CN115542431B - 一种基于地基云雷达和卫星数据的对流初生监测方法 - Google Patents
一种基于地基云雷达和卫星数据的对流初生监测方法 Download PDFInfo
- Publication number
- CN115542431B CN115542431B CN202211487100.2A CN202211487100A CN115542431B CN 115542431 B CN115542431 B CN 115542431B CN 202211487100 A CN202211487100 A CN 202211487100A CN 115542431 B CN115542431 B CN 115542431B
- Authority
- CN
- China
- Prior art keywords
- convection
- data
- radar
- monitoring
- satellite
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000002310 reflectometry Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 5
- 230000028161 membrane depolarization Effects 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000007710 freezing Methods 0.000 claims description 2
- 230000008014 freezing Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000001579 optical reflectometry Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 239000002245 particle Substances 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- 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
-
- 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)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Mathematical Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Electromagnetism (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于地基云雷达和卫星数据的对流初生监测方法，收集数据，对天气雷达观测数据进行回波结构纹理、水平和垂直尺度以及梯度的计算，进行回波中心区域的自动识别；筛选出对流的个例并划分成不同的等级；根据筛选对流个例的时间、位置和等级，提取云雷达和卫星可见光和红外通道观测数据，形成云雷达、卫星和对流个例训练集；利用逐步回归方法对云雷达的观测数据、卫星可见光和红外探测数据进行预测因子选择，确定对流初生监测和等级的预测因子；利用对流监测模型进行数据的对流监测，实现对流初生和强度等级的监测和预警。本发明能够更加准确地监测云的形成过程和云内粒子的微观演变过程，从而能够更好地进行对流初生监测。
Description
技术领域
本发明涉及气象雷达探测技术领域，尤其涉及一种基于地基云雷达和卫星数据的对流初生监测方法。
背景技术
强对流性降水系统会对人民的生产生活和生命财产安全产生严重的威胁，因而准确预报对流系统在天气临近预报和气象防灾减灾工作中有着十分重要的地位；在整个对流降水系统发生、发展以及到消亡的整个生命周期中，对流初生阶段是一个十分重要的环节，对流初生是指对流性降水系统发生的初始阶段，它的出现及发展直接决定了之后对流系统的演变趋势及强度等，因此，对流初生的监测有利于对可能发生的超级单体或者强对流系统等进行更好的预警。
对流初生阶段的准确监测一直都是对流临近预报的难点问题。目前，气象业务领域多采用地面和探空气球所测的常规气象要素资料，并结合数值天气预报来实现对流的预测。然而，受限于常规气象要素资料有限的时空分辨率，以及数值天气预报模式对中小尺度天气系统刻画能力不足等问题，这种常规预报手段难以实现定点定时的对流系统0-2小时的精细化预报。此外，近年来已有一些研究利用雷达和静止轨道卫星高时空分辨率的特点，逐步发展了一些基于这两者的对流初生监测方法。基于雷达实现对流初生监测的方法，主要是通过雷达反射率因子阈值的设置（一般设为30dBz或更高）及其统计分布特征来判断。基于高空间分辨率的卫星可见光资料实现对流初步监测一般是基于图像处理的方法，即检测卫星图像上是否会出现辐合线或积去的特征。基于卫星红外探测资料实现对流初生的监测一般利用云顶亮温及其降温率等参量。然而，以上对流初生的监测方法仍然存在一些问题，例如：1、对流初生的雷达反射率因子阈值设置及统计特征在不同地区是不一样的，很难做到统一；另外，基于反射率因子阈值法的对流预警是在已存在降水环境下应用的，基于此方法的对流预警会造成提前预报时间短的问题；2、基于卫星资料的初生监测，能够实现云宏观发展特征的观测，但不能实现对云内粒子的微观演变过程进行有效的监测；3、没有充分利用云形成后云内粒子的相态、尺寸及垂直对流等信息，导致云微物理认识不足，从而影响对流初生监测的准确性；4、目前的对流监测方法只实现了对流是否发生的预警，而没有实现对流强度等级的预警；5、目前监测方法的运行效率还不能满足快速发展且小尺度对流系统初生的监测；6、基于数值模式或复杂算法的监测手段不够智能化，其模式运用的参数或算法实现的前提条件在不同环境中可能需要调整。
需要说明的是，在上述背景技术部分公开的信息只用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种基于地基云雷达和卫星数据的对流初生监测方法，解决了现有对流初生监测方法存在的问题。
本发明的目的通过以下技术方案来实现：一种基于地基云雷达和卫星数据的对流初生监测方法，所述对流初生监测方法包括：
S1、收集获取地基云雷达的雷达参数数据、气象卫星可见光通道的反射率数据与红外通道亮温观测数据、以及地基雨量计的降雨强度数据和天气雷达在平面位置显示和距离高度两种扫描模式下的回波数据；
S2、将步骤S1中获取的云雷达观测的回波数据，根据天气雷达利用两种扫描模式探测的回波，计算出回波结构纹理特征参数、径向梯度变化、区域梯度变化，从而识别出回波的中心区域，并筛选和标识出对流个例；
S3、将对流回波中心强度进行等间隔划分和标记，生成发生对流天气的时间和位置信息数据集；
S4、将步骤S3中得到的数据集进行处理得到对流发生前0-3小时时间扩展和空间匹配的云雷达、卫星数据和不同等级对流个例的训练集；
S5、利用SPSS软件对云雷达的雷达参数数据、气象卫星可见光通道的反射率数据与红外通道亮温观测数据进行双变量相关性分析，利用SPSS的统计和回归分析模块计算云雷达的雷达参数数据、气象卫星可见光通道的反射率数据与红外通道亮温观测数据的相关性矩阵并进行逐步回归分析，进行对流初生模型的预测因子选择分析，确定对流监测的预测因子；
S6、根据选择的预测因子和对流发生等级数据构建对流初生监测模型，并进行对流初生的监测。
所述步骤S1具体包括以下内容：
S11、收集获取地基双线偏振云雷达的雷达反射率因子、平均径向速度、速度谱宽、线性退极化比、水平通道和垂直通道的功率谱数据；
S12、收集获取静止气象卫星可见光通道的反射率数据，红外通道亮温观测数据；
S13、收集获取地基雨量计的降雨强度数据和多普勒天气雷达在平面位置显示与距离高度两种扫描模式下的回波数据。
所述步骤S3具体包括以下内容：
S31、将对流回波中心强度按照一定雷达反射率因子为间隔划分了多个强度范围等级并进行标记；
S32、记录对流开始发生和结束的时间与位置信息以及对流等级信息；
S33、根据雨量计测量的降水量数据对记录的数据进行再次筛选，得到发生对流天气的时间与位置信息数据集。
所述步骤S4具体包括以下内容：
S41、根据步骤S3筛选的对流数据集的时间、位置和等级信息，提取其发生一段时间之前的云雷达、卫星可见光与红外通道观测数据；
S42、生成能够反映云顶高度、云顶冻结和垂直发展强度的可见光反射率、红外通道亮温和亮温差的参数数据集，形成时间和空间匹配的云雷达、卫星数据和不同等级对流个例的训练集。
可见光数据包括：0.46μm、0.50μm和0.65通道的反射率；红外通道亮温包括：6.2μm、6.7μm 、7.2μm、11μm 、12μm 和13.5μm通道的亮温；红外通道亮温差包括：BT6.2μm-BT11μm，BT6.2μm-BT7.2μm， BT7.2μm-BT13.5μm，BT6.2μm-BT7.2μm，BT11μm-BT12μm，BT6.7μm-BT7.2μm和BT7.2μm-BT12μm。
所述步骤S6具体包括以下内容：
S61、将选择的预测因子作为神经网络的输入，将对流是否发生及发生时的等级数据作为神经网络的输出，并通过对抗生成神经网络以及利用地基云雷达和卫星数据构建对流初生监测模型；
S62、对真实的地基云雷达和卫星观测的数据进行时间与空间匹配，提取与步骤S61对应的预测因子数据集，将数据集输入到已经构建好的对流初生监测模型中进行对流初生监测。
本发明具有以下优点：一种基于地基云雷达和卫星数据的对流初生监测方法，能够更加准确地监测云的形成过程和云内粒子的微观演变过程，从而能够更好地进行对流初生监测。此方法不需要其他辅助参数，直接由所述的地基云雷达和卫星观测数据来识别对流初生。由于使用神经网络模型，计算和监测速度快，适合实时运行和业务化。在对流初生的早期阶段，卫星观测可以识别云从无到有的形成过程，具有良好的指示意义。卫星是自上而下的观测，由于静止气象卫星的可见光和红外通道波长的限制，当云形成之后，只能看到云顶形态、反射率和亮温这些云顶的特性，无法穿透云对其内部探测。此时，云雷达可以很好的探测云内部的云水含量、有效粒子半径、粒子运动速度等微物理参数特性。结合卫星观测的对流初生的云顶特征演变和云雷达观测的云内部微物理特性观测，可以良好监测对流初生的全过程，提高对流初生监测的识别率。另外，本技术还可以实对流强度等级的预测。
附图说明
图1 为本发明的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示，本发明具体涉及一种基于云雷达和卫星数据的对流初生监测方法，其收集地基云雷达观测数据、静止气象卫星可见光和红外通道观测数据、地基雨量计和天气雷达观测数据；对天气雷达观测数据进行回波结构纹理、水平和垂直尺度以及梯度的计算，进行回波中心区域的自动识别。基于设置不同的对流中心回波反射率因子阈值和地基雨量计观测数据，筛选出对流的个例并将对流个例按中心回波强度划分成不同的等级；根据筛选对流个例的时间、位置和等级，提取其发生0-3小时之前的云雷达和卫星可见光和红外通道观测数据，形成云雷达、卫星和对流个例训练集；利用逐步回归方法对云雷达的观测数据、卫星可见光和红外探测数据进行预测因子选择，确定对流初生监测和等级的预测因子；利用机器学习方法构建对抗生成网络，将确定的对流初生监测的预测因子和对流是否发生及强度等级数据输入到此网络中构建对流监测模型，实现对流初生和强度等级的监测和预警。
具体包括以下内容：
步骤1：收集地基Ka波段云雷达的双线偏振雷达的反射率因子、平均径向速度、速度谱宽、线性退极化比、水平通道和垂直通道的功率谱数据；收集静止气象卫星FY-4A可见光通道的反射率数据，6.7μm附近和10-12μm红外通道亮温观测数据；收集地基雨量计的降雨量数据和多普勒天气雷达在平面位置显示和距离高度两种扫描模式下的回波数据。
所述的可见光通道是中心波长为0.46μm、0.65μm、0.83μm的通道，6.7μm附近和10-12μm红外通道是中心波长分别为6.25μm和7.1μm、10.8μm和12μm的通道。
步骤2：将步骤1获取的多普勒天气雷达观测的回波数据，根据天气雷达利用两种扫描模式探测的回波强度Z i,j （i和j分别代表径向数和距离库数），通过设置不同的回波强度阈值（Z thresh ）来计算出回波结构纹理特征参数TdBZ、径向梯度变化MSPIN、区域梯度变化SPIN，从而识别出回波的中心区域，并筛选和标识出对流个例；其中，
步骤3：将对流回波中心强度按10dBz的间隔来划分等级并进行标记，具体为第1级强度范围为[35，45)，第2级强度范围为[45，55)，和3等级为[55,65),和4等级强度范围为[65,75]。还需记录对流开始发生和结束的时间和位置范围信息以及对流等级信息。再根据雨量计测的降水量数据，对记录的数据进行再次筛选，获取可靠的发生对流天气的时间和位置信息数据集。
步骤4：根据步骤3筛选的对流数据集的时间、位置信息和等级信息，提取其发生0-3小时之前的ka波段云雷达和FY-4A卫星可见光和红外通道观测数据，形成云雷达、卫星数据和不同等级对流个例的训练集。
其中，可见光数据包括0.46μm、0.50μm和0.65通道的反射率，红外通道亮温包括6.2μm 、6.7μm 、7.2μm 、11μm、12μm 和13.5μm通道的亮温，红外通道亮温差则主要包括BT6.2μm-BT11μm，BT6.2μm-BT7.2μm， BT7.2μm-BT13.5μm，BT6.2μm-BT7.2μm，BT11μm-BT12μm，BT6.7μm-BT7.2μm和BT7.2μm-BT12μm。
步骤5：开展ka波段云雷达的双线偏振雷达的反射率因子、平均径向速度、速度谱宽、线性退极化比、水平通道和垂直通道的功率谱数据、FY-4A卫星可见光通道反射率和红外亮温数据的双变量相关性分析，并计算这些数据的相关性矩阵；在此基础上，对这些数据进行逐步回归方法分析，进行对流初生模型的预测因子选择，确定对流监测的预测因子。
步骤6：将选择的预测因子作为神经网络的输入，对流发发生与否和等级作为神经网络的输出，用对抗生成神经网络构建利用地基云雷达和卫星数据进行对流初生监测的模型。
步骤7：将真实ka波段地基云雷达和FY-4A卫星观测的数据进行时间和空间匹配，提取与步骤6对应的预测因子数据集，将数据集输入已经构建好的对抗神经网络进行对流初生的监测。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种基于地基云雷达和卫星数据的对流初生监测方法，其特征在于：所述对流初生监测方法包括：
S1、收集获取地基云雷达的雷达参数数据、气象卫星可见光通道的反射率数据与红外通道亮温观测数据、以及地基雨量计的降雨强度数据和天气雷达在平面位置显示和距离高度两种扫描模式下的回波数据；
S2、将步骤S1中获取的天气雷达观测的回波数据，根据天气雷达利用两种扫描模式探测的回波，计算出回波结构纹理特征参数、径向梯度变化、区域梯度变化，从而识别出回波的中心区域，并筛选和标识出对流个例；
S3、将对流回波中心强度进行等间隔划分和标记，生成发生对流天气的时间和位置信息数据集；
S4、将步骤S3中得到的数据集进行处理得到对流发生前一段时间的时间扩展和空间匹配的云雷达、卫星数据和不同等级对流个例的训练集；
S5、利用SPSS软件对云雷达的雷达参数数据、气象卫星可见光通道的反射率数据与红外通道亮温观测数据进行双变量相关性分析，利用SPSS的统计和回归分析模块计算云雷达的雷达参数数据、气象卫星可见光通道的反射率数据与红外通道亮温观测数据的相关性矩阵并进行逐步回归分析，进行对流初生模型的预测因子选择分析，确定对流监测的预测因子；
S6、根据选择的预测因子和对流发生等级数据构建对流初生监测模型，并进行对流初生的监测；具体包括：
S61、根据步骤S5，利用地基云雷达和卫星历史数据获取不同对流发生等级情况下的对流预测因子，将确定的预测因子作为神经网络的输入，将对流是否发生及发生时的等级数据作为神经网络的输出，并通过对抗生成神经网络构建对流初生监测模型；
S62、对真实的地基云雷达和卫星观测的数据进行时间与空间匹配，提取与步骤S61对应的预测因子数据集，将数据集输入到已经构建好的对流初生监测模型中进行对流初生监测。
2.根据权利要求1所述的一种基于地基云雷达和卫星数据的对流初生监测方法，其特征在于：所述步骤S1具体包括以下内容：
S11、收集获取地基双线偏振云雷达的雷达反射率因子、平均径向速度、速度谱宽、线性退极化比、水平通道和垂直通道的功率谱数据；
S12、收集获取静止气象卫星可见光通道的反射率数据，红外通道亮温观测数据；
S13、收集获取地基雨量计的降雨强度数据和多普勒天气雷达在平面位置显示与距离高度两种扫描模式下的回波数据。
3.根据权利要求1所述的一种基于地基云雷达和卫星数据的对流初生监测方法，其特征在于：所述步骤S3具体包括以下内容：
S31、将对流回波中心强度按照一定雷达反射率因子为间隔划分了多个强度范围等级并进行标记；
S32、记录对流开始发生和结束的时间与位置信息以及对流等级信息；
S33、根据雨量计测量的降水量数据对记录的数据进行再次筛选，得到发生对流天气的时间与位置信息数据集。
4.根据权利要求3所述的一种基于地基云雷达和卫星数据的对流初生监测方法，其特征在于：所述步骤S4具体包括以下内容：
S41、根据步骤S3筛选的对流数据集的时间、位置和等级信息，提取其发生一段时间之前的云雷达、卫星可见光与红外通道观测数据；
S42、生成能够反映云顶高度、云顶冻结和垂直发展强度的可见光反射率、红外通道亮温和亮温差的参数数据集，形成时间和空间匹配的云雷达、卫星数据和不同等级对流个例的训练集。
5.根据权利要求4所述的一种基于地基云雷达和卫星数据的对流初生监测方法，其特征在于：可见光数据包括：0.46μm、0.50μm和0.65通道的反射率；红外通道亮温包括：6.2μm、6.7μm 、7.2μm 、11μm 、12μm 和13.5μm通道的亮温；红外通道亮温差包括：BT6.2μm-BT11μm，BT6.2μm-BT7.2μm， BT7.2μm-BT13.5μm，BT6.2μm-BT7.2μm，BT11μm-BT12μm，BT6.7μm-BT7.2μm和BT7.2μm-BT12μm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211487100.2A CN115542431B (zh) | 2022-11-25 | 2022-11-25 | 一种基于地基云雷达和卫星数据的对流初生监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211487100.2A CN115542431B (zh) | 2022-11-25 | 2022-11-25 | 一种基于地基云雷达和卫星数据的对流初生监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115542431A CN115542431A (zh) | 2022-12-30 |
| CN115542431B true CN115542431B (zh) | 2023-03-10 |
Family
ID=84721495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211487100.2A Active CN115542431B (zh) | 2022-11-25 | 2022-11-25 | 一种基于地基云雷达和卫星数据的对流初生监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115542431B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116184342B (zh) * | 2023-04-27 | 2023-07-21 | 无锡智鸿达电子科技有限公司 | 一种基于多雷达组网的测云雷达数据校准方法及系统 |
| CN116449331B (zh) * | 2023-06-20 | 2023-08-15 | 成都远望科技有限责任公司 | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 |
| CN117592002B (zh) * | 2024-01-18 | 2024-04-26 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种初生对流的判识方法及装置 |
| CN117953388B (zh) * | 2024-01-18 | 2024-08-06 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于卫星融合数据的快速发展对流判识方法及装置 |
| CN117630946B (zh) * | 2024-01-26 | 2024-04-12 | 中国人民解放军国防科技大学 | 基于双偏振雷达的强对流联合观测指挥方法、系统及设备 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101531246B1 (ko) * | 2014-11-27 | 2015-06-24 | 대한민국 | 기상 레이더 영상 내 대류 세포와 낙뢰 매칭 시스템 및 그의 제어 방법 |
| KR101855652B1 (ko) * | 2018-02-13 | 2018-06-25 | 대한민국 | 기계학습을 이용한 위성기반 전운량 산출 시스템 및 그 방법 |
| CN108445464A (zh) * | 2018-03-12 | 2018-08-24 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的卫星雷达反演融合方法 |
| CN109086916A (zh) * | 2018-07-16 | 2018-12-25 | 国家气象中心 | 一种基于多源观测数据的对流天气临近预报方法及装置 |
| US10302815B1 (en) * | 2015-10-01 | 2019-05-28 | Rockwell Collins, Inc. | System and method of integrating global convective weather |
| CN110045441A (zh) * | 2019-06-04 | 2019-07-23 | 北京航天宏图信息技术股份有限公司 | 基于雷达回波图的天气分析方法及装置 |
| CN110135654A (zh) * | 2019-05-24 | 2019-08-16 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
| CN110942020A (zh) * | 2019-11-25 | 2020-03-31 | 上海眼控科技股份有限公司 | 初生对流识别方法、装置、计算机设备和存储介质 |
| CN111428862A (zh) * | 2020-03-17 | 2020-07-17 | 中国电子科技集团公司第十四研究所 | 一种极类不平衡时空联合对流初生短临预报方法 |
| US10761242B1 (en) * | 2015-11-24 | 2020-09-01 | Board of Trustees of the Unviersity of Alabama, for and on behalf of the University of Alabama in Huntsville | Systems and methods for forecasting lightning and severe storms |
| CN113296074A (zh) * | 2021-07-28 | 2021-08-24 | 成都远望探测技术有限公司 | 一种基于气象雷达多层cappi的光流法外推方法 |
| CN113534158A (zh) * | 2021-06-10 | 2021-10-22 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 |
| US11181634B1 (en) * | 2018-09-28 | 2021-11-23 | Rockwell Collins, Inc. | Systems and methods of intelligent weather sensing using deep learning convolutional neural networks |
| CN114325874A (zh) * | 2021-08-02 | 2022-04-12 | 苏州市气象局 | 一种强对流天气个例库系统的建立方法 |
| CN114509825A (zh) * | 2021-12-31 | 2022-05-17 | 河南大学 | 基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法及系统 |
| CN115437036A (zh) * | 2022-08-25 | 2022-12-06 | 张立霞 | 一种基于葵花卫星的对流初生预报方法 |
Family Cites Families (4)
| 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 |
| US11237299B2 (en) * | 2017-05-01 | 2022-02-01 | I.M. Systems Group, Inc. | Self-learning nowcast system for modeling, recording, and predicting convective weather |
| US20220343221A1 (en) * | 2018-06-28 | 2022-10-27 | Ashton Robinson Cook | Machine learning-based disaster modeling and high-impact weather event forecasting |
| KR20220026400A (ko) * | 2020-08-25 | 2022-03-04 | 이예슬 | 실시간 기상변화 예측 시스템 및 그 방법 |
-
2022
- 2022-11-25 CN CN202211487100.2A patent/CN115542431B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101531246B1 (ko) * | 2014-11-27 | 2015-06-24 | 대한민국 | 기상 레이더 영상 내 대류 세포와 낙뢰 매칭 시스템 및 그의 제어 방법 |
| US10302815B1 (en) * | 2015-10-01 | 2019-05-28 | Rockwell Collins, Inc. | System and method of integrating global convective weather |
| US10761242B1 (en) * | 2015-11-24 | 2020-09-01 | Board of Trustees of the Unviersity of Alabama, for and on behalf of the University of Alabama in Huntsville | Systems and methods for forecasting lightning and severe storms |
| KR101855652B1 (ko) * | 2018-02-13 | 2018-06-25 | 대한민국 | 기계학습을 이용한 위성기반 전운량 산출 시스템 및 그 방법 |
| CN108445464A (zh) * | 2018-03-12 | 2018-08-24 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的卫星雷达反演融合方法 |
| CN109086916A (zh) * | 2018-07-16 | 2018-12-25 | 国家气象中心 | 一种基于多源观测数据的对流天气临近预报方法及装置 |
| US11181634B1 (en) * | 2018-09-28 | 2021-11-23 | Rockwell Collins, Inc. | Systems and methods of intelligent weather sensing using deep learning convolutional neural networks |
| CN110135654A (zh) * | 2019-05-24 | 2019-08-16 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
| CN110045441A (zh) * | 2019-06-04 | 2019-07-23 | 北京航天宏图信息技术股份有限公司 | 基于雷达回波图的天气分析方法及装置 |
| CN110942020A (zh) * | 2019-11-25 | 2020-03-31 | 上海眼控科技股份有限公司 | 初生对流识别方法、装置、计算机设备和存储介质 |
| CN111428862A (zh) * | 2020-03-17 | 2020-07-17 | 中国电子科技集团公司第十四研究所 | 一种极类不平衡时空联合对流初生短临预报方法 |
| CN113534158A (zh) * | 2021-06-10 | 2021-10-22 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 |
| CN113296074A (zh) * | 2021-07-28 | 2021-08-24 | 成都远望探测技术有限公司 | 一种基于气象雷达多层cappi的光流法外推方法 |
| CN114325874A (zh) * | 2021-08-02 | 2022-04-12 | 苏州市气象局 | 一种强对流天气个例库系统的建立方法 |
| CN114509825A (zh) * | 2021-12-31 | 2022-05-17 | 河南大学 | 基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法及系统 |
| CN115437036A (zh) * | 2022-08-25 | 2022-12-06 | 张立霞 | 一种基于葵花卫星的对流初生预报方法 |
Non-Patent Citations (4)
| Title |
|---|
| Applying machine learning methods to detect convection using Geostationary Operational Environmental Satellite-16 (GOES-16) advanced baseline imager (ABI) data;Yoonjin Lee;《Atmospheric Measurement Techniques》;20210408(第4期);第2699-2716页 * |
| Evaluating Convective Initiation in High-Resolution Numerical Weather Prediction Models Using GOES-16 Infrared Brightness Temperatures;DAVID S. HENDERSON;《Monthly Weather Review》;20210430;第149卷(第4期);第1153-1172页 * |
| 基于深度学习的对流初生短临预报方法研究;赵方原;《中国优秀硕士学位论文全文数据库基础科学辑》;20220115;第80-84页 * |
| 新型静止气象卫星对流初生识别展望;崔林丽;《气象科技进展》;20221020;第12卷(第5期);第1-74页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115542431A (zh) | 2022-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115542431B (zh) | 一种基于地基云雷达和卫星数据的对流初生监测方法 | |
| WO2023045278A1 (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
| CN109765559B (zh) | 一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法 | |
| CN111983732B (zh) | 一种基于深度学习的降水强度估计方法 | |
| CN111625993B (zh) | 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 | |
| CN112183643B (zh) | 基于声发射的硬岩拉剪破裂识别方法及装置 | |
| Peng et al. | CNGAT: A graph neural network model for radar quantitative precipitation estimation | |
| CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| Pu et al. | Machine learning classification of rainfall types based on the differential attenuation of multiple frequency microwave links | |
| Song et al. | Deformable YOLOX: Detection and rust warning method of transmission line connection fittings based on image processing technology | |
| CN117192510A (zh) | 一种双偏振雷达雨滴谱参数反演方法 | |
| CN115542430A (zh) | 一种卫星定量降水估计方法 | |
| Chiang et al. | Integrating hydrometeorological information for rainfall‐runoff modelling by artificial neural networks | |
| CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
| CN114692692A (zh) | 一种基于微波衰减信号融合核极限学习机的降雪识别方法 | |
| CN114895381B (zh) | 一种基于双线偏振雷达的地闪分级预警方法 | |
| CN115902812B (zh) | 一种短时暴雨天气背景自动判别方法、系统、设备及终端 | |
| 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 | |
| CN116702588A (zh) | 一种基于多源数据的风电场关键气象因子预报方法及系统 | |
| Foresti et al. | Kernel-based mapping of orographic rainfall enhancement in the Swiss Alps as detected by weather radar | |
| Mihai et al. | Analyzing meteorological data using unsupervised learning techniques | |
| CN115494507A (zh) | 基于星载双频降水雷达和微波成像仪的闪电识别方法 | |
| CN114089444A (zh) | 一种星载探测数据全球陆地降雨类型判别装置及方法 | |
| Tang et al. | PostRainBench: A comprehensive benchmark and a new model for precipitation forecasting | |
| Forcadell et al. | Severe hail detection with C-band dual-polarisation radars using convolutional neural networks |
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 |