CN116009121A - 一种基于深度学习的闪电短时临近预报方法 - Google Patents
一种基于深度学习的闪电短时临近预报方法 Download PDFInfo
- Publication number
- CN116009121A CN116009121A CN202310095554.3A CN202310095554A CN116009121A CN 116009121 A CN116009121 A CN 116009121A CN 202310095554 A CN202310095554 A CN 202310095554A CN 116009121 A CN116009121 A CN 116009121A
- Authority
- CN
- China
- Prior art keywords
- lightning
- data
- time
- radar
- fusion
- 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.)
- Pending
Links
Images
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
本发明适用于闪电短时临近预报技术领域，提供了一种基于深度学习的闪电短时临近预报方法，本发明采用深度学习的人工智能方法进行的闪电短临预报，区别于传统凭借人工主观经验寻找雷暴相关气象条件相关因子，在方法上是一次很大的突破，利用计算机发现天气变量与闪电之间的关系，在多源数据的时间分辨率方面，以雷达数据为基础，卫星资料作为补充的方式融合进模型当中，在数据融合模块之后，为模型的预报模块用于精准预测到闪电发生位置，再采用binary cross‑entropy作为训练目标得到概率化的闪电预报结果，可以比现有的领先技术提前2小时精准预测到闪电发生位置，解决了提高应对闪电灾害的能力和安全稳定运行水平的问题。
Description
技术领域
本发明属于闪电短时临近预报技术领域，尤其涉及一种基于深度学习的闪电短时临近预报方法。
背景技术
闪电是一种通常发生在雷暴天气期间的突然的静电放电现象。这种放电主要发生在云间或云与地面之间，造成较多的财产损失和人员伤亡。提高闪电预报的精度是当前气象工作的重点和难点。利用全球闪电定位网，根据闪电所产生的声、光、电等特性，可以长时间、全天候的获得闪电发生的时间、地点、强度、极性等特征，是开展闪电的研究和预报的基础，同时在灾害性天气的监测预警、人工增雨、森林防火等方面具有参考意义。闪电预报的思路是利用闪电定位资料、历史再分析资料、探空资料等数据，尝试寻找导致闪电发生的影响因子，根据我国不同地区、不同天气条件下的天气背景，对闪电进行预报。
闪电短时临近预报是闪电灾害预警预报的重要基础，预报效率较高的潜势预报系统，能帮助业务人员提前确定闪电警戒区域，从而将主要精力放在监视和关注重点区域内的气象要素变化。闪电后的雷电可以直接造成人员伤亡，对航空、电力系统、计算机系统以及智能建筑等的危害都是十分明显的，对机场、景区和油库等重要场所的造成的经济所失是无法估量的。因而迫切需要一种效率性更快的闪电短时临近预报方法，支撑闪电灾害预估水平，提高应对闪电灾害的能力和安全稳定运行水平。
发明内容
本发明提供一种基于深度学习的闪电短时临近预报方法，旨在解决背景技术提出的问题。
本发明是这样实现的，一种基于深度学习的闪电短时临近预报方法，包括以下步骤：
S1：雷达数据处理，通过对雷达资料进行孤立点滤波、填补缺测、去距离折叠模糊、太阳射线杂波过滤算法、自适应参考切面去地物滤波算法和雨回波回填算法等的处理，将多部雷达资料，通过笛卡尔坐标转换、格点化插值、重叠区域拼图处理进行组网，形成监测范围分辨率0.01°的组网；
S2：闪电密度数据处理，以闪电密度(次数/6min×0.2°×0.2°)作为闪电数据的分析场，从站点出发查找站点附近的最近网格点，赋值到最近的网格点上；
S3：卫星数据预处理，选取与对流天气相关的三个红外通道作为模型输入，将卫星数据与天气雷达覆盖范围裁剪对齐，再利用卷积模型处理卫星资料与雷达资料空间分辨率不匹配的问题；
S4：在多源数据的时间分辨率方面，以雷达数据为基础，卫星资料作为补充的方式融合进模型当中，生成的闪电预报为逐6分钟的预报结果，并与以往只使用雷达资料的模型进行对比，形成一个完整的需要周期内的数据融合；
S5：在数据融合模块之后，为模型的预报模块，所述预报模块用于精准预测到闪电发生位置；
S6：在损失函数方面，采用binary cross-entropy作为训练目标得到概率化的闪电预报结果。
优选的，步骤S1中原始S波段雷达观测时间间隔小于6min，分辨率<0.01°，探测范围最大460km。
优选的，步骤S2中原始闪电数据观测时间小于1ms，分辨率<0.01°，包括闪电的经纬度和强度信息。
优选的，步骤S3中所述卷积模型包括卷积模型Unet类具、时空卷积类模型PredRNN类具和Transformer类具，所述卷积模型Unet类具包括多尺度提取特征能力和语义转换能力，所述时空卷积类模型PredRNN类具包括时序特征提取能力，所述Transformer类具包括通道注意机制及时序特征注意机制。
优选的，步骤S4中所述数据融合包括在融合卫星的输入端，对于不同时间戳的卫星资料设计唯一的数据编码方式，不同时间戳的卫星资料不能混用，以30分钟为一段时间，共包含5个独特的雷达资料时间戳和3个独特的卫星资料时间戳，含有8个独特的融合编码。
优选的，步骤S4中所述数据融合还包括雷达数据与卫星数据是30分钟一个时间段循环，利用新观测的雷达和卫星数据对基础结果进行修正，在一个完整的需要周期内共需要4次融合。
优选的，步骤S5中所述预报模块利用计算机发现天气变量与闪电之间的关系完成精准预测到闪电发生位置。
优选的，步骤S6中闪电的发生的正样本与闪电不发生的负样本较不均衡，针对训练样本不均衡问题，采用Focal Loss作为损失函数能提升预报效果。Focal Loss的表达式如下：
FL(pt)＝-(1-pt)γlog(pt)
其中：
γ为常数，当其为0时，Focal Loss与普通的cross-entropy loss一致。
与现有技术相比，本发明的有益效果是：
1、本发明采用的人工智能方法进行的闪电短临预报，区别于传统凭借人工主观经验寻找雷暴相关气象条件相关因子，在方法上是一次很大的突破，利用计算机发现天气变量与闪电之间的关系，可以比现有的领先技术提前2小时精准预测到闪电发生位置；
2、本发明中在多源数据的时间分辨率方面，以雷达数据为基础，卫星资料作为补充的方式融合进模型当中，生成的闪电预报为逐6分钟的预报结果，并与以往只使用雷达资料的模型进行对比，形成一个完整的需要周期内的数据融合；
3、本发明中数据融合包括两种数据融合方法：1、在融合卫星的输入端，对于不同时间戳的卫星资料设计唯一的数据编码方式，不同时间戳的卫星资料不能混用，以30分钟为一段时间，共包含5个独特的雷达资料时间戳和3个独特的卫星资料时间戳，含有8个独特的融合编码；2、雷达数据与卫星数据是30分钟一个时间段循环，利用新观测的雷达和卫星数据对基础结果进行修正，在一个完整的需要周期内共需要4次融合。
附图说明
图1为本发明的闪电短时临近预报方法的步骤流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
通常在此处附图中描述和显示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。
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。
请参阅图1，本发明提供一种技术方案：一种基于深度学习的闪电短时临近预报方法，包括以下步骤：
S1：雷达数据处理，通过对雷达资料进行孤立点滤波、填补缺测、去距离折叠模糊、太阳射线杂波过滤算法、自适应参考切面去地物滤波算法和雨回波回填算法等的处理，将多部雷达资料，通过笛卡尔坐标转换、格点化插值、重叠区域拼图处理进行组网，形成监测范围分辨率0.01°的组网；
S2：闪电密度数据处理，以闪电密度(次数/6min×0.2°×0.2°)作为闪电数据的分析场，从站点出发查找站点附近的最近网格点，赋值到最近的网格点上；
S3：卫星数据预处理，选取与对流天气相关的三个红外通道作为模型输入，将卫星数据与天气雷达覆盖范围裁剪对齐，再利用卷积模型处理卫星资料与雷达资料空间分辨率不匹配的问题；
S4：在多源数据的时间分辨率方面，以雷达数据为基础，卫星资料作为补充的方式融合进模型当中，生成的闪电预报为逐6分钟的预报结果，并与以往只使用雷达资料的模型进行对比，形成一个完整的需要周期内的数据融合；
S5：在数据融合模块之后，为模型的预报模块，所述预报模块用于精准预测到闪电发生位置；
S6：在损失函数方面，采用binary cross-entropy作为训练目标得到概率化的闪电预报结果。
进一步的，步骤S1中原始S波段雷达观测时间间隔小于6min，分辨率<0.01°，探测范围最大460km。
进一步的，步骤S2中原始闪电数据观测时间小于1ms，分辨率<0.01°，包括闪电的经纬度和强度信息。
进一步的，步骤S3中卷积模型包括卷积模型Unet类具、时空卷积类模型PredRNN类具和Transformer类具，卷积模型Unet类具包括多尺度提取特征能力和语义转换能力，时空卷积类模型PredRNN类具包括时序特征提取能力，Transformer类具包括通道注意机制及时序特征注意机制。
进一步的，步骤S4中数据融合包括在融合卫星的输入端，对于不同时间戳的卫星资料设计唯一的数据编码方式，不同时间戳的卫星资料不能混用，以30分钟为一段时间，共包含5个独特的雷达资料时间戳和3个独特的卫星资料时间戳，含有8个独特的融合编码。
进一步的，步骤S4中数据融合还包括雷达数据与卫星数据是30分钟一个时间段循环，利用新观测的雷达和卫星数据对基础结果进行修正，在一个完整的需要周期内共需要4次融合。
进一步的，步骤S5中预报模块利用计算机发现天气变量与闪电之间的关系完成精准预测到闪电发生位置。
进一步的，步骤S6中闪电的发生的正样本与闪电不发生的负样本较不均衡，针对训练样本不均衡问题，采用Focal Loss作为损失函数能提升预报效果。Focal Loss的表达式如下：
FL(pt)＝-(1-pt)γlog(pt)
其中：
γ为常数，当其为0时，Focal Loss与普通的cross-entropy loss一致。
在本实施方式中：
(1)雷达数据处理：
原始S波段雷达观测时间间隔小于6分钟，分辨率<0.01°，探测范围最大460KM，通过对雷达资料进行孤立点滤波、填补缺测、去距离折叠模糊、太阳射线杂波过滤算法、自适应参考切面去地物滤波算法和雨回波回填算法等的处理，提高雷达资料的质量。将多部雷达资料，通过笛卡尔坐标转换、格点化插值、重叠区域拼图处理进行组网，形成监测范围分辨率0.01°的组网产品。
(2)闪电密度数据处理：
原始闪电数据观测时间小于1ms，分辨率<0.01°，包括经纬度，强度等信息，为了与雷达拼图数据相匹配，需将其处理为闪电密度(次数)作为闪电数据的分析场。具体方式为，从站点出发查找站点附近的最近网格点，赋值到最近的网格点上。
(3)卫星数据预处理：
日本的葵花8号卫星共包括16个波段：3个可见光，3个近红外和10个红外波段，选取其中与对流天气相关的三个红外通道作为模型输入，并将卫星数据与天气雷达覆盖范围裁剪对齐，再采用卷积处理卫星资料与雷达资料空间分辨率不匹配的问题。
在多源数据的时间分辨率方面，葵花8卫星L1资料的时间分辨率是10分钟，雷达观测资料的时间分辨率是6分钟，闪电观测资料的时间分辨率小于1ms。其中，闪电数据可以处理成逐6分钟或逐10分钟的闪电密度，而雷达和卫星资料并不能直接通过处理得到准确的统一时间的观测结果，进而导致雷达数据和卫星资料数据时间不匹配问题。首先考虑到以往的预报产品以雷达数据为重要的数据源，一般生成的是逐6分钟的预报产品，因此仅考虑以雷达数据为基础，卫星资料作为补充的方式融合进模型当中，生成的闪电预报也为逐6分钟的预报结果，同时这样也方便与以往只使用雷达资料的模型进行对比，形成一个完整的需要周期内的数据融合。
其中数据融合方案一：在融合卫星的输入端，对于不同时间戳的卫星资料设计唯一的数据编码方式，不同时间戳的卫星资料不能混用。以30分钟为一段时间，共包含5个独特的雷达资料时间戳和3个独特的卫星资料时间戳，以0:00-0:30为例，雷达资料的独特时间戳为0:06、0:12、0:18、0:24、0:30，卫星资料的独特时间戳为0:10、0:20、0:30，因为在雷达数据融合阶段，含有8个独特的融合编码。其中数据融合方案二，因为雷达数据与卫星数据是30分钟一个时间段循环，可以考虑以30分钟的预报间隔作为基础的结果，再利用新观测的雷达和卫星数据对基础结果进行修正。具体而言，以0:00-0:30为例，首先利用0:00以前的雷达和卫星资料输入模型，第一次融合在0:06融合此时的雷达资料，第二次融合在0:12融合0:06和0:12的雷达资料及0:10的卫星资料，第三次融合在0:18融合0:06-0:18的雷达资料及0:10的卫星资料，以此类推，在一个完整的需要周期内共需要4次融合。
在数据融合模块之后，即为模型的预报模块，卷积模型Unet类具有较强的多尺度提取特征能力和语义转换能力，时空卷积类模型PredRNN类具有较强的时序特征提取能力，Transformer类具有较强的通道注意机制及时序特征注意机制。考虑到卷积模型在融合数据方面具有优势，可以首先实现Unet类的数据融合模块和预报模块作为Baseline再做进一步的预报模块研究。
在损失函数方面，为了得到概率化的闪电预报结果，常采用binary cross-entropy作为训练目标，但闪电的发生的正样本与闪电不发生的负样本较不均衡，针对训练样本不均衡问题，采用Focal Loss作为损失函数一般认为能够较好的提升预报效果。FocalLoss的表达式如下：
FL(pt)＝-(1-pt)γlog(pt)
其中：
γ为常数，当其为0时，Focal Loss与普通的cross-entropy loss一致。
本发明采用深度学习的人工智能方法进行的闪电短临预报，区别于传统凭借人工主观经验寻找雷暴相关气象条件相关因子，在方法上是一次很大的突破，利用计算机发现天气变量与闪电之间的关系，可以比现有的领先技术提前2小时精准预测到闪电发生位置。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的闪电短时临近预报方法，其特征在于，包括以下步骤：
S1：雷达数据处理，通过对雷达资料进行孤立点滤波、填补缺测、去距离折叠模糊、太阳射线杂波过滤算法、自适应参考切面去地物滤波算法和雨回波回填算法等的处理，将多部雷达资料，通过笛卡尔坐标转换、格点化插值、重叠区域拼图处理进行组网，形成监测范围分辨率0.01°的组网；
S2：闪电密度数据处理，以闪电密度(次数/6min×0.2°×0.2°)作为闪电数据的分析场，从站点出发查找站点附近的最近网格点，赋值到最近的网格点上；
S3：卫星数据预处理，选取与对流天气相关的三个红外通道作为模型输入，将卫星数据与天气雷达覆盖范围裁剪对齐，再利用卷积模型处理卫星资料与雷达资料空间分辨率不匹配的问题；
S4：在多源数据的时间分辨率方面，以雷达数据为基础，卫星资料作为补充的方式融合进模型当中，生成的闪电预报为逐6分钟的预报结果，并与以往只使用雷达资料的模型进行对比，形成一个完整的需要周期内的数据融合；
S5：在数据融合模块之后，为模型的预报模块，所述预报模块用于精准预测到闪电发生位置；
S6：在损失函数方面，采用binary cross-entropy作为训练目标得到概率化的闪电预报结果。
2.如权利要求1所述的一种基于深度学习的闪电短时临近预报方法，其特征在于：步骤S1中原始S波段雷达观测时间间隔小于6min，分辨率<0.01°，探测范围最大460km。
3.如权利要求1所述的一种基于深度学习的闪电短时临近预报方法，其特征在于：步骤S2中原始闪电数据观测时间小于1ms，分辨率<0.01°，包括闪电的经纬度和强度信息。
4.如权利要求1所述的一种基于深度学习的闪电短时临近预报方法，其特征在于：步骤S3中所述卷积模型包括卷积模型Unet类具、时空卷积类模型PredRNN类具和Transformer类具，所述卷积模型Unet类具包括多尺度提取特征能力和语义转换能力，所述时空卷积类模型PredRNN类具包括时序特征提取能力，所述Transformer类具包括通道注意机制及时序特征注意机制。
5.如权利要求1所述的一种基于深度学习的闪电短时临近预报方法，其特征在于：步骤S4中所述数据融合包括在融合卫星的输入端，对于不同时间戳的卫星资料设计唯一的数据编码方式，不同时间戳的卫星资料不能混用，以30分钟为一段时间，共包含5个独特的雷达资料时间戳和3个独特的卫星资料时间戳，含有8个独特的融合编码。
6.如权利要求1所述的一种基于深度学习的闪电短时临近预报方法，其特征在于：步骤S4中所述数据融合还包括雷达数据与卫星数据是30分钟一个时间段循环，利用新观测的雷达和卫星数据对基础结果进行修正，在一个完整的需要周期内共需要4次融合。
7.如权利要求1所述的一种基于深度学习的闪电短时临近预报方法，其特征在于：步骤S5中所述预报模块利用计算机发现天气变量与闪电之间的关系完成精准预测到闪电发生位置。
8.如权利要求1所述的一种基于深度学习的闪电短时临近预报方法，其特征在于：步骤S6中闪电的发生的正样本与闪电不发生的负样本较不均衡，针对训练样本不均衡问题，采用Focal Loss作为损失函数能提升预报效果。Focal Loss的表达式如下：
FL(pt)＝-(1-pt)γlog(pt)
其中：
γ为常数，当其为0时，Focal Loss与普通的cross-entropy loss一致。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310095554.3A CN116009121A (zh) | 2023-01-31 | 2023-01-31 | 一种基于深度学习的闪电短时临近预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310095554.3A CN116009121A (zh) | 2023-01-31 | 2023-01-31 | 一种基于深度学习的闪电短时临近预报方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116009121A true CN116009121A (zh) | 2023-04-25 |
Family
ID=86021160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310095554.3A Pending CN116009121A (zh) | 2023-01-31 | 2023-01-31 | 一种基于深度学习的闪电短时临近预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116009121A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117148360A (zh) * | 2023-10-31 | 2023-12-01 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 雷电临近预报方法、装置、电子设备及计算机存储介质 |
| CN117907965A (zh) * | 2024-03-19 | 2024-04-19 | 江苏省气象台 | 面向对流风暴精细结构的三维雷达回波临近预报方法 |
-
2023
- 2023-01-31 CN CN202310095554.3A patent/CN116009121A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117148360A (zh) * | 2023-10-31 | 2023-12-01 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 雷电临近预报方法、装置、电子设备及计算机存储介质 |
| CN117148360B (zh) * | 2023-10-31 | 2024-01-19 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 雷电临近预报方法、装置、电子设备及计算机存储介质 |
| CN117907965A (zh) * | 2024-03-19 | 2024-04-19 | 江苏省气象台 | 面向对流风暴精细结构的三维雷达回波临近预报方法 |
| CN117907965B (zh) * | 2024-03-19 | 2024-05-24 | 江苏省气象台 | 面向对流风暴精细结构的三维雷达回波临近预报方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mostajabi et al. | Nowcasting lightning occurrence from commonly available meteorological parameters using machine learning techniques | |
| CN116009121A (zh) | 一种基于深度学习的闪电短时临近预报方法 | |
| Casas‐Prat et al. | Projections of extreme ocean waves in the Arctic and potential implications for coastal inundation and erosion | |
| Lang et al. | Transient luminous events above two mesoscale convective systems: Storm structure and evolution | |
| Son et al. | The effect of particulate matter on solar photovoltaic power generation over the Republic of Korea | |
| Gagne II et al. | Evaluation of statistical learning configurations for gridded solar irradiance forecasting | |
| CN107491833B (zh) | 一种光伏发电功率预测的方法和装置 | |
| Rezk et al. | Experimental implementation of meteorological data and photovoltaic solar radiation monitoring system | |
| Alonso et al. | Sky camera imagery processing based on a sky classification using radiometric data | |
| Hofierka et al. | The spatial distribution of photovoltaic power plants in relation to solar resource potential: the case of the Czech Republic and Slovakia | |
| Niermann et al. | Evaluating renewable-energy-relevant parameters of COSMO-REA6 by comparison with satellite data, station observations and other reanalyses | |
| Kuma et al. | Machine learning of cloud types in satellite observations and climate models | |
| Dimitriadou et al. | Analysis of blue corona discharges at the top of tropical thunderstorm clouds in different phases of convection | |
| Cintineo et al. | ProbSevere LightningCast: A deep-learning model for satellite-based lightning nowcasting | |
| Candanedo et al. | Preliminary assessment of a weather forecast tool for building operation | |
| Kuma et al. | Machine learning of cloud types shows higher climate sensitivity is associated with lower cloud biases | |
| CN110188944B (zh) | 一种涌浪监测预警方法 | |
| Bartok et al. | Data mining for fog prediction and low clouds detection | |
| Roy et al. | Impact of tropical convective conditions on solar irradiance forecasting based on cloud motion vectors | |
| Lang | Validation of the geostationary lightning mapper with a lightning mapping array in Argentina: Implications for current and future spaceborne lightning observations | |
| Alvanitopoulos et al. | Solar radiation prediction model based on Empirical Mode Decomposition | |
| Khalyasmaa et al. | Photovoltaic power plant production operational forecast based on its short-term forecasting model | |
| Foreback et al. | A new implementation of FLEXPART with Enviro-HIRLAM meteorological input, and a case study during a heavy air pollution event | |
| Ngombane et al. | An intelligent fire management system to reduce wildfires in South Africa | |
| Kekula et al. | AN EMPIRICAL STUDY OF RELATIONSHIPS BETWEEN URBAN LIGHTING INDICATORS AND NIGHT-TIME LIGHT RADIANCE. |
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 |