CN117214916B - 基于卫星遥感观测数据的短时冰雹预测方法及系统 - Google Patents
基于卫星遥感观测数据的短时冰雹预测方法及系统 Download PDFInfo
- Publication number
- CN117214916B CN117214916B CN202311477603.6A CN202311477603A CN117214916B CN 117214916 B CN117214916 B CN 117214916B CN 202311477603 A CN202311477603 A CN 202311477603A CN 117214916 B CN117214916 B CN 117214916B
- Authority
- CN
- China
- Prior art keywords
- data
- hail
- cloud
- time
- remote sensing
- 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 27
- 230000008859 change Effects 0.000 claims abstract description 26
- 238000012876 topography Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 5
- 238000001228 spectrum Methods 0.000 claims 1
- 230000006378 damage Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卫星遥感观测数据的短时冰雹预测方法及系统，该方法包括：获取目标区域的历史一段时间的卫星遥感观测数据以及天气数据、历年的冰雹数据、空气抬升数据以及高程数据；在中尺度条件下，将历史一段时间的卫星遥感观测数据、历年的冰雹数据以及历史天气数据作为输入，以在冰雹发生前后短时间内的云层变化趋势作为输出，训练得到云层趋势预测模型；通过高程数据，将目标区域的地形进行分类；在小尺度条件下，以云层变化趋势、历史空气抬升数据以及地形类别、历年的冰雹数据作为影响因子，训练得到冰雹聚类模型；通过当前卫星云图数据以及天气的数值预报信息，预测冰雹及其类型。本发明能进行小尺度的冰雹快速预报。
Description
技术领域
本发明涉及卫星天气预测技术领域。具体而言，涉及一种基于卫星遥感观测数据的短时冰雹预测方法及系统。
背景技术
冰雹的是一种严重的自然灾害，通常发生在夏、秋季节里。冰雹造成的伤害包括：砸毁砸坏作物、树木、房屋、车辆等，砸伤砸死牲畜、家禽，甚至造成人员伤亡。冰雹的杀伤力和雹块的大小直接相关。一个直径20毫米的雹块重量约4克，落地的速度约为20米/秒，相当于72千米/小时的时速，可以形成强大的冲击力。当直径超过60毫米时，重量超过100克，其落地速度可超过30米/秒，相当于时速大于100千米/小时，能够直接砸坏汽车、飞机、门窗屋瓦等，并造成人畜伤亡。冰雹还会造成输电、通讯线路、照明等设施的损坏。
但是通常情况下，降雹的范围比较小，一般宽度为几米到几千米，长度为20-30千米，且冰雹的持续时间都较短，一般持续几分钟至几十分钟，因此具有突然性、时间短、范围小的特点，现有的大尺度数值预报系统难以实现对冰雹的准确预报。
发明内容
本发明正是基于现有技术的上述需求而提出的，本发明针对由于冰雹灾害破坏大、持续时间短以及影响范围小等情况，现有天气数值预报的尺度过大，难以准确预测冰雹的问题，提供一种基于卫星遥感观测数据的短时冰雹预测方法及系统。
为了解决上述问题，本发明是采用如下技术方案实现的：
一种基于卫星遥感观测数据的短时冰雹预测方法，包括：
1）获取目标区域的历史一段时间的卫星遥感观测数据以及天气数据；
2）获取目标区域内历年的冰雹数据；冰雹数据包括：发生日期，起始时间、结束时间、雹块直径以及影响范围；
3）获取目标区域的历史一段时间的空气抬升数据以及高程数据；
4）在中尺度条件下，将历史一段时间的卫星遥感观测数据、历年的冰雹数据以及历史天气数据作为输入，以在冰雹发生前后短时间内的云层变化趋势作为输出，训练得到云层趋势预测模型；
5）通过高程数据，将目标区域的地形进行分类；
6）在小尺度条件下，以云层变化趋势（步骤4）的云层趋势预测模型输出的云层变化趋势）、历史空气抬升数据以及地形类别、历年的冰雹数据作为影响因子，训练得到冰雹聚类模型；
7）通过对当前卫星云图数据以及未来一段时间的天气的数值预报信息，预测冰雹及其类型。
可选地，步骤1）中，卫星遥感观测数据包括：可见光云图以及红外线云图中的云系范围以及运动路径数据。
可选地，步骤2）中，将目标区域的地形进行分类包括：分为平原、高原、山地、丘陵、盆地和城市。
可选地，步骤4）中， 获取目标区域的历史一段时间的空气抬升数据，包括通过地面雷达观测站观测得到的基本反射率、谱宽以及回波顶高，以及地面气象观测站所观测的降水、温度、湿度、风速及风向数据。
可选地，步骤4）中，历年的冰雹数据还包括：发生日期所在的节气，其中，按照一年中的第几个节气来给对应节气数值化，取值范围1-24中的整数。
可选地，云层变化趋势，至少包括：涡旋云系与相邻云系汇合、涡旋云系与相邻云系分离、涡旋云系转向以及涡旋云系扩大。
可选地，冰雹发生前后短时间内为前后两小时内；历史一段时间为十年，未来一段时间为未来一小时至三天。
对应地，本发明还提供一种基于卫星遥感观测数据的短时冰雹预测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现上述任一方法的步骤。
与现有技术相比，本发明通过将中尺度的卫星遥感观测数据以及天气数据作为中尺度的预测模型，预测云层变化趋势，再在小尺度条件下，结合云层变化趋势、高程数据以及空气抬升数据，得到冰雹聚类模型，从而可以通过常规的数值预报以及卫星云图进行小尺度的冰雹快速预报。相比于现有预报，可以获得更快的响应以及更准确的覆盖范围。
附图说明
图1为本发明实施例中的基于卫星遥感观测数据的短时冰雹预测方法的流程示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1为本发明实施例中的基于卫星遥感观测数据的短时冰雹预测方法的流程示意图。本发明的基于卫星遥感观测数据的短时冰雹预测方法，包括：
1）获取目标区域的历史一段时间的卫星遥感观测数据以及天气数据，并将卫星遥感数据和天气数据进行时空匹配，重采样成3×3km尺度数据；
2）获取目标区域内历年的冰雹数据；冰雹数据包括：发生日期，起始时间、结束时间、雹块直径以及影响范围，并将时间格式进行数值化；
3）获取目标区域的历史一段时间的空气抬升数据以及高程数据；
4）在中尺度（本实施例中为3km*3km网格）条件下，将历史一段时间的卫星遥感观测数据（包括高分辨率卫星云图数据，尺度通常为1*1km）、历年的冰雹数据以及历史天气数据进行时空匹配和归一化后作为模型的输入，以在冰雹发生前后短时间内的云层变化趋势作为模型的输出，通过机器学习算法训练得到云层趋势预测模型；
5）通过高程数据，将目标区域的地形进行分类，将区域类型进行数值化，便于输入模型；
6）在小尺度（本实施例中为30m*30m网格）条件下，以云层变化趋势（步骤4）的云层趋势预测模型输出的云层变化趋势）、历史空气抬升数据以及地形类别、历年的冰雹数据作为影响因子，通过K-means方法训练得到冰雹聚类模型；
7）通过对当前最新时间的卫星云图数据（也可以使用未来一段时间的云图的动态推演数据或者预测数据）以及未来一段时间的天气的数值预报信息，通过深度神经网络来预测冰雹及其类型。
上述步骤，通过将中尺度的卫星遥感观测数据以及天气数据作为中尺度的预测模型，预测云层变化趋势，再在小尺度条件下，结合高程数据以及空气抬升数据，得到冰雹聚类模型，从而可以通过常规的天气数值预报（3km*3km）以及高空间分辨率卫星云图（1*1km）进行小尺度（30m*30m）的冰雹快速预报。相比于现有预报，可以获得更快的响应以及更准确的覆盖范围。
实施时，卫星遥感观测数据包括：可见光云图以及红外线云图中的云系范围以及运动路径数据。
实施时，将目标区域的地形进行分类包括：分为平原、高原、山地、丘陵、盆地和城市，对应的数值化的数值依次为1、2、3、4、5和6。
实施时，获取目标区域的历史一段时间的空气抬升数据，包括通过地面雷达观测站观测得到的基本反射率、谱宽以及回波顶高，以及地面气象观测站所观测的降水、温度、湿度、风速及风向数据。
采用上述方法进行预测时，先通过常用的卫星遥感数据以及云图预测系统获取当前卫星云图数据；采用常用的天气的数值预报系统获取得到未来一段时间的数值预报信息，然后通过地面雷达观测站观测得到的空气抬升数据；通过高程数据对目标区域进行地形分类；
将当前卫星云图数据、天气的数值预报信息输入云层趋势预测模型，输出是否存在冰雹发生前后短时间内的云层变化趋势以及云层变化趋势的类型作为输出；
当存在冰雹发生前后短时间内的云层变化趋势类型时，将云层变化趋势的类型、历史空气抬升数据以及地形类别作为影响因子，输入冰雹聚类模型，输出得到可能的冰雹类型，根据冰雹类型确定可能发生的冰雹的发生时间、持续时间、雹块大小以及覆盖范围。
实施时，在训练各模型时，也可以先将冰雹数据中的发生日期进行聚类处理，该聚类处理为划分该发生日期所在的节气，在训练模型和使用模型时直接换算成发生节气进行输入，其中，按照一年中的第几个节气来给对应节气数值化，取值范围1-24中的整数，可以减少数据量，模型的训练收敛速度更快。
本实施例中，云层变化趋势，至少包括：涡旋云系与相邻云系汇合（数值标注为1）、涡旋云系与相邻云系分离（数值标注为2）、涡旋云系转向以及涡旋云系扩大（数值标注为3）。在不同的城市或者地区，受地形的影响，可能存在不属于上述分类的其他云层变化也可能会与冰雹有关，例如独立高山，当云层中云系运动到高山处被阻挡而返回时与其他前进云系相遇，形成冷锋云系与其他云系的交会，也可能产生冰雹。具体的云层趋势类型根据当地地形的实际情况聚类得出。
本实施例中，在小尺度条件下训练冰雹聚类模型时，以多个影响因子进行不区分主次的聚类，例如将云层变化趋势、历史空气抬升数据以及地形类别、历年的冰雹数据作为影响因子，每个影响因子作为空间中的一维数据，以该影响因子的值作为该维度数据的值，通过粒子群算法结合多维空间中的离散点的欧式距离，剔除离群因子，形成若干个类属；然后将类属进行编号，从而可以实现多冰雹类型的预测。同一类属中的冰雹类型的各项因子均相对类似。从而只要获知类编号，就可以基本得出该冰雹的基础参数，包括持续时间，覆盖范围以及雹块的大小等。从而可以实现短时、快速、准确的预测冰雹，减少灾害的损失。
本实施例中，冰雹发生前后短时间内为前后两小时内；历史一段时间为十年，未来一段时间为未来一小时至三天。从而可以实现冰雹的短时预报。
对应地，本发明实施例还提供一种基于卫星遥感观测数据的短时冰雹预测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现上述任一方法的步骤。
综上可知，本发明通过将中尺度的卫星遥感观测数据以及天气数据作为中尺度的预测模型，预测云层变化趋势，再在小尺度条件下，结合高程数据以及空气抬升数据，得到冰雹聚类模型，从而可以通过常规的数值预报以及卫星云图进行小尺度的冰雹快速预报。相比于现有预报，可以获得更快的响应以及更准确的覆盖范围。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连；可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征 “上”或“下”，可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”，可以是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”，可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度低于第二特征。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行改动、修改、替换和变型。
Claims (8)
1.一种基于卫星遥感观测数据的短时冰雹预测方法，其特征在于，包括：
1）获取目标区域的历史一段时间的卫星遥感观测数据以及天气数据；
2）获取目标区域内历年的冰雹数据；冰雹数据包括：发生日期，起始时间、结束时间、雹块直径以及影响范围；
3）获取目标区域的历史一段时间的空气抬升数据以及高程数据；
4）在中尺度条件下，将历史一段时间的卫星遥感观测数据、历年的冰雹数据以及历史天气数据作为输入，以在冰雹发生前后短时间内的云层变化趋势作为输出，训练得到云层趋势预测模型；
5）通过高程数据，将目标区域的地形进行分类；
6）在小尺度条件下，以云层变化趋势、历史空气抬升数据以及地形类别、历年的冰雹数据作为影响因子，训练得到冰雹聚类模型；
7）通过对未来一段时间的当前卫星云图数据以及天气的数值预报信息，预测冰雹及其类型，包括：
先通过常用的卫星遥感观测数据以及云图预测系统获取当前卫星云图数据；采用常用的天气的数值预报系统获取得到未来一段时间的数值预报信息，然后通过地面雷达观测站观测得到的空气抬升数据；通过高程数据将目标区域的地形进行分类；
将当前卫星云图数据、天气的数值预报信息输入云层趋势预测模型，输出是否存在冰雹发生前后短时间内的云层变化趋势以及云层变化趋势的类型作为输出；
当存在冰雹发生前后短时间内的云层变化趋势类型时，将云层变化趋势的类型、历史空气抬升数据以及地形类别作为影响因子，输入冰雹聚类模型，输出得到可能的冰雹类型，根据冰雹类型确定可能发生的冰雹的发生时间、持续时间、雹块大小以及覆盖范围。
2.根据权利要求1所述的方法，其特征在于，
所述卫星遥感观测数据包括：可见光云图以及红外线云图中的云系范围以及运动路径数据。
3.根据权利要求1所述的方法，其特征在于，
所述将目标区域的地形进行分类包括：分为平原、高原、山地、丘陵、盆地和城市。
4.根据权利要求1所述的方法，其特征在于，
所述获取目标区域的历史一段时间的空气抬升数据，包括通过地面雷达观测站观测得到的基本反射率、谱宽以及回波顶高，以及地面气象观测站所观测的降水、温度、湿度、风速及风向数据。
5.根据权利要求1所述的方法，其特征在于，
所述历年的冰雹数据还包括：所述发生日期所在的节气。
6.根据权利要求1所述的方法，其特征在于，
所述云层变化趋势，至少包括：涡旋云系与相邻云系汇合、涡旋云系与相邻云系分离、涡旋云系转向以及涡旋云系扩大。
7.根据权利要求1所述的方法，其特征在于，所述冰雹发生前后短时间内为前后两小时内；所述历史一段时间为十年，所述未来一段时间为未来一小时至三天。
8.一种基于卫星遥感观测数据的短时冰雹预测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477603.6A CN117214916B (zh) | 2023-11-08 | 2023-11-08 | 基于卫星遥感观测数据的短时冰雹预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477603.6A CN117214916B (zh) | 2023-11-08 | 2023-11-08 | 基于卫星遥感观测数据的短时冰雹预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117214916A CN117214916A (zh) | 2023-12-12 |
| CN117214916B true CN117214916B (zh) | 2024-04-05 |
Family
ID=89051494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311477603.6A Active CN117214916B (zh) | 2023-11-08 | 2023-11-08 | 基于卫星遥感观测数据的短时冰雹预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117214916B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110632681A (zh) * | 2019-09-17 | 2019-12-31 | 国网湖南省电力有限公司 | 基于机器学习的电网午后雷阵雨的短临预警方法及系统 |
| CN112651463A (zh) * | 2021-01-05 | 2021-04-13 | 天津大学 | 一种高原地区冰雹天气的双预报模型的构建方法 |
| CN113657610A (zh) * | 2021-08-27 | 2021-11-16 | 无锡九方科技有限公司 | 一种基于随机森林的冰雹气候特征预测方法 |
| CN115598738A (zh) * | 2022-10-31 | 2023-01-13 | 北京弘象科技有限公司（Cn） | 一种冰雹预警方法和装置 |
| CN116740586A (zh) * | 2023-07-05 | 2023-09-12 | 北京弘象科技有限公司 | 冰雹识别方法、装置、电子设备及计算机可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10235716B2 (en) * | 2015-03-13 | 2019-03-19 | Hartford Fire Insurance Company | System for generating historical hail evaluation data |
-
2023
- 2023-11-08 CN CN202311477603.6A patent/CN117214916B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110632681A (zh) * | 2019-09-17 | 2019-12-31 | 国网湖南省电力有限公司 | 基于机器学习的电网午后雷阵雨的短临预警方法及系统 |
| CN112651463A (zh) * | 2021-01-05 | 2021-04-13 | 天津大学 | 一种高原地区冰雹天气的双预报模型的构建方法 |
| CN113657610A (zh) * | 2021-08-27 | 2021-11-16 | 无锡九方科技有限公司 | 一种基于随机森林的冰雹气候特征预测方法 |
| CN115598738A (zh) * | 2022-10-31 | 2023-01-13 | 北京弘象科技有限公司（Cn） | 一种冰雹预警方法和装置 |
| CN116740586A (zh) * | 2023-07-05 | 2023-09-12 | 北京弘象科技有限公司 | 冰雹识别方法、装置、电子设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117214916A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | A deep learning network for cloud-to-ground lightning nowcasting with multisource data | |
| KR102076426B1 (ko) | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 | |
| Han et al. | Convolutional neural network for convective storm nowcasting using 3-D Doppler weather radar data | |
| Stumpf et al. | The National Severe Storms Laboratory mesocyclone detection algorithm for the WSR-88D | |
| Behrangi et al. | PERSIANN-MSA: A precipitation estimation method from satellite-based multispectral analysis | |
| Zaugg et al. | Automatic identification of bird targets with radar via patterns produced by wing flapping | |
| Zhou et al. | Forecast of low visibility and fog from NCEP: Current status and efforts | |
| US20180098137A1 (en) | Method and system for utility power lines vegetation proximity monitoring and controlling | |
| Masjedi et al. | Sorghum biomass prediction using UAV-based remote sensing data and crop model simulation | |
| Kotivuori et al. | Forest inventories for small areas using drone imagery without in-situ field measurements | |
| JP7438655B2 (ja) | 気象解析装置、気象解析方法、およびプログラム | |
| CN107356926A (zh) | 基于Hu矩的差值云团外推降雨预测算法 | |
| Bala et al. | Soft computing and data mining techniques for thunderstorms and lightning prediction: a survey | |
| CN110942111B (zh) | 一种识别强对流云团的方法及装置 | |
| Reynolds et al. | Radar studies of the vertical distribution of insects migrating over southern Britain: the influence of temperature inversions on nocturnal layer concentrations | |
| Miao et al. | A fuzzy logic fog forecasting model for Perth Airport | |
| Mecikalski et al. | A random-forest model to assess predictor importance and nowcast severe storms using high-resolution radar–GOES satellite–lightning observations | |
| Peterson et al. | Thunderstorm cloud-type classification from space-based lightning imagers | |
| Muñoz-Esparza et al. | Aviation turbulence forecasting at upper levels with machine learning techniques based on regression trees | |
| Liu et al. | A spatio-temporal modeling framework for weather radar image data in tropical Southeast Asia | |
| CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
| CN117214916B (zh) | 基于卫星遥感观测数据的短时冰雹预测方法及系统 | |
| Momberg et al. | Factors determining nest‐site selection of surface‐nesting seabirds: a case study on the world's largest pelagic bird, the Wandering Albatross (Diomedea exulans) | |
| Rasmussen | VORTEX-Southeast program overview | |
| Williams et al. | Combining observations and model data for short-term storm forecasting |
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 |