CN116303750B - 一种致灾气旋的多维度特征辨识方法和系统 - Google Patents
一种致灾气旋的多维度特征辨识方法和系统 Download PDFInfo
- Publication number
- CN116303750B CN116303750B CN202310589703.1A CN202310589703A CN116303750B CN 116303750 B CN116303750 B CN 116303750B CN 202310589703 A CN202310589703 A CN 202310589703A CN 116303750 B CN116303750 B CN 116303750B
- Authority
- CN
- China
- Prior art keywords
- disaster
- rainfall
- wind speed
- causing
- extreme
- 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 38
- 239000002131 composite material Substances 0.000 claims description 134
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 8
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Environmental & Geological Engineering (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种致灾气旋的多维度特征辨识方法和系统。所述方法包括：根据气旋的路径判断致灾范围，将所述致灾范围划分格点，获取所述致灾范围内各格点的气象数据，所述气象数据包括格点风速和格点降雨量；基于历史台风数据确定所述气象数据的致灾阈值，包括风速致灾阈值和降雨致灾阈值；利用致灾阈值、致灾范围和气象数据构建致灾气旋的多维度特征识别模型，建立致灾事件多维特征数据库；根据致灾事件多维特征数据库，进行致灾气旋多维度特征辨识。本发明建立了“路径‑影响范围‑强度变化‑持续时间”多维度特征辨识方法来对致灾气旋的特征进行逐时刻的、多维度的辨识，为进一步准确评估致灾气旋的社会经济暴露度和脆弱性提供技术支持。
Description
技术领域
本发明涉及气象灾害预警领域，更具体而言涉及一种致灾气旋的多维度特征辨识方法和系统。
背景技术
据统计，全球平均每年有81个热带气旋产生，主要分布在西北太平洋、东北太平洋、北大西洋、南印度洋、南太平洋以及北印度洋6个海域，其中的致灾气旋是能够对人类生命、财产或各种活动（尤其是沿海地区）产生不利影响，并带来直接经济损失的气旋。致灾气旋是一个动态过程和区域性现象，主要通过气旋带来的大风、强降雨和风暴潮等致灾因子对人们的生产生活产生影响，具有突发性强、破坏力大的特点。如今，全球变暖背景下热带气旋对生命和财产带来的威胁明显增加，而研究致灾气旋的特征有利于正确认识致灾气旋的时空演变规律，对于灾害预警具有重要的现实意义。
现有技术中，对致灾气旋特征的研究包括气旋的路径、中心气压、近地面最大风速、灾害损失等，但缺乏逐时间尺度地辨识某一致灾气旋引发的近地面大风和强降雨影响范围、强度，并准确给出致灾气旋的影响范围和持续时间的方法，因此，需要一种致灾气旋的“路径-影响范围-强度变化-持续时间”多维度特征辨识方法来对致灾气旋的特征进行逐时刻的、多维度的辨识。
发明内容
发明目的：本发明的目的是提供一种致灾气旋的多维度特征辨识方法及系统，至少部分地解决背景技术中的问题。
技术方案：第一方面，本发明提供一种致灾气旋的多维度特征辨识方法，包括以下步骤：
根据气旋的路径判断致灾范围，将所述致灾范围划分格点，获取所述致灾范围内各格点的气象数据，所述气象数据包括格点风速和格点降雨量；
基于历史台风数据确定所述气象数据的致灾阈值，包括风速致灾阈值和降雨致灾阈值；
利用致灾阈值、致灾范围和气象数据构建致灾气旋的多维度特征识别模型，包括：将所述格点风速超过所述风速致灾阈值的格点记为风超格点，将连续的所述风超格点划分到同一区域，形成多个极端风速影响区；将所述格点降雨量超过所述降雨致灾阈值的格点记为雨超格点，将连续的所述雨超格点划分到同一区域，形成多个极端降雨影响区；根据所述致灾范围逐时刻判别所述风速和所述降雨量超阈值的情况，直至某时刻没有出现所述极端风速影响区和所述极端降雨影响区为止，根据判别的时刻数目获取所述致灾气旋的持续时间；
根据极端风速影响区、极端降雨影响区、持续时间、气旋路径构建致灾事件多维特征数据库，基于致灾事件多维特征数据库进行致灾气旋多维度特征辨识。
本方法通过历史台风数据确定致灾阈值，利用致灾范围、致灾阈值和气象数据构建致灾气旋的多维度特征识别模型，利用该多维度特征识别模型可以逐时间尺度地辨识致灾气旋引发的近地面大风和强降雨影响范围、强度，准确给出致灾气旋的影响范围、持续时间和强度变化，为进一步准确评估致灾气旋的社会经济暴露度和脆弱性提供技术支持。
可选地，基于历史台风数据确定所述气象数据的致灾阈值包括：
根据下式计算风速致灾阈值：
，
其中，为风速致灾阈值，L为台风致灾直接经济损失，E为致灾气旋经济暴露度，P为风速致灾的格点对应的格点降雨量，/>，N为风速致灾的格点的总数，/>为第i个风速致灾的格点对应的格点降雨量；G为生产总值，D为常数，a、b、c为相关系数；
根据下式计算所述降雨致灾阈值：
，
其中，为降雨致灾阈值，V为降雨致灾的格点对应的格点风速，/>，M为降雨致灾的格点的总数，/>为第j个降雨致灾的格点对应的格点风速；F为常数。
通过划分格点，根据台风影响的范围获取风速致灾的格点和降雨致灾的格点，在计算所述风速致灾阈值时根据台风致灾的实际情况考虑所述格点降雨量的影响，并且在计算所述降雨致灾阈值时根据台风致灾的实际情况考虑所述格点风速的影响，其优点在于在评估所述致灾气旋的风速致灾情况时，无需考虑降雨量的影响，在评估所述致灾气旋的降雨量致灾情况时，无需考虑风速的影响。
可选地，利用致灾阈值、致灾范围和气象数据构建致灾气旋的多维度特征识别模型还包括：
利用所述极端风速影响区和所述极端降雨影响区提取复合事件区和单一事件区，所述复合事件区为所述极端风速影响区和所述极端降雨影响区的重叠区域，所述单一事件区为所述极端风速影响区和所述极端降雨影响区的非重叠区域。
由于只在风速或者降雨量影响下的单一事件区，与在风速和降雨量共同影响下的复合事件区相比，二者的受灾特征存在很大差异，因此，本发明进一步根据极端风速影响区和极端降雨影响区识别提取单一事件区和复合事件区，从而分别判断所述单一事件区和所述复合事件区中的风速情况和降雨量情况，有利于更加细致的反映所述致灾气旋对不同地区的影响程度以及所述致灾气旋的强度变化。
可选地，利用致灾阈值、致灾范围和气象数据构建致灾气旋的多维度特征识别模型还包括：
根据所述风超格点的风速，分别计算每个所述复合事件区的复合极端风速和所述单一事件区的单一极端风速，所述复合极端风速和单一极端风速分别满足如下关系：
，
，
其中，为所述复合极端风速，/>为所述复合事件区中格点的数量，/>为所述复合事件区中第i个格点的风速；/>为所述单一极端风速，/>为所述极端风速影响区中所述单一事件区内格点的数量，/>为所述极端风速影响区中所述单一事件区内第j个格点的风速；
根据所述雨超格点的降雨量，分别计算每个所述单一事件区的复合极端降雨量和所述单一事件区的单一极端降雨量，所述复合极端降雨量和所述单一极端降雨量分别满足如下关系：
，
，
其中，为所述复合极端降雨量，/>为所述复合事件区中格点的数量，/>为所述复合事件区中第i个格点的降雨量；/>为所述单一极端降雨量，/>为所述极端降雨影响区中所述单一事件区内格点的数量，/>为所述极端降雨影响区中所述单一事件区内第j个格点的降雨量。
本发明在计算所述复合极端风速、所述单一极端风速、所述复合极端降雨量和所述单一极端降雨量时，不考虑所述风速与所述降雨量之间的相互影响，可以在简化计算步骤的同时不影响计算结果的准确性，提高计算效率。
可选地，所述方法还包括：
根据所述复合事件区构建复合致灾事件多维度特征数据库；
根据所述单一事件区构建单一致灾事件多维度特征数据库。
可选地，根据所述复合事件区构建复合致灾事件多维度特征数据库包括：
依据气旋路径依次对所述复合事件区进行编号，得到第一组编号；
根据所述第一组编号依次获取每个所述复合事件区的复合区域大小，以及每个所述复合事件区对应的所述复合极端风速和所述复合极端降雨量；
利用所述复合事件区、所述复合区域大小、所述复合极端风速和所述复合极端降雨量建立多个复合事件区特征子集；
根据所述复合事件区特征子集，结合所述路径和所述持续时间构建复合致灾事件多维度特征数据库。
可选地，根据所述单一事件区构建单一致灾事件多维度特征数据库包括：
根据气旋路径依次对所述单一事件区进行编号，得到第二组编号；
根据所述第二组编号依次获取每个所述单一事件区的单一区域大小，以及每个所述单一事件区对应的所述单一极端风速和所述单一极端降雨量；
利用所述单一事件区、所述单一区域大小、所述单一极端风速和所述单一极端降雨量建立多个单一事件区特征子集；
根据所述单一事件区特征子集，结合所述路径和所述持续时间构建单一致灾事件多维度特征数据库。
本发明通过构建复合致灾事件多维度特征数据库和单一致灾事件多维度特征数据库，将获取得到的所述复合事件区的数据归集在一起，将获取得到的所述单一事件区的数据归集在一起，使获取到的数据更加清晰明了，便于快速辨识所述致灾气旋的多维度特征。
第二方面，本发明还提供一种致灾气旋的多维度特征辨识系统，包括：
数据获取模块，用于根据气旋的路径判断致灾范围，将所述致灾范围划分格点，获取所述致灾范围内各格点的气象数据，所述气象数据包括格点风速和格点降雨量；
阈值确定模块，用于基于历史台风数据确定所述气象数据的致灾阈值，包括风速致灾阈值和降雨致灾阈值；
数据处理模块，用于利用致灾阈值、致灾范围和气象数据构建致灾气旋的多维度特征识别模型，包括：将所述格点风速超过所述风速致灾阈值的格点记为风超格点，将连续的所述风超格点划分到同一区域，形成多个极端风速影响区；将所述格点降雨量超过所述降雨致灾阈值的格点记为雨超格点，将连续的所述雨超格点划分到同一区域，形成多个极端降雨影响区；根据所述致灾范围逐时刻判别所述风速和所述降雨量超阈值的情况，直至某时刻没有出现所述极端风速影响区和所述极端降雨影响区为止，根据判别的时刻数目获取所述致灾气旋的持续时间；根据极端风速影响区、极端降雨影响区、持续时间、气旋路径构建致灾事件多维特征数据库；
数据输出模块，用于基于致灾事件多维特征数据库进行致灾气旋多维度特征辨识。
本系统可以逐时间尺度地辨识致灾气旋引发的近地面大风和强降雨影响范围、强度，及时准确的给出致灾气旋的影响范围、持续时间和强度变化，实现对致灾气旋多维度特征的智能化辨识和快速辨识。
第三方面，本发明还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如本发明第一方面所述的致灾气旋的多维度特征辨识方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如如本发明第一方面所述的致灾气旋的多维度特征辨识方法的步骤。
附图说明
图1为本发明实施例的一种致灾气旋多维度特征辨识的方法流程图；
图2为本发明实施例的致灾气旋的多维度特征识别模型示意图；
图3为本发明实施例的一种致灾气旋多维度特征辨识的系统结构图。
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行清楚、完整的描述。
参照图1，本发明提供了一种致灾气旋多维度特征辨识的方法，所述方法包括如下步骤：
步骤S1、判断气旋的致灾范围，获取致灾范围内的气象数据。
根据本发明的实施方式，根据气旋的路径来判断气旋的致灾范围，具体包括：
S11、设定气旋的缓冲距离。
设置缓冲距离是为了保证致灾气旋实际上导致的受灾范围不超出所述致灾范围。在本实施例中设置100km作为气旋的缓冲距离，进而获取得到完整的受灾区域，提高对致灾气旋的多维度特征辨识的准确性。在其他实施例中，可以设置其他数值的缓冲距离。
S12、逐时刻识别气旋的路径。
在本实施例中，以气象台发布的实时致灾气旋路径为准，每间隔一段时间获取一次致灾气旋的行进路线，所述行进路线即为所述路径，并记录获取所述致灾气旋的行进路线的次数。
可选的，每间隔10分钟获取一次所述致灾气旋的行进路线，在其他可选实施例中，也可以选择每间隔5分钟、15分钟或20分钟获取一次所述致灾气旋的行进路线，但间隔时间不宜过大，以便获取准确的所述致灾气旋的持续时间。
S13、结合所述缓冲距离和所述路径确定所述致灾范围。
在本实施例中，由于选择100km作为所述缓冲距离，因此将所述路径周围100km的范围内作为所述致灾范围。
根据本发明的实施方式，获取致灾范围内的气象数据包括：通过将致灾范围划分格点，获取各个格点内气象数据。具体包括：
S1a、以致灾气旋产生的地点为坐标原点建立直角坐标系。
考虑到致灾气旋并不一定要登陆才会带来直接经济损失，因此以致灾气旋产生的地点为坐标原点建立直角坐标系能够获取最完整的致灾范围，提高对致灾气旋的多维度特征辨识的准确性。
S1b、根据直角坐标系提取致灾范围内的格点。
由于致灾气旋带来的影响往往是广泛的，迅速的，没法在短时间内依次对致灾范围内的所有区域进行细致的调研，以获取绝对详细的数据来反映致灾气旋的多维度特征。因此，根据直角坐标系提取致灾范围内的格点，并利用所述格点受到的影响来反映某一区域致灾气旋带来的影响，在提高数据获取效率的同时还可以保证数据的代表性，能够在大范围内准确的反映致灾气旋在致灾范围各个位置带来的影响。
S1c、基于格点提取致灾范围内的气象数据，气象数据包括格点的风速和格点的降雨量。
致灾气旋带来的影响程度和范围主要受到风速和降雨量的影响，因此获取格点所处位置的风速和降雨量有利于反映致灾气旋逐时间尺度的影响范围、强度变化以及持续时间，实现对致灾气旋的多维度特征辨识。
本实施例中，根据测风塔实时测量获取风速，通过人工实测获取降雨量；在其他可选实施例中，风速和降雨量也可以通过其他方式获取。
步骤S2、基于历史台风数据确定气象数据的致灾阈值，包括风速致灾阈值和降雨致灾阈值。
根据本发明的实施方式，历史台风数据包括风速致灾的格点、降雨致灾的格点、格点风速、格点降雨量、致灾气旋经济暴露度、台风致灾直接经济损失以及生产总值。
在本实施例中，以2021年第六号台风“烟花”为基础获取历史台风数据，所述历史台风数据是在气象科学数据中心查询获取得到的；在其他可选地实施例中，还可以以其他地区的一个或者是多个台风为基础获取所述历史台风数据，所述历史台风数据也可以通过其他方法和途径获取。
根据历史台风数据确定气象数据的致灾阈值具体包括：根据所述历史台风数据获取风速致灾阈值，以及根据所述历史台风数据获取降雨致灾阈值。
根据本发明的实施方式，所述风速致灾阈值满足如下关系：
，
，
其中，为风速致灾阈值，L为台风致灾直接经济损失，E为致灾气旋经济暴露度，P为风速致灾的格点对应的格点降雨量，G为生产总值，D为常数，a、b、c为相关系数，N为风速致灾的格点的总数，/>为第i个风速致灾的格点对应的格点降雨量。
在本实施例中，以一个历史台风为基础已经能够保证所述风速致灾阈值的准确性，因为在一般情况下，会造成灾害的风速是比较稳定的，不会因为致灾气旋的强度和数量有很大变化。
更为具体的，根据历史台风影响的范围获取风速致灾的格点，在计算所述风速致灾阈值时根据台风致灾的实际情况考虑所述格点降雨量的影响。
进一步的，在其他可选地实施例当中，如果选择多个历史台风为基础来获取所述风速致灾阈值，则需要计算出每个历史台风对应的风速致灾阈值，然后取所有风速致灾阈值的平均值或者是中位数作为最终的风速致灾阈值。
根据本发明的实施方式，所述降雨致灾阈值满足如下关系：
，
，
其中，为降雨致灾阈值，V为降雨致灾的格点对应的格点风速，F为常数，M为降雨致灾的格点的总数，/>为第j个降雨致灾的格点对应的格点风速。
在本实施例中，以一个历史台风为基础已经能够保证所述降雨致灾阈值的准确性，因为在一般情况下，会造成灾害的降雨量是比较稳定的，不会因为致灾气旋的强度和数量有很大变化。
更为具体的，根据历史台风影响的范围获取降雨致灾的格点，在计算所述降雨致灾阈值时根据台风致灾的实际情况考虑所述格点风速的影响。
进一步的，在其他可选地实施例当中，如果选择多个历史台风为基础来获取所述降雨致灾阈值，则需要计算出每个历史台风对应的降雨致灾阈值，然后取所有降雨致灾阈值的平均值或者是中位数作为最终的所述降雨致灾阈值。
步骤S3、利用致灾阈值、致灾范围和气象数据构建致灾气旋的多维度特征识别模型。
参照图2，根据本发明的实施方式，构建多维度特征识别模型包括：
S31、判别风速超过风速致灾阈值的格点，记为风超格点，将连续的所述风超格点划分到同一区域，形成多个极端风速影响区。
在本实施例中，在致灾范围内，受风速影响导致受到灾害的区域并不是一个连续的整体，而是受到地理因素的路径的影响被分为多个不连续的区域，利用风超格点所处位置的连续性获取极端风速影响区可以很好的反映致灾气旋在不同位置由风速带来的致灾情况，便于分析致灾气旋的强度变化和持续时间。
S32、判别降雨量超过所述降雨致灾阈值的格点，记为雨超格点，将连续的所述雨超格点划分到同一区域，形成多个极端降雨影响区。
在本实施例中，在致灾范围内，受降雨量影响导致受到灾害的区域并不是一个连续的整体，而是受到地理因素的路径的影响被分为多个不连续的区域，利用雨超格点所处位置的连续性获取极端降雨影响区可以很好的反映致灾气旋在不同位置由降雨量带来的致灾情况，便于分析致灾气旋的强度变化和持续时间。
S33、根据致灾范围逐时刻判别风速和降雨量，直至某时刻没有出现极端风速影响区和极端降雨影响区为止，根据判别的时刻数目获取致灾气旋的持续时间。
在本实施例中，随着致灾气旋的移动，致灾气旋的强度将会逐渐减弱，并最终消散，因此极端风速影响区和极端降雨影响区也会逐渐减小和减少，并最终消失，因此根据在某一时刻判断极端风速影响区和极端降雨影响区是否存在即可获取致灾气旋的持续时间。
根据本发明的实施方式，致灾气旋的持续时间为最终的观测次数与数据采集时间间隔的乘积，本实施例中数据采集时间间隔为10分钟。
S34、利用极端风速影响区和极端降雨影响区提取复合事件区和单一事件区，所述复合事件区为所述极端风速影响区和所述极端降雨影响区的重叠区域，所述单一事件区为所述极端风速影响区和所述极端降雨影响区的非重叠区域。
在本实施例中，所述单一事件区只受到所述风速与所述降雨量其中一个因素的影响，所述复合事件区则要受到所述风速与所述降雨量的双重影响，用极端风速影响区和极端降雨影响区提取复合事件区和单一事件区有利于更加细致的反映致灾气旋对不同地区的影响程度以及致灾气旋的强度变化。
S35、根据风超格点的风速，分别计算每个复合事件区的复合极端风速和单一事件区的单一极端风速，复合极端风速和单一极端风速分别满足如下关系：
，
，
其中，为复合极端风速，/>为复合事件区中格点的数量，/>为复合事件区中第i个格点的风速；/>为单一极端风速，/>为极端风速影响区中单一事件区内格点的数量，/>为极端风速影响区中单一事件区内第j个格点的风速。
在本实施例中，在计算单一极端风速时，由于受灾情况只受到风速的影响，因此在计算时不用考虑降雨量带来的影响；在计算复合极端风速时，由于风速致灾阈值已经考虑到了降雨带来的影响，而风超格点又是根据风速致灾阈值得到的，因此也不需要考虑降雨量带来的影响，这样就简化了计算方法，提高了计算效率，便于辨识致灾气旋在复合事件区引发的近地面大风和强降雨的强度，以及高效快速的辨识致灾气旋的强度变化。
S36、根据雨超格点的降雨量，分别计算每个单一事件区的复合极端降雨量和单一事件区的单一极端降雨量，复合极端降雨量和单一极端降雨量分别满足如下关系：
，
，
其中，为复合极端降雨量，/>为复合事件区中格点的数量，/>为复合事件区中第i个格点的降雨量；/>为单一极端降雨量，/>为极端降雨影响区中单一事件区内格点的数量，/>为极端降雨影响区中单一事件区内第j个格点的降雨量。
在本实施例中，在计算单一极端降雨量时，由于受灾情况只受到降雨量的影响，因此在计算时不用考虑风速带来的影响；在计算复合极端降雨量时，由于降雨致灾阈值已经考虑到了风速带来的影响，而雨超格点又是根据降雨致灾阈值得到的，因此也不需要考虑风速带来的影响，这样就简化了计算方法，提高了计算效率，便于辨识致灾气旋在单一事件区引发的近地面大风和强降雨的强度，以及高效快速的辨识致灾气旋的强度变化。
步骤S4、根据多维度特征识别模型构建致灾事件多维特征数据库，进行致灾气旋多维度特征辨识。
根据本发明的实施方式，基于步骤S31-S33所得的极端风速影响区、极端降雨影响区、致灾气旋的持续时间可以作为致灾事件多维特征数据库中的特征，从这些特征中可以辨识出致灾气旋的准确的影响范围、逐时刻的强度变化。
进一步地，致灾事件多维特征数据库还包括复合致灾事件多维度特征数据库和单一致灾事件多维度特征数据库，利用复合致灾事件多维度特征数据库和单一致灾事件多维度特征数据库可以对致灾气旋进行更细致、更全面的刻画，为灾害预警提供更丰富、准确的技术支持。
根据本发明的实施方式，根据复合事件区构建复合致灾事件多维度特征数据库，包括如下步骤：
S41、依据路径依次对复合事件区进行编号，得到第一组编号。
S42、根据第一组编号依次获取每个复合事件区的复合区域大小，以及每个复合事件区对应的复合极端风速和复合极端降雨量。
在本实施例中，根据第一组编号依次获取了复合事件区的大小，即复合区域大小，这有利于更加细致的反映所灾气旋逐时间尺度的强度变化。
S43、利用复合事件区、复合区域大小、复合极端风速和复合极端降雨量建立多个复合事件区特征子集。
在本实施例中，某一个复合事件区与该复合事件区的大小，以及该复合事件区内的复合极端风速和复合极端降雨量能够在一定程度上反映致灾气旋在对该复合事件区造成影响时的强度，因此将每一个复合事件区与其对应的复合区域大小、复合极端风速和复合极端降雨量汇总在一起建立多个复合事件区特征子集，有利于更加清楚的反映致灾气旋逐时刻的强度变化和造成的受灾范围的变化。
S44、根据复合事件区特征子集，结合路径和持续时间构建复合致灾事件多维度特征数据库。
在本实施例当中，将所有复合事件区特征子集汇总在一起，并结合路径和持续时间构建复合致灾事件多维度特征数据库，使得根据复合事件区获取得到的数据更加有条理，并根据复合致灾事件多维度特征数据库就能较为全面的反映致灾气旋的影响范围、强度变化和持续时间。
根据本发明的实施方式，根据单一事件区构建单一致灾事件多维度特征数据库，包括如下步骤：
S4a、根据路径依次对单一事件区进行编号，得到第二组编号。
S4b、根据第二组编号依次获取每个单一事件区的单一区域大小，以及每个单一事件区对应的单一极端风速和单一极端降雨量。
在本实施例中，根据第二组编号依次获取了单一事件区的大小，即单一区域大小，这有利于更加细致的反映致灾气旋逐时间尺度的强度变化。
S4c、利用单一事件区、单一区域大小、单一极端风速和单一极端降雨量建立多个单一事件区特征子集。
在本实施例中，某一个单一事件区与该单一事件区的大小，以及该单一事件区内的单一极端风速和单一极端降雨量能够在一定程度上反映致灾气旋在对该单一事件区造成影响时的强度，因此将每一个单一事件区与其对应的单一区域大小、单一极端风速和单一极端降雨量汇总在一起建立多个单一事件区特征子集，有利于更加清楚的反映致灾气旋逐时刻的强度变化和造成的受灾范围的变化。
S4d、根据单一事件区特征子集，结合路径和持续时间构建单一致灾事件多维度特征数据库。
在本实施例当中，将所有单一事件区特征子集汇总在一起，并结合路径和持续时间构建单一致灾事件多维度特征数据库，使得根据单一事件区获取得到的数据更加有条理，并根据单一致灾事件多维度特征数据库就能较为全面的反映致灾气旋的影响范围、强度变化和持续时间。
将复合致灾事件多维度特征数据库和单一致灾事件多维度特征数据库联合起来，可以进一步地对致灾灾气旋进行完整的“路径-致灾范围-强度变化-持续时间”多维度特征辨识。
需要说明的是，在一些情况下，在说明书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果，在本实施例中，所给出的步骤顺序仅仅是为了使实施例看起来更加清晰明了，方便说明，而非对其限制。
参照图3，根据本发明的另一实施例，提供了一种致灾气旋多维度特征辨识的系统，所述系统包括数据获取模块、数据处理模块、数据储存模块以及数据输出模块。
数据获取模块用于获取历史台风数据、致灾范围以及气象数据。
进一步的，历史台风数据包括风速致灾的格点、降雨致灾的格点、格点风速、格点降雨量、致灾气旋经济暴露度、台风致灾直接经济损失以及生产总值，历史台风数据可以在气象科学数据中心查询获取；致灾范围可以在致灾气旋路径的基础上，通过设定缓冲距离来获取；气象数据包括格点的风速和降雨量，风速可以通过测风塔实时测量获取，降雨量可以通过人工实测的方式获取。
数据处理模块与获取模块相连接，数据处理模块用于接收数据获取模块中的数据，获取致灾阈值，并构建多维度特征识别模型，再根据多维度特征识别模型构建致灾事件多维特征数据库。
可选的，致灾阈值通过阈值确定模块来确定，所述阈值确定模块基于历史台风数据确定所述气象数据的致灾阈值，包括风速致灾阈值和降雨致灾阈值。阈值的具体计算方法可以参照前述方法实施例中的描述，此处不再赘述。
根据本发明的实施方式，数据处理模块利用致灾阈值、致灾范围和气象数据构建致灾气旋的多维度特征识别模型，包括：将所述格点风速超过所述风速致灾阈值的格点记为风超格点，将连续的所述风超格点划分到同一区域，形成多个极端风速影响区；将所述格点降雨量超过所述降雨致灾阈值的格点记为雨超格点，将连续的所述雨超格点划分到同一区域，形成多个极端降雨影响区；根据所述致灾范围逐时刻判别所述风速和所述降雨量超阈值的情况，直至某时刻没有出现所述极端风速影响区和所述极端降雨影响区为止，根据判别的时刻数目获取所述致灾气旋的持续时间。
进一步的，数据处理模块根据极端风速影响区、极端降雨影响区、持续时间、气旋路径构建致灾事件多维特征数据库。
可选的，数据处理模块还利用极端风速影响区和极端降雨影响区提取复合事件区和单一事件区，所述复合事件区为所述极端风速影响区和所述极端降雨影响区的重叠区域，所述单一事件区为所述极端风速影响区和所述极端降雨影响区的非重叠区域。并计算每个复合事件区的复合极端风速和单一事件区的单一极端风速以及每个单一事件区的复合极端降雨量和单一事件区的单一极端降雨量。致灾事件多维特征数据库还包括复合致灾事件多维度特征数据库和单一致灾事件多维度特征数据库。具体的计算方法和数据库的构建可以参照前述方法实施例的描述，此处不再赘述。
数据储存模块与数据处理模块相连接，数据储存模块用于储存数据处理模块中的数据。
数据输出模块与数据处理模块和数据储存模块相连接，数据输出模块用于输出数据处理模块和数据储存模块中的数据，根据输出的数据实现致灾气旋多维度特征辨识。
综上所述，本发明所提供的方法可以逐时间尺度地辨识致灾气旋引发的近地面大风和强降雨影响范围、强度，准确给出致灾气旋的影响范围、持续时间和强度变化，为进一步准确评估致灾气旋的社会经济暴露度和脆弱性提供技术支持。此外，发明提供的系统与本发明提供的方法相适应，并实现了对致灾气旋多维度特征的智能化辨识和快速辨识。
本发明还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如上所述的致灾气旋的多维度特征辨识方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的致灾气旋的多维度特征辨识方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
Claims (6)
1.一种致灾气旋的多维度特征辨识方法，其特征在于，包括以下步骤：
根据气旋的路径判断致灾范围，将所述致灾范围划分格点，获取所述致灾范围内各格点的气象数据，所述气象数据包括格点风速和格点降雨量；
基于历史台风数据确定所述气象数据的致灾阈值，包括风速致灾阈值和降雨致灾阈值，所述风速致灾阈值计算公式为：，其中，/>为风速致灾阈值，L为台风致灾直接经济损失，E为致灾气旋经济暴露度，P为风速致灾的格点对应的格点降雨量，/>，N为风速致灾的格点的总数，/>为第i个风速致灾的格点对应的格点降雨量；G为生产总值，D为常数，a、b、c为相关系数；所述降雨致灾阈值计算公式为：，其中，/>为降雨致灾阈值，V为降雨致灾的格点对应的格点风速，/>，M为降雨致灾的格点的总数，/>为第j个降雨致灾的格点对应的格点风速；F为常数；
利用致灾阈值、致灾范围和气象数据构建致灾气旋的多维度特征识别模型，包括：将所述格点风速超过所述风速致灾阈值的格点记为风超格点，将连续的所述风超格点划分到同一区域，形成多个极端风速影响区；将所述格点降雨量超过所述降雨致灾阈值的格点记为雨超格点，将连续的所述雨超格点划分到同一区域，形成多个极端降雨影响区；根据所述致灾范围逐时刻判别所述风速和所述降雨量超阈值的情况，直至某时刻没有出现所述极端风速影响区和所述极端降雨影响区为止，根据判别的时刻数目获取所述致灾气旋的持续时间；利用所述极端风速影响区和所述极端降雨影响区提取复合事件区和单一事件区，所述复合事件区为所述极端风速影响区和所述极端降雨影响区的重叠区域，所述单一事件区为所述极端风速影响区和所述极端降雨影响区的非重叠区域；根据所述风超格点的风速，分别计算每个所述复合事件区的复合极端风速和所述单一事件区的单一极端风速，所述复合极端风速和单一极端风速分别满足如下关系：
，
，
其中，为所述复合极端风速，/>为所述复合事件区中格点的数量，/>为所述复合事件区中第i个格点的风速；/>为所述单一极端风速，/>为所述极端风速影响区中所述单一事件区内格点的数量，/>为所述极端风速影响区中所述单一事件区内第j个格点的风速；
根据所述雨超格点的降雨量，分别计算每个所述单一事件区的复合极端降雨量和所述单一事件区的单一极端降雨量，所述复合极端降雨量和所述单一极端降雨量分别满足如下关系：
，
，
其中，为所述复合极端降雨量，/>为所述复合事件区中格点的数量，/>为所述复合事件区中第i个格点的降雨量；/>为所述单一极端降雨量，/>为所述极端降雨影响区中所述单一事件区内格点的数量，/>为所述极端降雨影响区中所述单一事件区内第j个格点的降雨量；
根据极端风速影响区、极端降雨影响区、持续时间、气旋路径构建致灾事件多维特征数据库，其中根据所述复合事件区构建复合致灾事件多维度特征数据库，根据所述单一事件区构建单一致灾事件多维度特征数据库，基于致灾事件多维特征数据库进行致灾气旋多维度特征辨识。
2.根据权利要求1所述的方法，其特征在于，根据所述复合事件区构建复合致灾事件多维度特征数据库包括：
依据气旋路径依次对所述复合事件区进行编号，得到第一组编号；
根据所述第一组编号依次获取每个所述复合事件区的复合区域大小，以及每个所述复合事件区对应的所述复合极端风速和所述复合极端降雨量；
利用所述复合事件区、所述复合区域大小、所述复合极端风速和所述复合极端降雨量建立多个复合事件区特征子集；
根据所述复合事件区特征子集，结合所述气旋路径和所述持续时间构建复合致灾事件多维度特征数据库。
3.根据权利要求1所述的方法，其特征在于，根据所述单一事件区构建单一致灾事件多维度特征数据库包括：
根据气旋路径依次对所述单一事件区进行编号，得到第二组编号；
根据所述第二组编号依次获取每个所述单一事件区的单一区域大小，以及每个所述单一事件区对应的所述单一极端风速和所述单一极端降雨量；
利用所述单一事件区、所述单一区域大小、所述单一极端风速和所述单一极端降雨量建立多个单一事件区特征子集；
根据所述单一事件区特征子集，结合所述气旋路径和所述持续时间构建单一致灾事件多维度特征数据库。
4.一种致灾气旋的多维度特征辨识系统，其特征在于，包括：
数据获取模块，用于根据气旋的路径判断致灾范围，将所述致灾范围划分格点，获取所述致灾范围内各格点的气象数据，所述气象数据包括格点风速和格点降雨量；
阈值确定模块，用于基于历史台风数据确定所述气象数据的致灾阈值，包括风速致灾阈值和降雨致灾阈值，所述风速致灾阈值计算公式为：，其中，/>为风速致灾阈值，L为台风致灾直接经济损失，E为致灾气旋经济暴露度，P为风速致灾的格点对应的格点降雨量，/>，N为风速致灾的格点的总数，/>为第i个风速致灾的格点对应的格点降雨量；G为生产总值，D为常数，a、b、c为相关系数；所述降雨致灾阈值计算公式为：/>，其中，/>为降雨致灾阈值，V为降雨致灾的格点对应的格点风速，/>，M为降雨致灾的格点的总数，/>为第j个降雨致灾的格点对应的格点风速；F为常数；
数据处理模块，用于将所述格点风速超过所述风速致灾阈值的格点记为风超格点，将连续的所述风超格点划分到同一区域，形成多个极端风速影响区；将所述格点降雨量超过所述降雨致灾阈值的格点记为雨超格点，将连续的所述雨超格点划分到同一区域，形成多个极端降雨影响区；根据所述致灾范围逐时刻判别所述风速和所述降雨量超阈值的情况，直至某时刻没有出现所述极端风速影响区和所述极端降雨影响区为止，根据判别的时刻数目获取所述致灾气旋的持续时间；利用所述极端风速影响区和所述极端降雨影响区提取复合事件区和单一事件区，所述复合事件区为所述极端风速影响区和所述极端降雨影响区的重叠区域，所述单一事件区为所述极端风速影响区和所述极端降雨影响区的非重叠区域；根据极端风速影响区、极端降雨影响区、持续时间、气旋路径构建致灾事件多维特征数据库，其中根据所述复合事件区构建复合致灾事件多维度特征数据库，根据所述单一事件区构建单一致灾事件多维度特征数据库；根据所述风超格点的风速，分别计算每个所述复合事件区的复合极端风速和所述单一事件区的单一极端风速，所述复合极端风速和单一极端风速分别满足如下关系：
，
，
其中，为所述复合极端风速，/>为所述复合事件区中格点的数量，/>为所述复合事件区中第i个格点的风速；/>为所述单一极端风速，/>为所述极端风速影响区中所述单一事件区内格点的数量，/>为所述极端风速影响区中所述单一事件区内第j个格点的风速；
根据所述雨超格点的降雨量，分别计算每个所述单一事件区的复合极端降雨量和所述单一事件区的单一极端降雨量，所述复合极端降雨量和所述单一极端降雨量分别满足如下关系：
，
，
其中，为所述复合极端降雨量，/>为所述复合事件区中格点的数量，/>为所述复合事件区中第i个格点的降雨量；/>为所述单一极端降雨量，/>为所述极端降雨影响区中所述单一事件区内格点的数量，/>为所述极端降雨影响区中所述单一事件区内第j个格点的降雨量；
数据输出模块，用于基于致灾事件多维特征数据库进行致灾气旋多维度特征辨识。
5.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1-3中任一项所述的致灾气旋的多维度特征辨识方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述的致灾气旋的多维度特征辨识方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310589703.1A CN116303750B (zh) | 2023-05-24 | 2023-05-24 | 一种致灾气旋的多维度特征辨识方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310589703.1A CN116303750B (zh) | 2023-05-24 | 2023-05-24 | 一种致灾气旋的多维度特征辨识方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116303750A CN116303750A (zh) | 2023-06-23 |
| CN116303750B true CN116303750B (zh) | 2023-09-22 |
Family
ID=86818979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310589703.1A Active CN116303750B (zh) | 2023-05-24 | 2023-05-24 | 一种致灾气旋的多维度特征辨识方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116303750B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109765559A (zh) * | 2019-02-02 | 2019-05-17 | 中国水利水电科学研究院 | 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 |
| CN111340668A (zh) * | 2020-02-14 | 2020-06-26 | 广州数鹏通科技有限公司 | 一种台风灾害评估系统 |
| CN113139760A (zh) * | 2021-05-27 | 2021-07-20 | 四创科技有限公司 | 基于风雨大数据的台风风险综合评估方法及系统 |
| CN113610438A (zh) * | 2021-08-24 | 2021-11-05 | 南京信息工程大学 | 一种气象灾害保险指数评估方法及系统 |
| CN114881345A (zh) * | 2022-05-20 | 2022-08-09 | 武汉大学 | 气候变化下暴雨疾风复合灾害的社会经济暴露度预估方法 |
| CN115631077A (zh) * | 2022-09-08 | 2023-01-20 | 南京信息工程大学 | 一种基于风险度的暴雨灾害风险评估方法 |
-
2023
- 2023-05-24 CN CN202310589703.1A patent/CN116303750B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109765559A (zh) * | 2019-02-02 | 2019-05-17 | 中国水利水电科学研究院 | 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 |
| CN111340668A (zh) * | 2020-02-14 | 2020-06-26 | 广州数鹏通科技有限公司 | 一种台风灾害评估系统 |
| CN113139760A (zh) * | 2021-05-27 | 2021-07-20 | 四创科技有限公司 | 基于风雨大数据的台风风险综合评估方法及系统 |
| CN113610438A (zh) * | 2021-08-24 | 2021-11-05 | 南京信息工程大学 | 一种气象灾害保险指数评估方法及系统 |
| CN114881345A (zh) * | 2022-05-20 | 2022-08-09 | 武汉大学 | 气候变化下暴雨疾风复合灾害的社会经济暴露度预估方法 |
| CN115631077A (zh) * | 2022-09-08 | 2023-01-20 | 南京信息工程大学 | 一种基于风险度的暴雨灾害风险评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116303750A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100535955C (zh) | 一种识别离群交通数据的方法 | |
| CN106526708A (zh) | 一种基于机器学习的气象强对流天气的智能预警分析方法 | |
| Pasho et al. | Spatial variability in large-scale and regional atmospheric drivers of Pinus halepensis growth in eastern Spain | |
| CN103544379B (zh) | 基于gis的台风登陆相似分析方法 | |
| Brocca et al. | Application of a model-based rainfall-runoff database as efficient tool for flood risk management | |
| CN104932035A (zh) | 一种台风强度预报方法及系统 | |
| CN108896021B (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
| Rudeva et al. | The sensitivity of characteristics of cyclone activity to identification procedures in tracking algorithms | |
| CN105425320A (zh) | 热带气旋引发沿海地区大风的概率预报方法和系统 | |
| Kleindinst et al. | Categorizing the severity of paralytic shellfish poisoning outbreaks in the Gulf of Maine for forecasting and management | |
| CN105115883A (zh) | 土壤水蚀量的检测方法和装置 | |
| CN110398775B (zh) | 隧道突涌水灾害微震事件信号波动初至拾取方法及系统 | |
| CN116303750B (zh) | 一种致灾气旋的多维度特征辨识方法和系统 | |
| Rafiq et al. | Spatio-statistical analysis of temperature and trend detection in Baluchistan, Pakistan | |
| CN112166688B (zh) | 基于小卫星的沙漠与沙漠化土地监测方法 | |
| CN104063614B (zh) | 一种基于odp的海底沙波特征自动识别方法 | |
| CN112698405B (zh) | 基于地震动信号的滑坡事件识别、预警、评估方法 | |
| CN113296072B (zh) | 一种基于YOLOv3模型的雷暴大风自动识别方法及系统 | |
| CN106023178A (zh) | 一种基于梯度方向聚类的遥感数据中单棵树的检测方法 | |
| CN112883577B (zh) | 一种海上风电场出力典型场景生成方法及存储介质 | |
| CN109408604B (zh) | 输电线路关联天气因素数据网格化处理方法、装置及系统 | |
| CN109635490B (zh) | 基于clue-s模型的胡杨春尺蠖发生蔓延过程的动态模拟方法 | |
| Philippon et al. | The influence of ENSO on South Africa winter rainfall | |
| CN112365562A (zh) | 一种生态系统属性组分组成结构的描述方法 | |
| Merhej et al. | Land use/land cover change detection in baer and al-Bassit region, Latakia, Syria during the Period of 1972-2018 |
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 |