CN117809192B - 一种基于denclue聚类算法的雷暴识别方法 - Google Patents
一种基于denclue聚类算法的雷暴识别方法 Download PDFInfo
- Publication number
- CN117809192B CN117809192B CN202410235252.6A CN202410235252A CN117809192B CN 117809192 B CN117809192 B CN 117809192B CN 202410235252 A CN202410235252 A CN 202410235252A CN 117809192 B CN117809192 B CN 117809192B
- Authority
- CN
- China
- Prior art keywords
- thunderstorm
- dimensional
- radar
- data
- monomers
- 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 31
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 25
- 239000000178 monomer Substances 0.000 claims abstract description 61
- 238000002310 reflectometry Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000000704 physical effect Effects 0.000 abstract description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于DENCLUE聚类算法的雷暴识别方法,通过对原始雷达数据进行预处理,提高回波数据连续性,并将回波数据插值到笛卡尔坐标系的三维网格中,随后根据反射率因子阈值对雷达强度图中的反射率因子信息进行划分,加以识别所有等高面的二维雷暴分量,对识别出的雷暴单体消除其之间的虚假合并,并对相邻等高面上的二维雷暴分量进行垂直关联,构建三维雷暴单体模型,最后对每个雷暴单体特征量进行提取并计算所有构建的三维雷暴单体的特征量;本发明通过根据高精度雷达图像中准确识别出雷暴单体,并且能够给出雷暴单体的三维结构以及雷暴单体的各项物理属性。
Description
技术领域
本发明涉及雷达探测与识别技术领域,具体涉及一种基于DENCLUE聚类算法的雷暴识别方法。
背景技术
雷暴是由对流旺盛的积雨云所产生的强对流天气系统,常伴有强烈的风切变、湍流、闪电、暴雨、和大风,有时还会出现冰雹、龙卷和下击暴流等灾害性天气现象,具有水平尺度小和生存期短的特征。雷达以体积扫描的方式,探测到雷暴的三维回波数据,是雷暴识别的关键数据。识别出雷暴后,其空间位置、移动路径等特征可进一步确定。因此,利用天气雷达回波数据进行雷暴识别是雷暴研究中的一个重要环节。
自20世纪50年代开始,天气雷达对雷暴的自动识别技术得到了很大发展,过去几十年中提出了许多基于雷达数据的雷暴识别算法。这些算法主要分为三类:
1)基于多个反射率因子阈值的雷暴识别方法:先基于一个或多个反射率因子阈值,识别出不同径向上的雷暴段,然后合并相邻径向的雷暴段,形成二维雷暴区,再将不同探测仰角上识别出的二维雷暴区进行垂直关联,形成三维雷暴单体。由于该类方法计算量较小,简单易行的特性,有着十分广泛的应用。但是雷暴活动过程中的分裂、合并没有充分考虑,忽视雷暴群体的活动特征。
2)基于闪电数据的雷暴识别方法:因为闪电位置集中区和雷暴发生位置之间存在必然的关系,所以结合闪电集中区和雷达回波数据、对雷暴进行识别。但是仅仅只能对雷暴区域位置进行定位,不能提供更多反映雷暴属性的物理信息。
3)基于机器学习的方法:使用人工选择的雷暴雷达图像训练诸如支持向量机、随机森林模型对雷达图像进行分类,实现雷暴的机器学习。该方法需要人工进行图像特征的筛选和标注,使得特征提取过程较为低效,并且难以找出多种雷暴情形下的匹配雷达回波数据。
近几年流行的基于卷积神经网络CNN(Convolutional Neural Networks)的深度机器学习方法,使用大量的雷达回波图像数据,通过构建深层的神经网络模型,自动提取数据特征,获得高精度的雷暴识别结果。但这种模型的训练仅基于图形学的原理,缺乏物理过程,无法充分利用雷达数据的真实物理意义,对初生雷暴单体或强度较弱的雷暴单体识别能力较弱。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种能够根据高精度雷达数据,不仅在雷达图像中准确识别出雷暴单体,还能给出雷暴单体的三维结构以及雷暴单体的各种物理属性的基于DENCLUE的雷暴识别方法。
为实现上述目的,本发明采用的技术方案为:一种基于DENCLUE聚类算法的雷暴识别方法,包括如下步骤:
步骤一:通过天气雷达观测到完整的雷暴天气过程中的雷达基数据,使用雷达基数据中的反射率数据作为原始的雷达数据;
步骤二:雷达数据预处理,雷达数据中包含地物杂波等非气象数据,需要预先进行杂波的去除、孤立回波去除、滑动平均处理;
步骤三:将雷达极坐标系数据按照径向和方位插值到笛卡尔坐标系的三维网格中;
步骤四:采用反射率因子阈值对雷达回波强度数据进行划分;
步骤五:基于DENCLUE聚类算法识别1km-19km高度上共19层等高面的所有二维雷暴分量;
步骤六:对识别出的雷暴单体进行“腐蚀-膨胀”操作消除雷暴单体间虚假合并的现象;
步骤七:对相邻等高面上的二维雷暴分量进行垂直关联;基于垂直方向上每层等高面上的二维雷暴分量之间投影的重叠面积,对二维雷暴分量进行垂直关联构建三维雷暴单体模型并储存为由反射率因子描述的多边形区域;最后计算所有三维雷暴单体的特征量,对每个雷暴单体的特征量进行提取;
步骤八:针对单偏振或双偏振S波段天气雷达观测到的回波强度数据,先进行杂波剔除等预处理,然后使用DENCLUE聚类算法识别出雷暴单体在19层等高面上的二维雷暴分量,再对相邻等高面上的二维雷暴分量进行垂直关联构建三维雷暴单体,最后对每个雷暴单体的特征量进行提取,从而完成对雷暴单体的识别和特征提取。
作为本发明的一种优选实施方式:所述步骤二中,雷达数据预处理具体为:
首先,以当前回波点为中心,取3×3的滑动窗口,若窗口内的回波大于13dBZ,则判断该点为地物回波点并剔除;然后以当前回波点为中心,取5×5的滑动窗口,若窗口内有效的反射率因子值所占百分比小于70%,判断该点为孤立回波点并剔除;再对径向5像素、切向3像素区域进行滑动平均,用于提高回波数据的连续性。
作为本发明的一种优选实施方式:所述步骤三中,将雷达极坐标系数据按照径向和方位的最近邻居法和垂直线性内插法、插值到笛卡尔坐标系的三维网格中;雷达站为网格中心、雷达探测半径230km为网格半径;网格点分辨率为1km×1km×1km,垂直高度从1km到19km共19层,正北方向设为Y轴正方向。
作为本发明的一种优选实施方式:所述步骤四中,反射率因子阈值分别为30dBZ、35dBZ、40dBZ、45dBZ、50dBZ、60dBZ。
作为本发明的一种优选实施方式:所述步骤七中,所述雷暴单体的特征量包括:体积、质心、回波顶高和底高、雷暴单体厚度、最大反射率因子、平均反射率因子、倾角、垂直液态含水量以及二维平面投影特性。
本发明相比现有技术,具有以下有益效果:
本发明能够通过根据高精度雷达图像中准确识别出雷暴单体,并且能够给出雷暴单体的三维结构以及雷暴单体的各项物理属性,充分利用了雷达数据的真实物理意义。
通过DENCLUE聚类算法可以更好地识别雷暴参量,包括体积、回波顶高、最大反射率因子、平均反射率因子、雷暴倾角、投影区域面积、投影区域拟合椭圆特性等,并大幅提升了相邻雷暴识别的准确性。且该算法不需要事先知道识别的雷暴分量数量,并可以识别任意形状的二维雷暴分量。
附图说明
图1为本发明中基于DENCLUE聚类算法的雷暴识别方法流程图;
图2为本发明中未经过数据预处理的0.48°仰角PPI反射率因子图;
图3为本发明中未经过数据预处理的1km等高面CAPPI反射率因子图;
图4为本发明中未经过数据预处理的CAPPI反射率因子三维切片图(1-19km);
图5为本发明中多阈值识别雷暴簇中强雷暴分量识别结果示意图;
图6为本发明中雷暴单体强中心提取结果示意图;
图7为本发明中雷暴虚假合并现象及腐蚀膨胀处理后的结果示意图;(实线表示虚假合并现象,虚线表示腐蚀膨胀结果)
图8为本发明实施例中距离相近的两个雷暴单体经过腐蚀膨胀处理后被算法识别为两个不同的雷暴单体示意图(红色和蓝色封闭曲线表示两个不同雷暴的范围);
图9为本发明实例所提供的雷暴单体三维结构识别结果;
图10为本发明中雷暴单体三维结构识别的投影结果;
图11为本发明中SCIT雷暴识别算法的结果对比图;
图12为本发明实例所提供的雷暴发展过程中雷暴单体体积随时间变化示意图;
图13本发明实例所提供的雷暴发展过程中雷暴单体顶高随时间变化示意图;
图14本发明实例所提供的雷暴发展过程中雷暴单体最大反射率因子随时间变化示意图;
图15本发明实例所提供的雷暴发展过程中雷暴单体平均反射率因子随时间变化示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示为一种基于DENCLUE聚类算法的雷暴识别方法,其包括如下步骤:
步骤一:通过天气雷达观测到完整的雷暴天气过程中的雷达基数据,使用雷达基数据中的反射率数据作为原始的雷达数据;
步骤二:雷达数据预处理,雷达数据中包含地物杂波等非气象数据,需要预先进行杂波的去除、孤立回波去除、滑动平均处理;
步骤三:将雷达极坐标系数据按照径向和方位插值到笛卡尔坐标系的三维网格中;
步骤四:采用反射率因子阈值对雷达回波强度数据进行划分;
步骤五:基于DENCLUE聚类算法识别1km-19km高度上共19层等高面的所有二维雷暴分量;
步骤六:对识别出的雷暴单体进行“腐蚀-膨胀”操作消除雷暴单体间虚假合并的现象;
步骤七:对相邻等高面上的二维雷暴分量进行垂直关联;基于垂直方向上每层等高面上的二维雷暴分量之间投影的重叠面积,对二维雷暴分量进行垂直关联构建三维雷暴单体模型并储存为由反射率因子描述的多边形区域;最后计算所有三维雷暴单体的特征量,对每个雷暴单体的特征量进行提取;
步骤八:针对单偏振或双偏振S波段天气雷达观测到的回波强度数据,先进行杂波剔除等预处理,然后使用DENCLUE聚类算法识别出雷暴单体在19层等高面上的二维雷暴分量,再对相邻等高面上的二维雷暴分量进行垂直关联构建三维雷暴单体,最后对每个雷暴单体的特征量进行提取,从而完成对雷暴单体的识别和特征提取。
实施例1
如图2-15所示,一种基于DENCLUE聚类算法的雷暴识别方法,其包括如下步骤:
步骤一:利用广州CINRAD/SA天气雷达观测到的2014年5月21日7:24-9:36UTC广州黄埔等地发生的完整雷暴天气过程的雷达基数据,使用雷达基数据中的反射率数据作为识别雷暴系统的原始资料。
步骤二:对反射率数据进行杂波的去除、孤立回波去除、滑动平均处理。如图2-4所示,以当前回波点为中心,取3×3的滑动窗口,对窗口内的回波大于13dBZ的点进行剔除;以当前回波点为中心,取5×5的滑动窗口,对窗口内有效的反射率因子值所占百分比小于70%的回波点进行剔除;对径向5像素、切向3像素区域进行滑动平均,提高回波数据的连续性。
步骤三:为了方便后续的雷暴识别,将雷达极坐标系数据,按径向和方位的最近邻居法和垂直线性内插法(NVI)、插值到笛卡尔坐标系的三维网格中。雷达站为网格中心,网格点分辨率为1km×1km×1km,垂直高度从1km到19km共19层,正北方向设为Y轴正方向。
步骤四:采用六等级反射率因子阈值对雷达强度图中的反射率因子信息进行划分,六级阈值如图2-10所示。
步骤五:基于DENCLUE聚类算法识别所有19层等高面上的二维雷暴分量。
步骤六:对识别出的雷暴单体进行腐蚀-膨胀操作消除虚假合并现象,保留雷暴过程中反射率因子大于45dBZ的高阈值区域,其中腐蚀-膨胀操作如图7所示,实线表示虚假合并现象,虚线表示腐蚀膨胀结果。
步骤七:基于垂直方向上每层等高面上的二维雷暴分量之间投影的重叠面积,对相邻等高面上的雷暴分量进行垂直关联,根据每层等高面雷暴分量的重叠面积构建三维雷暴单体,并储存为由反射率因子描述的多边形区域,如图8所示,两个不同的封闭曲线表示两个不同雷暴的范围。
步骤八:如图12-15所示,雷暴单体识别完成后,计算并保存每个雷暴单体的如下属性:体积、质心、回波顶高和底高、雷暴单体厚度、最大反射率因子、平均反射率因子、倾角、垂直液态含水量以及二维平面投影特性,其中面积、质心、投影区域拟合椭圆长轴和短轴偏心率、椭圆长轴相对于X轴正方向的夹角。
本发明通过根据高精度雷达图像中准确识别出雷暴单体,并且能够给出雷暴单体的三维结构以及雷暴单体的各项物理属性,充分利用雷达数据的真实物理意义,对初生雷暴单体或强度较弱的雷暴单体识别能力较强。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于DENCLUE聚类算法的雷暴识别方法,其特征在于,包括如下步骤:
步骤一:通过天气雷达观测到完整的雷暴天气过程中的雷达基数据,使用雷达基数据中的反射率数据作为原始的雷达数据;
步骤二:雷达数据预处理,雷达数据中包含地物杂波非气象数据,需要预先进行杂波的去除、孤立回波去除、滑动平均处理;
步骤三:将雷达极坐标系数据按照径向和方位插值到笛卡尔坐标系的三维网格中;
步骤四:采用反射率因子阈值对雷达回波强度数据进行划分;
步骤五:基于DENCLUE聚类算法识别1km-19km高度上共19层等高面的所有二维雷暴分量;
步骤六:对识别出的雷暴单体进行“腐蚀-膨胀”操作消除雷暴单体间虚假合并的现象;
步骤七:对相邻等高面上的二维雷暴分量进行垂直关联;基于垂直方向上每层等高面上的二维雷暴分量之间投影的重叠面积,对二维雷暴分量进行垂直关联构建三维雷暴单体模型并储存为由反射率因子描述的多边形区域;最后计算所有三维雷暴单体的特征量,对每个雷暴单体的特征量进行提取;
步骤八:针对单偏振或双偏振S波段天气雷达观测到的回波强度数据,先进行杂波剔除预处理,然后使用DENCLUE聚类算法识别出雷暴单体在19层等高面上的二维雷暴分量,再对相邻等高面上的二维雷暴分量进行垂直关联构建三维雷暴单体,最后对每个雷暴单体的特征量进行提取,从而完成对雷暴单体的识别和特征提取。
2.根据权利要求1所述的一种基于DENCLUE聚类算法的雷暴识别方法,其特征在于,所述步骤二中,雷达数据预处理具体为:
首先,以当前回波点为中心,取3×3的滑动窗口,若窗口内的回波大于13dBZ,则判断该点为地物回波点并剔除;然后以当前回波点为中心,取5×5的滑动窗口,若窗口内有效的反射率因子值所占百分比小于70%,判断该点为孤立回波点并剔除;再对径向5像素、切向3像素区域进行滑动平均,用于提高回波数据的连续性。
3.根据权利要求1所述的一种基于DENCLUE聚类算法的雷暴识别方法,其特征在于,所述步骤三中,将雷达极坐标系数据按照径向和方位的最近邻居法和垂直线性内插法、插值到笛卡尔坐标系的三维网格中;雷达站为网格中心、雷达探测半径230km为网格半径;网格点分辨率为1km×1km×1km,垂直高度从1km到19km共19层,正北方向设为Y轴正方向。
4.根据权利要求1所述的一种基于DENCLUE聚类算法的雷暴识别方法,其特征在于,所述步骤四中,反射率因子阈值分别为30dBZ、35dBZ、40dBZ、45dBZ、50dBZ、60dBZ。
5.根据权利要求1所述的一种基于DENCLUE聚类算法的雷暴识别方法,其特征在于,所述步骤七中,所述雷暴单体的特征量包括:体积、质心、回波顶高和底高、雷暴单体厚度、最大反射率因子、平均反射率因子、倾角、垂直液态含水量以及二维平面投影特性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410235252.6A CN117809192B (zh) | 2024-03-01 | 2024-03-01 | 一种基于denclue聚类算法的雷暴识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410235252.6A CN117809192B (zh) | 2024-03-01 | 2024-03-01 | 一种基于denclue聚类算法的雷暴识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117809192A CN117809192A (zh) | 2024-04-02 |
CN117809192B true CN117809192B (zh) | 2024-04-26 |
Family
ID=90422052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410235252.6A Active CN117809192B (zh) | 2024-03-01 | 2024-03-01 | 一种基于denclue聚类算法的雷暴识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117809192B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5610813A (en) * | 1994-10-06 | 1997-03-11 | B. F. Goodrich Flightsystems, Inc. | Thunderstorm cell detection and mapping system for identifying and ranging thunderstorm cells by clustering single strike lightning observations |
CN107843884A (zh) * | 2017-09-13 | 2018-03-27 | 成都信息工程大学 | 基于双偏振雷达观测提高雷暴天气预警预报准确度的方法 |
CN211653137U (zh) * | 2020-02-21 | 2020-10-09 | 厦门大恒科技有限公司 | 一种雷电综合探测预警系统 |
CN113204903A (zh) * | 2021-04-29 | 2021-08-03 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种预测雷电的方法 |
CN113361500A (zh) * | 2021-08-09 | 2021-09-07 | 江苏羽驰区块链科技研究院有限公司 | 面向多尺度雷暴的基于dwt和cfsfd的识别算法 |
CN113900103A (zh) * | 2021-08-23 | 2022-01-07 | 王磊 | 突发性强对流灾害天气自适应快速识别预警改进算法 |
CN114019514A (zh) * | 2021-11-25 | 2022-02-08 | 浙江省气象台 | 一种雷暴大风预警方法、系统、设备及终端 |
CN114254692A (zh) * | 2021-11-09 | 2022-03-29 | 国网山东省电力公司检修公司 | 基于多源闪电数据的多尺度的雷暴智能分类与识别方法 |
CN114705922A (zh) * | 2022-03-28 | 2022-07-05 | 丁旻 | 多参数、多算法集成的雷电精细化监测预警算法 |
CN115792918A (zh) * | 2022-12-07 | 2023-03-14 | 中国民用航空飞行学院 | 基于多源数据融合的配料法识别航空对流风险区的方法 |
CN116500703A (zh) * | 2023-06-28 | 2023-07-28 | 成都信息工程大学 | 一种雷暴单体识别方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679183B (zh) * | 2017-09-29 | 2020-11-06 | 百度在线网络技术(北京)有限公司 | 分类器用训练数据获取方法和装置、服务器及存储介质 |
-
2024
- 2024-03-01 CN CN202410235252.6A patent/CN117809192B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5610813A (en) * | 1994-10-06 | 1997-03-11 | B. F. Goodrich Flightsystems, Inc. | Thunderstorm cell detection and mapping system for identifying and ranging thunderstorm cells by clustering single strike lightning observations |
CN107843884A (zh) * | 2017-09-13 | 2018-03-27 | 成都信息工程大学 | 基于双偏振雷达观测提高雷暴天气预警预报准确度的方法 |
CN211653137U (zh) * | 2020-02-21 | 2020-10-09 | 厦门大恒科技有限公司 | 一种雷电综合探测预警系统 |
CN113204903A (zh) * | 2021-04-29 | 2021-08-03 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种预测雷电的方法 |
CN113361500A (zh) * | 2021-08-09 | 2021-09-07 | 江苏羽驰区块链科技研究院有限公司 | 面向多尺度雷暴的基于dwt和cfsfd的识别算法 |
CN113900103A (zh) * | 2021-08-23 | 2022-01-07 | 王磊 | 突发性强对流灾害天气自适应快速识别预警改进算法 |
CN114254692A (zh) * | 2021-11-09 | 2022-03-29 | 国网山东省电力公司检修公司 | 基于多源闪电数据的多尺度的雷暴智能分类与识别方法 |
CN114019514A (zh) * | 2021-11-25 | 2022-02-08 | 浙江省气象台 | 一种雷暴大风预警方法、系统、设备及终端 |
CN114705922A (zh) * | 2022-03-28 | 2022-07-05 | 丁旻 | 多参数、多算法集成的雷电精细化监测预警算法 |
CN115792918A (zh) * | 2022-12-07 | 2023-03-14 | 中国民用航空飞行学院 | 基于多源数据融合的配料法识别航空对流风险区的方法 |
CN116500703A (zh) * | 2023-06-28 | 2023-07-28 | 成都信息工程大学 | 一种雷暴单体识别方法和装置 |
Non-Patent Citations (2)
Title |
---|
Lili He等.Method of Identifying Thunderstorm Clouds in Satellite CloudImage Based on Clustering.《cmc》.第57卷(第3期),第549-570页. * |
The life-cycle of hailstorms: Lightning, radar reflectivity and rotation characteristics;panelKathrin Wapler;《Atmospheric Research》;20170901;第193卷;第60-72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117809192A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113409314B (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
CN111398949B (zh) | 一种基于组网x波段雷达自适应协同扫描方法 | |
CN105512665A (zh) | 一种机载激光雷达点云数据边缘提取方法 | |
CN105488770A (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN108254750B (zh) | 一种基于雷达资料的下击暴流智能识别预警方法 | |
CN104237890B (zh) | 一种由“列车效应”引起的暴雨识别及预报方法 | |
CN116482644B (zh) | 一种海雾识别方法 | |
Zheng et al. | Building recognition of UAV remote sensing images by deep learning | |
CN111929687B (zh) | 一种龙卷涡旋特征自动识别算法 | |
CN113900103A (zh) | 突发性强对流灾害天气自适应快速识别预警改进算法 | |
CN116051822A (zh) | 凹障碍的识别方法和装置、处理器及电子设备 | |
KR101221793B1 (ko) | 위험기상과 관련된 반사도 셀의 추적 방법 | |
CN111736156B (zh) | 一种基于天气雷达的逆风区识别方法与装置 | |
CN117809192B (zh) | 一种基于denclue聚类算法的雷暴识别方法 | |
CN112946655B (zh) | 基于近地面散度场的下击暴流识别方法、设备及存储介质 | |
CN112731564B (zh) | 一种基于多普勒天气雷达数据的雷电智能预报方法 | |
CN111142075B (zh) | 一种道面微小目标检测雷达杂波图自动更新方法 | |
CN113238230A (zh) | 一种针对电网生产的夏季强对流引起的大风预警方法 | |
CN116430336B (zh) | 基于自适应阈值的对流单体识别方法 | |
CN112101250A (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
CN109975892B (zh) | 一种寒潮天气500hPa环流形势的自动识别方法 | |
Wang et al. | Hail storms recognition based on convolutional neural network | |
Sun et al. | A Wave Texture Difference Method for Rainfall Detection Using X‐Band Marine Radar | |
CN113960552A (zh) | 一种基于晴空回波的天气雷达遮挡角识别方法及系统 | |
CN113936166A (zh) | 一种基于多普勒天气雷达数据的冰雹回波识别方法及系统 |
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 |