间之间的时间间隔△T,并设定间隔阈值T0,设定第一预设平均降水值H1、第二预设平均降水值H2、第三预设平均降水值H3和第四预设平均降水值H4,且H1<H2<H3<H4;
当△T大于T0时,获取历史最大降水值与预测降水值之间的平均降水值△H,根据平均降水值△H与各预设平均降水值之间的关系设定预测降水等级:
当△H<H1时,则将预测降水等级设定为第五预设降水等级D5;
当H1≤△H<H2时,则将预测降水等级设定为第四预设降水等级D4;
当H2≤△H<H3时,则将预测降水等级设定为第三预设降水等级D3;
当H3≤△H<H4时,则将预测降水等级设定为第二预设降水等级D2;
当H4≤△H时,则将预测降水等级设定为第一预设降水等级D1。
具体而言,在将预测降水等级设定为第i预设降水等级Di后,i=1,2,3,4,5,设定第一预设时间间隔差值T1、第二预设时间间隔差值T2、第三预设时间间隔差值T3和第四预设时间间隔差值T4,且T1<T2<T3<T4;
根据时间间隔△T和间隔阈值T0之间的差值与各预设时间间隔差值之间的关系,调整预测降水等级:
当△T-T0<T1时,则将第i预设降水等级Di作为最终的预测降水等级;
当T1≤△T-T0<T2时,则在将预测降水等级设定为第i预设降水等级Di后,将Di调升一级后作为最终的预测降水等级,其中,若i=1,则直接将第1预设降水等级D1作为最终的预测降水等级;
当T2≤△T-T0<T3时,则在将预测降水等级设定为第i预设降水等级Di后,将Di调升二级后作为最终的预测降水等级,其中,若i=1,则直接将第1预设降水等级D1作为最终的预测降水等级;
当T3≤△T-T0<T4时,则在将预测降水等级设定为第i预设降水等级Di后,将Di调升三级后作为最终的预测降水等级,其中,若i=1,则直接将第1预设降水等级D1作为最终的预测降水等级。
通过根据时间间隔△T和间隔阈值T0之间的差值与各预设时间间隔差值之间的关系,调整预测降水等级,能够有效地根据历史数据进行对预测数据进行影响,由于连续极端情况发生概率较小,因此在时间间隔越短的情况下,则高降水量的概率越小,因而及时的根据历史数据记性预测数据的影响,能够保证预测结果的准确性。
上述实施例中,在进行提示信息输出时,提示信息根据预测降水等级进行一级-五级的提示信息的输出,已告知相关人员未来机场区域内的降水等级情况。一级-五级的提示信息按情况严重程度依次又高到低排列,且与1-5级预测降水等级相对应。
基于上述实施例的另一种优选的实施方式中,参阅图2所示,本实施例提供了一种基于深度学习的航空气象数据的降尺度处理系统,包括:
监测区域确定模块,用于确定一待监测区域,并基于航空气象数据获取待监测区域的历史降水信息;
降尺度处理模块,用于基于全球气候模式对待监测区域的气象信息进行降尺度处理,获取待监测区域降尺度后的预测降水数据;
分类模块,用于通过分类模型对历史降水信息进行分类后确定历史降水等级,以及根据分类结果确定历史降水时段和历史降水量信息;
降水等级确定模块,用于确定预测降水数据中的预测降水时段和预测降水量,将预测降水时段与历史降水时段进行比对,以确定预测降水时段的预测降水等级;
提示模块,用于根据确定的预测降水等级输出提示信息。
本发明实施例通过确定一待监测区域,基于航空气象数据获取待监测区域的历史降水信息,以获取机场区域范围内的历史降水信息,并基于全球气候模式对待监测区域的气象信息进行降尺度处理,获取待监测区域降尺度后的预测降水数据,即是,在获取到机场区域范围内的历史降水信息后,再基于全球气候模式获取的气象数据进行降尺度处理后,获取机场区域的预测降水数据。
确定预测降水数据中的预测降水时段和预测降水量,将预测降水时段与历史降水时段进行比对,以确定预测降水时段的预测降水等级,通过将机场区域范围内的历史降水信息和预测降水信息进行融合处理,能够参考历史降水数据对预测降水信息进行调整和修正,从而能够获取较为客观和准确的预测降水等级,以便于根据预测降水等级进行机场区域的降水预警和提示,从而不仅能够有效地获取机场区域的预测降水信息,还能够及时有效的进行降水预警和提示,以便于及时的进行防范和航线调整,从而能够避免航空事故的发生,提高了安全性。
具体而言,降水等级确定模块还用于在确定预测降水数据中的预测降水时段和预测降水量,将预测降水时段与历史降水时段进行比对,以确定预测降水时段的预测降水等级时,包括:
当预测降水时段与历史降水时段不一致时,则根据预测降水量确定预测降水等级;
当预测降水时段与历史降水时段一致时,则获取与预测降水时段处于同一时段内的所有的历史降水量信息,并将获取的所有历史降水量信息按照时间顺序进行排序后,获取历史最大降水值,再将历史最大降水值与预测降水量进行比对,根据比对结果确定预测降水等级。
具体而言,降水等级确定模块还用于在预测降水时段与历史降水时段一致,将历史最大降水值与预测降水量进行比对,根据比对结果确定预测降水等级时,包括:
将历史最大降水值与预测降水量进行比对:
若历史最大降水值小于等于预测降水量,则根据预测降水量确定预测降水等级;
若历史最大降水值大于预测降水量,则获取历史最大降水值的降水时间与预测降水时间之间的时间间隔,当时间间隔大于间隔阈值时,则根据历史最大降水值与预测降水值之间的平均降水值确定预测降水等级,当时间间隔小于等于间隔阈值时,则根据预测降水量确定预测降水等级。
可以看出,上述各实施例通过确定一待监测区域,基于航空气象数据获取待监测区域的历史降水信息,以获取机场区域范围内的历史降水信息,并基于全球气候模式对待监测区域的气象信息进行降尺度处理,获取待监测区域降尺度后的预测降水数据,即是,在获取到机场区域范围内的历史降水信息后,再基于全球气候模式获取的气象数据进行降尺度处理后,获取机场区域的预测降水数据,确定预测降水数据中的预测降水时段和预测降水量,将预测降水时段与历史降水时段进行比对,以确定预测降水时段的预测降水等级,通过将机场区域范围内的历史降水信息和预测降水信息进行融合处理,能够参考历史降水数据对预测降水信息进行调整和修正,从而能够获取较为客观和准确的预测降水等级,以便于根据预测降水等级进行机场区域的降水预警和提示,从而不仅能够有效地获取机场区域的预测降水信息,还能够及时有效的进行降水预警和提示,以便于及时的进行防范和航线调整,从而能够避免航空事故的发生,提高了安全性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于深度学习的航空气象数据的降尺度处理方法,其特征在于,包括:
确定一待监测区域,基于航空气象数据获取所述待监测区域的历史降水信息;
基于全球气候模式对所述待监测区域的气象信息进行降尺度处理,获取所述待监测区域降尺度后的预测降水数据;
通过分类模型对所述历史降水信息进行分类后确定历史降水等级,以及根据分类结果确定历史降水时段和历史降水量信息;
确定所述预测降水数据中的预测降水时段和预测降水量,将所述预测降水时段与所述历史降水时段进行比对,以确定所述预测降水时段的预测降水等级;
根据确定的所述预测降水等级输出提示信息。
2.根据权利要求1所述的基于深度学习的航空气象数据的降尺度处理方法,其特征在于,在确定所述预测降水数据中的预测降水时段和预测降水量,将所述预测降水时段与所述历史降水时段进行比对,以确定所述预测降水时段的预测降水等级时,包括:
当所述预测降水时段与所述历史降水时段不一致时,则根据所述预测降水量确定所述预测降水等级;
当所述预测降水时段与所述历史降水时段一致时,则获取与所述预测降水时段处于同一时段内的所有的历史降水量信息,并将获取的所有历史降水量信息按照时间顺序进行排序后,获取历史最大降水值,再将所述历史最大降水值与所述预测降水量进行比对,根据比对结果确定预测降水等级。
3.根据权利要求2所述的基于深度学习的航空气象数据的降尺度处理方法,其特征在于,在所述预测降水时段与所述历史降水时段一致,将所述历史最大降水值与所述预测降水量进行比对,根据比对结果确定所述预测降水等级时,包括:
将所述历史最大降水值与所述预测降水量进行比对:
若所述历史最大降水值小于等于所述预测降水量,则根据所述预测降水量确定所述预测降水等级;
若所述历史最大降水值大于所述预测降水量,则获取所述历史最大降水值的降水时间与预测降水时间之间的时间间隔,当时间间隔大于间隔阈值时,则根据所述历史最大降水值与预测降水值之间的平均降水值确定预测降水等级,当时间间隔小于等于间隔阈值时,则根据所述预测降水量确定预测降水等级。
4.根据权利要求3所述的基于深度学习的航空气象数据的降尺度处理方法,其特征在于,在通过分类模型对所述历史降水信息进行分类后确定所述历史降水等级时,包括:
预先设定第一预设降水等级D1、第二预设降水等级D2、第三预设降水等级D3、第四预设降水等级D4和第五预设降水等级D5,D1>D2>D3>D4>D5;
预先设定第一预设历史降水量L1、第二预设历史降水量L2、第三预设历史降水量L3和第四预设历史降水量L4,且L1>L2>L3>L4;
根据所述历史降水信息中的历史降水量L0与各预设历史降水量之间的关系设定历史降水等级:
当L0≥L1时,则将所述历史降水信息所对应的历史降水等级设定为第一预设降水等级D1;
当L1>L0≥L2时,则将所述历史降水信息所对应的历史降水等级设定为第二预设降水等级D2;
当L2>L0≥L3时,则将所述历史降水信息所对应的历史降水等级设定为第三预设降水等级D3;
当L3>L0≥L4时,则将所述历史降水信息所对应的历史降水等级设定为第四预设降水等级D4;
当L4>L0时,则将所述历史降水信息所对应的历史降水等级设定为第五预设降水等级D5。
5.根据权利要求4所述的基于深度学习的航空气象数据的降尺度处理方法,其特征在于,在根据所述预测降水量La确定所述预测降水等级时,包括:
设定第一预设降水量差值a1、第二预设降水量差值a2、第三预设降水量差值a3和第四预设降水量差值a4,且a1<a2<a3<a4;
确定距离预测降水时段最近的一次历史降水量L01,并根据L01与各预设历史降水量之间的关系,确定第i预设降水等级Di作为L01所对应的历史降水等级Di后,i=1,2,3,4,5,根据所述预测降水量La和L01之间的差值a0与各预设降水量差值之间的关系确定预测降水等级:
当La-L01<a1时,则将所述历史降水等级Di作为所述预测降水等级;
当a1≤La-L01<a2时,则将所述历史降水等级Di调升一级后作为所述预测降水等级,若此时i=1,直接将所述第一预设降水等级D1作为所述预测降水等级;
当a2≤La-L01<a3时,则将所述历史降水等级Di调升二级后作为所述预测降水等级,若此时i=1,直接将所述第一预设降水等级D1作为所述预测降水等级;
当a3≤La-L01<a4时,则将所述历史降水等级Di调升三级后作为所述预测降水等级,若此时i=1,直接将所述第一预设降水等级D1作为所述预测降水等级;
当a4≤La-L01时,则将所述第一预设降水等级D1作为所述预测降水等级。
6.根据权利要求4所述的基于深度学习的航空气象数据的降尺度处理方法,其特征在于,在将所述历史最大降水值与所述预测降水量进行比对,并在所述历史最大降水值大于所述预测降水量时,包括:
获取所述历史最大降水值的降水时间与预测降水时间之间的时间间隔△T,并设定间隔阈值T0,设定第一预设平均降水值H1、第二预设平均降水值H2、第三预设平均降水值H3和第四预设平均降水值H4,且H1<H2<H3<H4;
当△T大于T0时,获取所述历史最大降水值与预测降水值之间的平均降水值△H,根据所述平均降水值△H与各预设平均降水值之间的关系设定预测降水等级:
当△H<H1时,则将所述预测降水等级设定为所述第五预设降水等级D5;
当H1≤△H<H2时,则将所述预测降水等级设定为所述第四预设降水等级D4;
当H2≤△H<H3时,则将所述预测降水等级设定为所述第三预设降水等级D3;
当H3≤△H<H4时,则将所述预测降水等级设定为所述第二预设降水等级D2;
当H4≤△H时,则将所述预测降水等级设定为所述第一预设降水等级D1。
7.根据权利要求6所述的基于深度学习的航空气象数据的降尺度处理方法,其特征在于,在将所述预测降水等级设定为所述第i预设降水等级Di后,i=1,2,3,4,5,设定第一预设时间间隔差值T1、第二预设时间间隔差值T2、第三预设时间间隔差值T3和第四预设时间间隔差值T4,且T1<T2<T3<T4;
根据所述时间间隔△T和间隔阈值T0之间的差值与各预设时间间隔差值之间的关系,调整所述预测降水等级:
当△T-T0<T1时,则将所述第i预设降水等级Di作为最终的预测降水等级;
当T1≤△T-T0<T2时,则在将所述预测降水等级设定为第i预设降水等级Di后,将Di调升一级后作为最终的预测降水等级,其中,若i=1,则直接将所述第1预设降水等级D1作为最终的预测降水等级;
当T2≤△T-T0<T3时,则在将所述预测降水等级设定为第i预设降水等级Di后,将Di调升二级后作为最终的预测降水等级,其中,若i=1,则直接将所述第1预设降水等级D1作为最终的预测降水等级;
当T3≤△T-T0<T4时,则在将所述预测降水等级设定为第i预设降水等级Di后,将Di调升三级后作为最终的预测降水等级,其中,若i=1,则直接将所述第1预设降水等级D1作为最终的预测降水等级。
8.一种基于深度学习的航空气象数据的降尺度处理系统,其特征在于,包括:
监测区域确定模块,用于确定一待监测区域,并基于航空气象数据获取所述待监测区域的历史降水信息;
降尺度处理模块,用于基于全球气候模式对所述待监测区域的气象信息进行降尺度处理,获取所述待监测区域降尺度后的预测降水数据;
分类模块,用于通过分类模型对所述历史降水信息进行分类后确定历史降水等级,以及根据分类结果确定历史降水时段和历史降水量信息;
降水等级确定模块,用于确定所述预测降水数据中的预测降水时段和预测降水量,将所述预测降水时段与所述历史降水时段进行比对,以确定所述预测降水时段的预测降水等级;
提示模块,用于根据确定的所述预测降水等级输出提示信息。
9.根据权利要求8所述的基于深度学习的航空气象数据的降尺度处理系统,其特征在于,所述降水等级确定模块还用于在确定所述预测降水数据中的预测降水时段和预测降水量后,将所述预测降水时段与所述历史降水时段进行比对,以确定所述预测降水时段的预测降水等级,包括:
当所述预测降水时段与所述历史降水时段不一致时,则根据所述预测降水量确定所述预测降水等级;
当所述预测降水时段与所述历史降水时段一致时,则获取与所述预测降水时段处于同一时段内的所有的历史降水量信息,并将获取的所有历史降水量信息按照时间顺序进行排序后,获取历史最大降水值,再将所述历史最大降水值与所述预测降水量进行比对,根据比对结果确定预测降水等级。
10.根据权利要求9所述的基于深度学习的航空气象数据的降尺度处理系统,其特征在于,所述降水等级确定模块还用于在所述预测降水时段与所述历史降水时段一致,将所述历史最大降水值与所述预测降水量进行比对,根据比对结果确定所述预测降水等级时,包括:
将所述历史最大降水值与所述预测降水量进行比对:
若所述历史最大降水值小于等于所述预测降水量,则根据所述预测降水量确定所述预测降水等级;
若所述历史最大降水值大于所述预测降水量,则获取所述历史最大降水值的降水时间与预测降水时间之间的时间间隔,当时间间隔大于间隔阈值时,则根据所述历史最大降水值与预测降水值之间的平均降水值确定预测降水等级,当时间间隔小于等于间隔阈值时,则根据所述预测降水量确定预测降水等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210815192.6A CN114881380B (zh) | 2022-07-12 | 2022-07-12 | 基于深度学习的航空气象数据的降尺度处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210815192.6A CN114881380B (zh) | 2022-07-12 | 2022-07-12 | 基于深度学习的航空气象数据的降尺度处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114881380A true CN114881380A (zh) | 2022-08-09 |
CN114881380B CN114881380B (zh) | 2022-09-23 |
Family
ID=82682935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210815192.6A Active CN114881380B (zh) | 2022-07-12 | 2022-07-12 | 基于深度学习的航空气象数据的降尺度处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881380B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077775A (zh) * | 2023-08-23 | 2023-11-17 | 国网山东省电力公司临沂供电公司 | 一种基于雷电数据的雷电动态图谱绘制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027193A (zh) * | 2019-12-02 | 2020-04-17 | 浙江工业大学 | 一种基于回归模型的短期水位预测方法 |
CN111489525A (zh) * | 2020-03-30 | 2020-08-04 | 南京信息工程大学 | 多数据融合的气象预测预警方法 |
CN113379098A (zh) * | 2021-04-16 | 2021-09-10 | 水利部珠江水利委员会技术咨询(广州)有限公司 | 河流区间动态洪峰分析预警方法、系统、设备及介质 |
WO2021204913A1 (en) * | 2020-04-08 | 2021-10-14 | Basf Se | Method for estimating precipitation distribution for a geographical region |
CN113762645A (zh) * | 2021-10-11 | 2021-12-07 | 昆仑(重庆)河湖生态研究院(有限合伙) | 一种自然灾害预报方法及装置 |
-
2022
- 2022-07-12 CN CN202210815192.6A patent/CN114881380B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027193A (zh) * | 2019-12-02 | 2020-04-17 | 浙江工业大学 | 一种基于回归模型的短期水位预测方法 |
CN111489525A (zh) * | 2020-03-30 | 2020-08-04 | 南京信息工程大学 | 多数据融合的气象预测预警方法 |
WO2021204913A1 (en) * | 2020-04-08 | 2021-10-14 | Basf Se | Method for estimating precipitation distribution for a geographical region |
CN113379098A (zh) * | 2021-04-16 | 2021-09-10 | 水利部珠江水利委员会技术咨询(广州)有限公司 | 河流区间动态洪峰分析预警方法、系统、设备及介质 |
CN113762645A (zh) * | 2021-10-11 | 2021-12-07 | 昆仑(重庆)河湖生态研究院(有限合伙) | 一种自然灾害预报方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077775A (zh) * | 2023-08-23 | 2023-11-17 | 国网山东省电力公司临沂供电公司 | 一种基于雷电数据的雷电动态图谱绘制方法及系统 |
CN117077775B (zh) * | 2023-08-23 | 2024-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于雷电数据的雷电动态图谱绘制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114881380B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11846750B2 (en) | Real-time weather forecasting for transportation systems | |
CN109738970B (zh) | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 | |
EP3524813B1 (en) | Method and apparatus for predicting ice formation | |
US10268913B2 (en) | Equipment damage prediction system using neural networks | |
CN109242243B (zh) | 一种基于改进随机集贝叶斯网络的航班运行风险动态分析方法 | |
CN114881380B (zh) | 基于深度学习的航空气象数据的降尺度处理方法及系统 | |
CN110570693B (zh) | 一种基于可靠性的航班运行时间预测方法 | |
CN112036581B (zh) | 交通工具空调系统的性能检测方法及装置、存储介质、终端 | |
CN115064009A (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
CN111582584A (zh) | 基于航空公司公平性的航段运行时间优化方法 | |
CN112132366A (zh) | 一种航班放行率的预测系统 | |
CN108055639B (zh) | 一种基于信令数据分析的人流密度预测方法及系统 | |
CN111291903A (zh) | 降水量预估方法、装置、计算机设备及可读存储介质 | |
CN114219116A (zh) | 对流天气影响终端区的容量预测方法 | |
US20230314169A1 (en) | Method and apparatus for generating map data, and non-transitory computer-readable storage medium | |
CN117104529A (zh) | 一种应用于飞机过冷大水滴结冰的潜势预报方法及系统 | |
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 | |
CN110555552B (zh) | 基于天气危险指数的终端区起降容量预测方法 | |
CN115508917A (zh) | 机场气象要素预报方法、装置、设备和存储介质 | |
De Visscher et al. | Data mining and Machine Learning techniques supporting Time-Based Separation concept deployment | |
CN114625821A (zh) | 感知数据的处理方法、电子设备及程序产品 | |
Müller et al. | Avalanche Problem Solver (APS)–a decision support system for forecasters (part 1) | |
Hansen et al. | Normalization of Airport and Terminal Area Operational Performance: A Case Study of Los Angeles International Airport | |
CN117194982B (zh) | 民航客机着陆载荷风险预警方法、系统及电子设备 | |
CN102968883B (zh) | 自适应泥石流预警方法 |
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 |