CN116089546A - 一种台风云系识别方法、系统、终端以及存储介质 - Google Patents
一种台风云系识别方法、系统、终端以及存储介质 Download PDFInfo
- Publication number
- CN116089546A CN116089546A CN202111307715.8A CN202111307715A CN116089546A CN 116089546 A CN116089546 A CN 116089546A CN 202111307715 A CN202111307715 A CN 202111307715A CN 116089546 A CN116089546 A CN 116089546A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- satellite
- grid
- cloud
- cloud system
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Abstract
本申请涉及一种台风云系识别方法、系统、终端以及存储介质。所述方法包括:根据卫星观测数据生成以台风为中心的栅格化卫星云图;根据所述栅格化卫星云图构造能量流图,并对所述能量流图进行边权函数赋值,得到用于表征栅格化卫星云图中各像素连接关系和连接边赋权值的稀疏矩阵;根据所述栅格化卫星云图以及台风中心经纬度对所述能量流图进行源汇点标记;根据所述稀疏矩阵和源汇点标记求解最大流问题,并根据所述最大流问题求解结果对所述栅格化卫星云图进行分割。本申请实施例实现了台风云系的自动化识别,使得分割结果更能适应台风云系在栅格化卫星云图中所表现出的从一侧向另一侧渐变的特性,并可以提高气象保障服务的业务运行效率。
Description
技术领域
本申请属于台风监测技术领域,特别涉及一种台风云系识别方法、系统、终端以及存储介质。
背景技术
台风是影响我国最主要的气象灾害之一,而卫星云图是台风监测的重要工具之一。在台风天气过程中,气象预报员都会根据卫星云图的直接可视化产品来判断台风的主要特征。通过静止卫星所传回的云图,气象预报员可以对台风中心位置、强度和整个螺旋雨带的影响范围等进行确定。
传统确定台风强度和位置的方法通常是一些经验性的方法,例如确定台风强度的德沃夏克法等。目前尚缺少云系影响范围的自动化诊断算法。现有的台风云系影响范围的分析需要预报员人工诊断,判断结果较为主观,容易受到一般平流云系叠加、预报员视觉疲劳状态等因素的影响。同事,当需要关注的对象较多时,逐对象判断其是否在台风云系影响范围的内耗时间较长,需要消耗较多人工精力。
发明内容
本申请提供了一种台风云系识别方法、系统、终端以及存储介质,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种台风云系识别方法,包括:
根据卫星观测数据生成以台风为中心的栅格化卫星云图;
根据所述栅格化卫星云图构造能量流图,并对所述能量流图进行边权函数赋值,得到用于表征栅格化卫星云图中各像素连接关系和连接边赋权值的稀疏矩阵;
根据所述栅格化卫星云图以及台风中心经纬度对所述能量流图进行源汇点标记;
根据所述稀疏矩阵和源汇点标记求解最大流问题,并根据所述最大流问题求解结果对所述栅格化卫星云图进行分割。
本申请实施例采取的技术方案还包括:所述根据卫星观测数据生成以台风为中心的栅格化卫星云图包括:
获取卫星观测数据,所述卫星观测数据为最小观测元为单位的基础数据;
对所述卫星观测数据进行投影变换,将所述观测元的行列号变换为实际经纬度;
根据变换得到的实际经纬度,将所述观测元填充进等经纬的栅格中,根据所有栅格的填充值生成以台风为中心的栅格化卫星云图。
本申请实施例采取的技术方案还包括:所述将所述观测元填充进等经纬的栅格中包括:
当同一栅格内出现至少两个观测元时,采用所述至少两个观测元读数的中值作为该栅格的填充值;
当栅格中没有观测元时,将该栅格的填充值表示为“缺测”。
本申请实施例采取的技术方案还包括:所述对所述卫星观测数据进行投影变换具体为:
其中,COFF为列偏移,CFAC为列比例因子,LOFF为行偏移,LFAC为行比例因子,ea为地球的半长轴,eb为地球的短半轴,h为地心到卫星质心的距离,λD为卫星星下点所在经度;lon为行列号对应经度,lat为行列号对应维度;x,y,sd,sn,s1,s2,s3,sxy为计算过程的中间变量。
本申请实施例采取的技术方案还包括:所述根据所述栅格化卫星云图构造能量流图,并对所述能量流图进行边权函数赋值,得到用于表征栅格化卫星云图中各像素连接关系和连接边赋权值的稀疏矩阵包括:
定义所述栅格化卫星云图中每个像素与其邻接的八个像素相连,完成所述栅格化卫星云图的边连接;
基于所述边连接,根据彼此连接的两个像素的亮温温度之差为边赋以权重,用于表征每条边所允许的能量流最大径流。
本申请实施例采取的技术方案还包括:所述根据所述栅格化卫星云图以及台风中心经纬度对所述能量流图进行源汇点标记包括:
通过boxcox算法将所述栅格化卫星云图中距离台风中心位置设定范围内所有格点的亮温转化为服从分布,将转化所得到的物理量记为等效亮温,并使用设定的高低阈值分别对源点和汇点进行标记,分别得到源集合和汇集合;所述源集合和汇集合分别表示显著属于台风云系的像素所对应的经纬点和显著不属于台风云系的像素所对应的经纬点;
所述源集合包括距台风中心位置第一设定范围内等效亮温低于设定低阈值的像素;
所述汇集合包括距台风中心位置第二设定范围外等效亮温高于设定高阈值的像素。
本申请实施例采取的技术方案还包括:所述根据所述稀疏矩阵和源汇点标记求解最大流问题,并根据所述最大流问题求解结果对所述栅格化卫星云图进行分割包括:
通过“博伊科夫-科尔莫戈罗夫最大流算法”求解最大流问题,得到栅格化卫星云图中每个像素的标签类型;所述标签类型包括属于台风云系或不属于台风云系;
根据所述每个像素的标签类型生成用于描述台风云系轮廓的经纬度坐标序列,得到在卫星观测时刻受台风云系影响区域的地理位置信息。
本申请实施例采取的另一技术方案为:一种台风云系识别系统,包括:
卫星云图生成模块:用于根据卫星观测数据生成以台风为中心的栅格化卫星云图;
能量流图构造模块:用于根据所述栅格化卫星云图构造能量流图,并对所述能量流图进行边权函数赋值,得到用于表征栅格化卫星云图中各像素连接关系和连接边赋权值的稀疏矩阵;
源汇点标记模块:用于根据所述栅格化卫星云图以及台风中心经纬度对所述能量流图进行源汇点标记;
卫星云图分割模块:用于根据所述稀疏矩阵和源汇点标记求解最大流问题,并根据所述最大流问题求解结果对所述栅格化卫星云图进行分割。
本申请实施例采取的又一技术方案为:一种终端,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现所述台风云系识别方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制台风云系识别。
本申请实施例采取的又一技术方案为:一种存储介质,存储有处理器可运行的程序指令,所述程序指令用于执行所述台风云系识别方法。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的台风云系识别方法、系统、终端以及存储介质通过利用卫星云图的红外亮温数据并结合台风中心位置确定显著属于台风云系的像素所对应的经纬点以及显著不属于台风云系的像素所对应的经纬点,基于经纬点,利用非对称边权函数并引入最大流方法对卫星云图进行分割,根据分割结果得到在卫星观测时刻受台风云系影响区域的地理信息。本申请实施例实现了台风云系的自动化识别,使得分割结果更能适应台风云系在栅格化卫星云图中所表现出的从一侧向另一侧渐变的特性,并可以提高气象保障服务的业务运行效率。
附图说明
图1是本申请实施例的台风云系识别方法的流程图;
图2为本申请实施例的不同边权函数及其所对应的台风云系分割结果示意图;其中,(a)为对称的边权函数,对应于无向图,(b)为其得到的台风云系分割结果;(c)为非对称的边权函数,对应于有向图,(d)为其得到的台风云系分割结果;
图3为本申请实施例的台风云系识别系统结构示意图;
图4为本申请实施例的终端结构示意图;
图5为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
针对现有技术的不足,本申请实施例的台风云系识别方法以卫星红外亮温数据作为输入,根据气象数据直接划分台风云系并生成云系轮廓经纬坐标序列,输出台风云系覆盖区域的地理坐标信息,实现了通过卫星云图对台风影响区域进行的自动化识别,可以提高气象保障服务的业务运行效率。
具体地,请参阅图1,是本申请实施例的台风云系识别方法的流程图。本申请实施例的台风云系识别方法包括以下步骤:
S1:获取卫星观测数据;
本步骤中,获取的卫星观测数据包括由风云2号系列卫星、风云4号系列卫星等静止卫星所搭载的全圆盘成像仪(可见光红外自旋扫描辐射仪或多通道扫描成像辐射计)所观测得到的基础数据。卫星观测的基础数据是以最小观测元为单位,以风云2号卫星为例,其全圆盘成像仪的观测元数量为2288*2288。
S2:对卫星观测数据进行投影变换和重采样处理,生成以台风为中心的栅格化卫星云图;
本步骤中,由于全圆盘成像仪观测的是地球曲面,其观测到的基础数据的实际经纬度不够均匀,在成像仪观测的边缘位置,呈像容易发生形变。为了消除由于形变造成的影响,通过投影变换将观测元的行列号换算为实际经纬度,从而根据全圆盘成像仪基础观测数据生成等经纬度的栅格化卫星云图。
具体地,以风云2号卫星为例,根据已知的成像工作参数和卫星轨道参数,根据以下公式依次进行投影变换:
其中,COFF为列偏移,CFAC为列比例因子,LOFF为行偏移,LFAC为行比例因子,ea为地球的半长轴,eb为地球的短半轴,h为地心到卫星质心的距离,λD为卫星星下点所在经度。lon为行列号对应经度,lat为行列号对应维度。x,y,sd,sn,s1,s2,s3,sxy为计算过程的中间变量。
根据变换得到的实际经纬度,将观测元填充进等经纬的栅格中。此时,有些栅格内会出现包含多个观测元的情况,考虑到卫星观测数据中有出现异常观测极端值的情况,采用同一栅格内多个观测元读数的中值作为该栅格的填充值;当某一栅格中没有观测元时,将该栅格的填充值表示为“缺测”;根据以上规则对所有栅格进行填充后,根据所有栅格的填充值生成栅格化卫星云图。
S3:根据栅格化卫星云图构造能量流图,并对能量流图进行边权函数赋值,得到用于表征栅格化卫星云图中各像素连接关系和连接边赋权值的稀疏矩阵;
本步骤中,判断栅格化卫星云图中各个像素是否属于台风云系,不仅需要考虑栅格对应的红外亮温,还需考虑各像素与其周围像素的对比关系。本申请实施例通过能量流图描述这种对比关系,定义像素连接关系为栅格化卫星云图中每个像素只与其邻接的八个像素相连,而与其他的像素不连接,使得从A像素指向B像素的边与从B像素指向A像素的边不同,从而构造出适用于台风云系在栅格化卫星云图中所表现出的从一侧向另一侧渐变(没有显著发生变化的刚性边界)的特性。完成连接边后,需要给边赋以权重,用于表征每条边所允许的能量流最大径流,该能量流最大径流与彼此连接的两个像素的亮温温度之差有关。
S4:根据台风中心经纬度以及栅格化卫星云图对能量流图进行源点和汇点标记,分别得到源集合和汇集合;
本步骤中,源集合和汇集合分别表示显著属于台风云系的像素所对应的经纬点和显著不属于台风云系的像素所对应的经纬点。本申请实施例通过boxcox算法将栅格化卫星云图中距离台风中心位置一定范围内(1000km)所有格点的亮温转化为服从分布,将所得到的物理量记为等效亮温,消除不同季节和大范围环流造成的亮温背景干扰,并使用设定的高低阈值对源点和汇点进行判断。源集合包括距台风中心位置第一设定范围内(本申请实施例设定该范围为50km、约0.45经纬度,具体可根据实际应用进行设定)等效亮温低于设定低阈值的像素;汇集合包括距台风中心位置第二设定范围(本申请实施例设定该范围为600km、约0.45经纬度,具体可根据实际应用进行设定)外等效亮温高于设定高阈值的像素。
S5:根据稀疏矩阵、源集合和汇集合求解最大流问题,根据最大流求解结果对栅格化卫星云图进行分割,得到栅格化卫星云图中每一个像素的标签类型;
本步骤中,在得到栅格化卫星云图中各像素连接关系和连接边赋权值的稀疏矩阵、源集合和汇集合后,通过“博伊科夫-科尔莫戈罗夫最大流算法”求解最大流问题,得到每个像素的标签类型,该标签类型包括像素属于台风云系或不属于台风云系。本申请实施例通过利用非对称边权函数,并引入最大流方法对卫星云图进行分割,形成了台风云系的自动化分割,并可以使得分割结果更能适应台风云系在栅格化卫星云图中所表现出的从一侧向另一侧渐变的特性。具体如图2所示,为本申请实施例的不同边权函数及其所对应的台风云系分割结果示意图。其中,(a)为对称的边权函数,对应于无向图,(b)为其得到的台风云系分割结果;(c)为非对称的边权函数,对应于有向图,(d)为其得到的台风云系分割结果。从图2中可以看出,在台风云系左下角的部分,非对称的边权函数对应的有向图的分割结果更为合理。
S6:根据栅格化卫星云图中每一个像素的标签生成用于描述台风云系轮廓的经纬度坐标序列,得到在卫星观测时刻受台风云系影响区域的地理位置信息;
本步骤中,该部分可以抽象为polygon(多边形)向地理polyline(折线)的转化,可以通过ArcGIS实现。本申请实施例中,可将受台风云系影响区域的地理信息保存为shape-file文件,便于作为标准化输入以供给单一地点预警服务等其他业务产品的开发,而不需做多余的文件说明。
基于上述,本申请实施例的台风云系识别方法通过利用卫星云图的红外亮温数据并结合台风中心位置确定显著属于台风云系的像素所对应的经纬点以及显著不属于台风云系的像素所对应的经纬点,基于经纬点,利用非对称边权函数并引入最大流方法对卫星云图进行分割,根据分割结果得到在卫星观测时刻受台风云系影响区域的地理信息。本申请实施例实现了台风云系的自动化识别,使得分割结果更能适应台风云系在栅格化卫星云图中所表现出的从一侧向另一侧渐变的特性,并可以提高气象保障服务的业务运行效率。
请参阅图3,为本申请实施例的台风云系识别系统结构示意图。本申请实施例的台风云系识别系统40包括:
卫星云图生成模块41:用于根据卫星观测数据生成以台风为中心的栅格化卫星云图;
能量流图构造模块42:用于根据所述栅格化卫星云图构造能量流图,并对所述能量流图进行边权函数赋值,得到用于表征栅格化卫星云图中各像素连接关系和连接边赋权值的稀疏矩阵;
源汇点标记模块43:用于根据所述栅格化卫星云图以及台风中心经纬度对所述能量流图进行源汇点标记;
卫星云图分割模块44:用于根据所述稀疏矩阵和源汇点标记求解最大流问题,并根据所述最大流问题求解结果对所述栅格化卫星云图进行分割。
请参阅图4,为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述台风云系识别方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制台风云系识别。
其中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。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。
请参阅图5,为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61,其中,该程序文件61可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种台风云系识别方法,其特征在于,包括:
根据卫星观测数据生成以台风为中心的栅格化卫星云图;
根据所述栅格化卫星云图构造能量流图,并对所述能量流图进行边权函数赋值,得到用于表征栅格化卫星云图中各像素连接关系和连接边赋权值的稀疏矩阵;
根据所述栅格化卫星云图以及台风中心经纬度对所述能量流图进行源汇点标记;
根据所述稀疏矩阵和源汇点标记求解最大流问题,并根据所述最大流问题求解结果对所述栅格化卫星云图进行分割。
2.根据权利要求1所述的台风云系识别方法,其特征在于,所述根据卫星观测数据生成以台风为中心的栅格化卫星云图包括:
获取卫星观测数据,所述卫星观测数据为最小观测元为单位的基础数据;
对所述卫星观测数据进行投影变换,将所述观测元的行列号变换为实际经纬度;
根据变换得到的实际经纬度,将所述观测元填充进等经纬的栅格中,根据所有栅格的填充值生成以台风为中心的栅格化卫星云图。
3.根据权利要求2所述的台风云系识别方法,其特征在于,所述将所述观测元填充进等经纬的栅格中包括:
当同一栅格内出现至少两个观测元时,采用所述至少两个观测元读数的中值作为该栅格的填充值;
当栅格中没有观测元时,将该栅格的填充值表示为“缺测”。
5.根据权利要求1至4任一项所述的台风云系识别方法,其特征在于,所述根据所述栅格化卫星云图构造能量流图,并对所述能量流图进行边权函数赋值,得到用于表征栅格化卫星云图中各像素连接关系和连接边赋权值的稀疏矩阵包括:
定义所述栅格化卫星云图中每个像素与其邻接的八个像素相连,完成所述栅格化卫星云图的边连接;
基于所述边连接,根据彼此连接的两个像素的亮温温度之差为边赋以权重,用于表征每条边所允许的能量流最大径流。
6.根据权利要求5所述的台风云系识别方法,其特征在于,所述根据所述栅格化卫星云图以及台风中心经纬度对所述能量流图进行源汇点标记包括:
通过boxcox算法将所述栅格化卫星云图中距离台风中心位置设定范围内所有格点的亮温转化为服从分布,将转化所得到的物理量记为等效亮温,并使用设定的高低阈值分别对源点和汇点进行标记,分别得到源集合和汇集合;所述源集合和汇集合分别表示显著属于台风云系的像素所对应的经纬点和显著不属于台风云系的像素所对应的经纬点;
所述源集合包括距台风中心位置第一设定范围内等效亮温低于设定低阈值的像素;
所述汇集合包括距台风中心位置第二设定范围外等效亮温高于设定高阈值的像素。
7.根据权利要求6所述的台风云系识别方法,其特征在于,所述根据所述稀疏矩阵和源汇点标记求解最大流问题,并根据所述最大流问题求解结果对所述栅格化卫星云图进行分割包括:
通过“博伊科夫-科尔莫戈罗夫最大流算法”求解最大流问题,得到栅格化卫星云图中每个像素的标签类型;所述标签类型包括属于台风云系或不属于台风云系;
根据所述每个像素的标签类型生成用于描述台风云系轮廓的经纬度坐标序列,得到在卫星观测时刻受台风云系影响区域的地理位置信息。
8.一种台风云系识别系统,其特征在于,包括:
卫星云图生成模块:用于根据卫星观测数据生成以台风为中心的栅格化卫星云图;
能量流图构造模块:用于根据所述栅格化卫星云图构造能量流图,并对所述能量流图进行边权函数赋值,得到用于表征栅格化卫星云图中各像素连接关系和连接边赋权值的稀疏矩阵;
源汇点标记模块:用于根据所述栅格化卫星云图以及台风中心经纬度对所述能量流图进行源汇点标记;
卫星云图分割模块:用于根据所述稀疏矩阵和源汇点标记求解最大流问题,并根据所述最大流问题求解结果对所述栅格化卫星云图进行分割。
9.一种终端,其特征在于,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现权利要求1-7任一项所述的台风云系识别方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制台风云系识别。
10.一种存储介质,其特征在于,存储有处理器可运行的程序指令,所述程序指令用于执行权利要求1至7任一项所述台风云系识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111307715.8A CN116089546A (zh) | 2021-11-05 | 2021-11-05 | 一种台风云系识别方法、系统、终端以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111307715.8A CN116089546A (zh) | 2021-11-05 | 2021-11-05 | 一种台风云系识别方法、系统、终端以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116089546A true CN116089546A (zh) | 2023-05-09 |
Family
ID=86197830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111307715.8A Pending CN116089546A (zh) | 2021-11-05 | 2021-11-05 | 一种台风云系识别方法、系统、终端以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116089546A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422832A (zh) * | 2023-11-06 | 2024-01-19 | 广州气象卫星地面站(广东省气象卫星遥感中心) | 多源极轨卫星台风暖心三维结构自动匹配与定量展示方法 |
-
2021
- 2021-11-05 CN CN202111307715.8A patent/CN116089546A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422832A (zh) * | 2023-11-06 | 2024-01-19 | 广州气象卫星地面站(广东省气象卫星遥感中心) | 多源极轨卫星台风暖心三维结构自动匹配与定量展示方法 |
CN117422832B (zh) * | 2023-11-06 | 2024-04-12 | 广州气象卫星地面站(广东省气象卫星遥感中心) | 多源极轨卫星台风暖心三维结构自动匹配与定量展示方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | A spatial and temporal nonlocal filter-based data fusion method | |
US11476795B2 (en) | Solar power forecasting | |
Zhang et al. | Detecting horizontal and vertical urban growth from medium resolution imagery and its relationships with major socioeconomic factors | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
EP3794386B1 (en) | Determination of location-specific weather information for agronomic decision support | |
Kim et al. | Analysis of urbanization characteristics causing farmland loss in a rapid growth area using GIS and RS | |
CN110992366A (zh) | 一种图像语义分割方法、装置及存储介质 | |
Mishra et al. | Urban heat island in Kathmandu, Nepal: Evaluating relationship between NDVI and LST from 2000 to 2018 | |
CN113486975A (zh) | 遥感图像的地物分类方法、装置、设备及存储介质 | |
CN115546656A (zh) | 一种基于深度学习的遥感影像养殖区域提取方法 | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN116089546A (zh) | 一种台风云系识别方法、系统、终端以及存储介质 | |
CN115457408A (zh) | 一种土地监测方法、装置、电子设备及介质 | |
Gupta et al. | An innovative approach for retrieval of gridded urban canopy parameters using very high resolution optical satellite stereo | |
CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
CN110826454A (zh) | 一种遥感影像变化检测方法及装置 | |
CN114170524A (zh) | 一种高时-空卫星数据融合的单日潮滩数字地形构建方法 | |
CN110555538A (zh) | 风电场风速预测方法及预测系统 | |
CN111862005A (zh) | 一种利用合成雷达图像精准定位热带气旋中心的方法及系统 | |
Madaus et al. | Hyper-local, efficient extreme heat projection and analysis using machine learning to augment a hybrid dynamical-statistical downscaling technique | |
US20230186594A1 (en) | Information processing apparatus, information processing method, and non-transitory computer readable medium | |
CN115357675A (zh) | 一种像控点标准化处理建设像控点数据库方法和系统 | |
CN114529834A (zh) | 小目标对象的检测方法和检测装置 | |
CN111488553B (zh) | 一种太阳辐照度计算方法及装置 | |
Lukač et al. | Novel GPU-accelerated high-resolution solar potential estimation in urban areas by using a modified diffuse irradiance model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |