CN115080556B - 一种降雨监测异常数据检测及插补方法 - Google Patents
一种降雨监测异常数据检测及插补方法 Download PDFInfo
- Publication number
- CN115080556B CN115080556B CN202211000512.9A CN202211000512A CN115080556B CN 115080556 B CN115080556 B CN 115080556B CN 202211000512 A CN202211000512 A CN 202211000512A CN 115080556 B CN115080556 B CN 115080556B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- station
- data
- stations
- site
- 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 55
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000001556 precipitation Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 6
- 101100001676 Emericella variicolor andK gene Proteins 0.000 claims description 2
- 241000135164 Timea Species 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Environmental Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Ecology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Hydrology & Water Resources (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种降雨监测异常数据检测及插补方法,包括获取多年雨量站点监测数据,还包括以下步骤:绘制所有雨量站的泰森多边形;筛选数据不完整的站点;将雨量监测数据划分为多个降水场次;逐场次计算每个站点逐5min降雨过程与相邻站点逐5min降雨过程均值的皮尔逊相关系数r;采用反距离权重法对数据不完整站点和数据异常站点按照逐时段进行插补。本发明提出的一种降雨监测异常数据检测及插补方法,从多年监测数据中筛选出可用站点,并检测出这些可用站点中存在的异常数据,然后进行插补。
Description
技术领域
本发明涉及降水监测的技术领域,特别是一种降雨监测异常数据检测及插补方法。
背景技术
受全球气候变化和人类活动等影响,极端降雨灾害频发,极易引发山洪、内涝、地质等直接灾害和链生灾害。灾害防治相关部门为提高降雨数据监测的针对性和及时性,在气象等权威部门共享数据的基础上,补充建设了大量的雨量站,如国土、水利、水文、城建等业务部门都各自规划建设了相当数量的雨量站。大部分雨量站在数据分辨率和精度方面较为可靠,但由于受设备质量、安装位置、周边环境等常规因素以及雷电、设备断电、通信中断等突发因素影响,产生了大量的异常数据,如某段时间数据中断、不合理的雨量极值、相邻站点数据不匹配等。气象、水文等专业监测部门都会对数据进行自动和人工校验,以保证数据准确,但一方面,并不是所有部门都经过此环节,另一方面,即使经过检验,也还存在如某场降雨中部分站点数据中断、时段雨量偏大等问题。
申请号为CN108920429A的发明专利申请公开了一种水位动态监测的异常数据分析方法,首先记录某水体某段长期时间内,以较短时间间隔记录水压数据,再换算成相对水深数据;先从中剔除明显异常数据,再计算相邻两个时刻的相对水深数据的增量形成增量序列,利用随机统计模型(如正态分布曲线)估计特定置信水平下增量序列中增量的置信区间,然后筛选出超出置信区间的异常增量,最后结合这些异常增量所处时刻的降雨、水温情况,分析判断这些异常增量是否可以被接受,从而完成异常数据的分析识别。该方法的缺点一是没有考虑站点监测数据与相邻站点监测数据的关系,二是只考虑相邻两个时刻的数据变化,没有利用多个时刻的变化关系。
发明内容
为了解决上述的技术问题,本发明提出的一种降雨监测异常数据检测及插补方法,从多年监测数据中筛选出可用站点,并检测出这些可用站点中存在的异常数据,然后进行插补。
本发明的目的是提供一种降雨监测异常数据检测及插补方法,包括获取多年雨量站点监测数据,还包括以下步骤:
步骤1:绘制所有雨量站的泰森多边形;
步骤2:筛选数据不完整的站点;
步骤3:将雨量监测数据划分为多个降水场次;
步骤4:逐场次计算每个站点逐5min降雨过程与相邻站点逐5min降雨过程均值的皮尔逊相关系数r;
步骤5:采用反距离权重法对数据不完整站点和数据异常站点按照逐时段进行插补。
优选的是,所述步骤1包括借助所述泰森多边形,确定每个雨量站的相邻站点。
在上述任一方案中优选的是,所述步骤2包括统计所有雨量站逐年总雨量,如果某个雨量站的年总雨量与相邻站点年总雨量的平均值的比值小于K 1或大于K 2,则认为该站点数据不完整,其中,K 1和K 2为常数。
其中,P i,y 表示相邻的雨量站i在y年的总雨量,d s,i 表示雨量站s和雨量站i的距离,n为雨量站s的相邻雨量站的个数。
在上述任一方案中优选的是,所述降水场次的划分方法为当有站点降雨量超过初始降水阈值时,则认为降雨开始,如果后面连续4小时所有站点均未降雨,则认为降雨结束,从降雨开始到降雨结束算作一个完整的降雨场次。
在上述任一方案中优选的是,所述步骤4包括当某站某场次的相关系数r小于0.4时,则认为该站点在此场次中为数据异常站点,场次j中雨量站i的相关系数r i,j 的计算公式为
其中,m表示j场次的时段数,P i,t 表示雨量站i在t时段的雨量,表示j场次中站
点i的时段雨量的均值,A i,t 表示雨量站i的相邻站点在t时段的降雨量算数平均值,表
示j场次中所有A i,t 的平均值,k表示j场次中的第k个时段。
在上述任一方案中优选的是,按照反距离权重法计算雨量站i的相邻站点在t时段的降雨量算数平均值A i,t ,计算公式为
其中,P s,t 表示相邻的站点s在t时刻的雨量值。
在上述任一方案中优选的是,i站点在t时段的雨量值插值方法为
其中,表示待插值的站点i在t时刻的雨量值。
在上述任一方案中优选的是,所述步骤5包括逐个异常站点逐时刻计算完成后,即完成数据插补。
本发明提出了一种降雨监测异常数据检测及插补方法,创新性的以场次为单元,考虑异常站点与相邻站点的时序相关性,进行数据插补。插补得到的降雨分布数据与原始数据相比,更加平滑,符合实际降雨规律。
附图说明
图1为按照本发明的降雨监测异常数据检测及插补方法的一优选实施例的流程图。
图2为按照本发明的降雨监测异常数据检测及插补方法的另一优选实施例的流程图。
图3为按照本发明的降雨监测异常数据检测及插补方法的一优选实施例的雨量站s和相邻站示意图。
图4为按照本发明的降雨监测异常数据检测及插补方法的一优选实施例的插补前降雨分布情况示意图。
图5为按照本发明的降雨监测异常数据检测及插补方法的一优选实施例的插补后降雨分布情况示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1所示,一种降雨监测异常数据检测及插补方法,执行步骤100,获取多年雨量站点监测数据。
执行步骤110,绘制所有雨量站的泰森多边形,借助所述泰森多边形,确定每个雨量站的相邻站点。
执行步骤120,筛选数据不完整的站点,统计所有雨量站逐年总雨量,如果某个雨
量站的年总雨量与相邻站点年总雨量的平均值的比值小于K 1(在本实施例中,K 1=0.5)或大
于K 2 (在本实施例中,K 2=1.5),则认为该站点数据不完整。采用反距离权重法计算雨量站s
的相邻站点在y年总雨量的平均值,公式为
其中,P i,y 表示相邻的雨量站i在y年的总雨量,d s,i 表示雨量站s和雨量站i的距离,n为雨量站s的相邻雨量站的个数
执行步骤130,将雨量监测数据划分为多个降水场次。降水场次的划分方法为当有站点降雨量超过初始降水阈值时,则认为降雨开始,如果后面连续4小时所有站点均未降雨,则认为降雨结束,从降雨开始到降雨结束算作一个完整的降雨场次。
执行步骤140,逐场次计算每个站点逐5min降雨过程与相邻站点逐5min降雨过程均值的皮尔逊相关系数r。当某站某场次的相关系数r小于0.4时,则认为该站点在此场次中为数据异常站点,场次j中雨量站i的相关系数r i,j 的计算公式为
其中,m表示j场次的时段数,P i,t 表示雨量站i在t时段的雨量,表示j场次中站
点i的时段雨量的均值,A i,t 表示雨量站i的相邻站点在t时段的降雨量算数平均值,表
示j场次中所有A i,t 的平均值,k表示j场次中的第k个时段。
按照反距离权重法计算雨量站i的相邻站点在t时段的降雨量算数平均值A i,t ,计算公式为
其中,P s,t 表示相邻的站点s在t时刻的雨量值
执行步骤150,采用反距离权重法对数据不完整站点和数据异常站点按照逐时段进行插补。
i站点在t时段的雨量值插值方法为
实施例二
本发明提出了一种降雨监测异常数据自动监测及插补方法,主要实现从多年监测数据中筛选出可用站点,并检测出这些可用站点中存在的异常数据,然后进行插补。逐个异常站点逐时刻计算完成后,即完成数据插补。
主要创新点包括:(1)计算某站某年的总降雨量与周边相邻几个站点的年总雨量的平均值的比值,如果小于0.5或大于1.5,则提出该扎站点;(2)以场次为单元,利用每个站降雨国车过与周边站平均降雨过程的相关系数,筛选出数据异常站点;(3)按反距离权重法,利用相邻站点逐时段的降雨数据插补得到数据异常站点逐时段的降雨数据。
主要步骤如图2所示,包括:
(1) 如图3所示,绘制所有雨量站的泰森多边形,借助泰森多边形,确定每个雨量站的相邻站点;
(2)筛选数据不完整的站点:统计所有雨量站逐年总雨量,如果某个雨量站的年总雨量与相邻站点年总雨量的平均值的比值小于0.5或大于1.5,则认为该站点数据不完整。雨量站s的相邻站点某年总雨量的平均值采用反距离权重法计算:
(3)将雨量监测数据划分为场次。当有站点降雨量超过0.5mm时,则认为降雨开始,如果后面连续4小时所有站点均未降雨,则认为降雨结束,从降雨开始到降雨结束算作一个完整的降雨场次。
(4)逐场次计算每个站点逐5min降雨过程与相邻站点逐5min降雨过程均值的皮尔逊相关系数r。如果某站某场次的相关系数r小于0.4,则认为该站点在此场次中为数据异常站点。场次j中雨量站i的相关系数计算见下式:
式中,表示j场次雨量站i的相关系数,m表示j场次的时段数,表示雨量站i在t时段的雨量,表示j场次中站点i的时段雨量的均值,表示雨量站i的相邻站点在t时
段的降雨量算数平均值,表示j场次中所有的平均值。
(5)对数据不完整站点和数据异常站点,采用反距离权重法,按照逐时段进行插补。i站点在t时段的雨量值插值方法见下式:
逐个异常站点逐时刻计算完成后,即完成数据插补。
如图4所示的是插补前降雨分布情况示意图,图中显示圆圈中间的站点明显为异常站点。
如图5所示的是插补后降雨分布情况示意图,图中显示插补后圆圈中间的点和周边站点无明显差别。
为了更好地理解本发明,以上结合本发明的具体实施例做了详细描述,但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改,均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (4)
1.一种降雨监测异常数据检测及插补方法,包括获取多年雨量站点监测数据,还包括以下步骤:
步骤1:绘制所有雨量站的泰森多边形;
步骤2:筛选数据不完整的站点;统计所有雨量站逐年总雨量,如果某个雨量站的年总雨量与相邻站点年总雨量的平均值的比值小于K 1或大于K 2,则认为该站点数据不完整,其中,K 1和K 2为常数;
其中,P i,y 表示相邻的雨量站i在y年的总雨量,d s,i 表示雨量站s和雨量站i的距离,n为雨量站s的相邻雨量站的个数;
步骤3:将雨量监测数据划分为多个降水场次;
步骤4:逐场次计算每个站点逐5min降雨过程与相邻站点逐5min降雨过程均值的皮尔逊相关系数r;当某站某场次的相关系数r小于0.4时,则认为该站点在此场次中为数据异常站点,场次j中雨量站i的相关系数r i,j 的计算公式为
其中,m表示j场次的时段数,P i,t 表示雨量站i在t时段的雨量,表示j场次中站点i的时段雨量的均值,A i,t 表示雨量站i的相邻站点在t时段的降雨量算数平均值,表示j场次中所有A i,t 的平均值,k表示j场次中的第k个时段;
按照反距离权重法计算雨量站i的相邻站点在t时段的降雨量算数平均值A i,t ,计算公式为
其中,P s,t 表示相邻的站点s在t时刻的雨量值;
i站点在t时段的雨量值插值方法为
步骤5:采用反距离权重法对数据不完整站点和数据异常站点按照逐时段进行插补。
2.如权利要求1所述的降雨监测异常数据检测及插补方法,其特征在于,所述步骤1包括借助所述泰森多边形,确定每个雨量站的相邻站点。
3.如权利要求2所述的降雨监测异常数据检测及插补方法,其特征在于,所述降水场次的划分方法为当有站点降雨量超过初始降水阈值时,则认为降雨开始,如果后面连续4小时所有站点均未降雨,则认为降雨结束,从降雨开始到降雨结束算作一个完整的降雨场次。
4.如权利要求3所述的降雨监测异常数据检测及插补方法,其特征在于,所述步骤5包括逐个异常站点逐时刻计算完成后,即完成数据插补。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211000512.9A CN115080556B (zh) | 2022-08-19 | 2022-08-19 | 一种降雨监测异常数据检测及插补方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211000512.9A CN115080556B (zh) | 2022-08-19 | 2022-08-19 | 一种降雨监测异常数据检测及插补方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115080556A CN115080556A (zh) | 2022-09-20 |
CN115080556B true CN115080556B (zh) | 2022-11-22 |
Family
ID=83245444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211000512.9A Active CN115080556B (zh) | 2022-08-19 | 2022-08-19 | 一种降雨监测异常数据检测及插补方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115080556B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115980890B (zh) * | 2023-03-17 | 2023-06-20 | 湖北省地质环境总站 | 一种基于时空要素的雨量站异常数据检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014006119A (ja) * | 2012-06-22 | 2014-01-16 | Toshiba Corp | 降雨量算定装置、降雨量算定方法、およびプログラム |
CN109840260A (zh) * | 2019-02-02 | 2019-06-04 | 中国水利水电科学研究院 | 一种基于动态插补的大规模实时降雨自动观测站分级数据处理方法 |
CN110929956A (zh) * | 2019-12-06 | 2020-03-27 | 中国水利水电科学研究院 | 一种基于机器学习的洪水预报方案实时优选方法 |
CN111582755A (zh) * | 2020-05-20 | 2020-08-25 | 中国水利水电科学研究院 | 一种基于多维度集合信息山洪灾害综合风险动态评估方法 |
CN113779505A (zh) * | 2021-09-09 | 2021-12-10 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 一种复杂地形区域的降水数据空间插值方法及计算机存储介质 |
-
2022
- 2022-08-19 CN CN202211000512.9A patent/CN115080556B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014006119A (ja) * | 2012-06-22 | 2014-01-16 | Toshiba Corp | 降雨量算定装置、降雨量算定方法、およびプログラム |
CN109840260A (zh) * | 2019-02-02 | 2019-06-04 | 中国水利水电科学研究院 | 一种基于动态插补的大规模实时降雨自动观测站分级数据处理方法 |
CN110929956A (zh) * | 2019-12-06 | 2020-03-27 | 中国水利水电科学研究院 | 一种基于机器学习的洪水预报方案实时优选方法 |
CN111582755A (zh) * | 2020-05-20 | 2020-08-25 | 中国水利水电科学研究院 | 一种基于多维度集合信息山洪灾害综合风险动态评估方法 |
CN113779505A (zh) * | 2021-09-09 | 2021-12-10 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 一种复杂地形区域的降水数据空间插值方法及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
降雨时空不确定性对城市河道洪水的影响;刘业森 等;《南水北调与水利科技》;20220430;第20卷(第2期);第317-324页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115080556A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Diodato | Estimating RUSLE’s rainfall factor in the part of Italy with a Mediterranean rainfall regime | |
Felder et al. | From global circulation to local flood loss: Coupling models across the scales | |
Ekström et al. | Robustness of hydroclimate metrics for climate change impact research | |
Wetterhall et al. | Using ensemble climate projections to assess probabilistic hydrological change in the Nordic region | |
Chen et al. | Estimating instantaneous peak flow from mean daily flow | |
CN116756481B (zh) | 基于时变增益模型和Copula的流域未来水文干旱概率分析方法 | |
CN115080556B (zh) | 一种降雨监测异常数据检测及插补方法 | |
Queen et al. | Ubiquitous increases in flood magnitude in the Columbia River basin under climate change | |
Dumitrescu et al. | Spatio-temporal interpolation of sub-daily (6 h) precipitation over Romania for the period 1975-2010. | |
Yoon et al. | Urban stream overflow probability in a changing climate: Case study of the Seoul Uicheon Basin, Korea | |
Massonnet et al. | Assessment of February 2018 sea-ice forecasts for the Southern Ocean | |
Cheng et al. | Geostatistical interpolation of space–time rainfall on Tamshui River basin, Taiwan | |
Kim et al. | Increasing extreme flood risk under future climate change scenarios in South Korea | |
CN115619045B (zh) | 一种河口潮差预报方法和系统 | |
KR101843008B1 (ko) | 기후변화 시나리오를 활용한 홍수방재시설 투자결정 방법 및 시스템 | |
CN113269376B (zh) | 一种河流洪峰流量范围计算方法 | |
Massonnet et al. | Assessment of summer 2018-2019 sea-ice forecasts for the Southern Ocean | |
CN114580703A (zh) | 基于用地遥感识别时空变化解析的水量预测方法及装置 | |
Kim et al. | Exploring the long-term reanalysis of precipitation and the contribution of bias correction to the reduction of uncertainty over South Korea: A composite gamma-Pareto distribution approach to the bias correction | |
Javadinejad | Vulnerability of water resources to climate change and human impact: scenario analysis of the Zayandeh Rud river basin in Iran | |
Pomeyie et al. | Comparing Extreme Value Estimation Techniques for Short-Term Snow Accumulations. | |
Tuppad et al. | NEXRAD Stage III precipitation local bias adjustment for streamflow prediction | |
CN111160608A (zh) | 极端降水天气指数的应用方法、应用系统、电子设备及存储介质 | |
CN117849908B (zh) | 一种基于模式环流场的梅雨季入梅出梅日期预测方法及装置 | |
CN116522604B (zh) | 一种历史场次暴雨洪水灾害场景移植方法 |
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 |