CN117872508A - 一种欧亚地区冷锋路径的自动追踪方法 - Google Patents
一种欧亚地区冷锋路径的自动追踪方法 Download PDFInfo
- Publication number
- CN117872508A CN117872508A CN202410282363.2A CN202410282363A CN117872508A CN 117872508 A CN117872508 A CN 117872508A CN 202410282363 A CN202410282363 A CN 202410282363A CN 117872508 A CN117872508 A CN 117872508A
- Authority
- CN
- China
- Prior art keywords
- cold
- cold front
- fronts
- continuous
- tracking
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种欧亚地区冷锋路径的自动追踪方法,包括步骤:S1,收集欧亚地区的冷锋数据集;S2,读取冷锋数据集中各冷锋的经度、纬度范围和对应的时间,获得各个时次冷锋的具体位置;S3,以冷锋所在经纬度范围划定搜索框,根据不同的冷锋走向划定不同的搜索框;S4,检索下一时次在搜索框内的冷锋数目;S5,确定连续冷锋;S6,重复步骤S4、S5,对下一时次的连续冷锋进行追踪,并对追踪的连续冷锋作标记;S7,当搜索框内检索不到连续冷锋时,则连续冷锋追踪结束;S8,将追踪到的各连续冷锋的中心点的连线确定为连续冷锋的移动路径。本发明实现对欧亚大陆连续冷锋及其移动路径自动识别,提高识别追踪的效率和准确性。
Description
技术领域
本发明涉及锋面路径追踪技术领域,尤其涉及一种欧亚地区冷锋路径的自动追踪方法。
背景技术
冷锋是中纬度地区的重要天气系统之一,其移动路径对天气变化和降水分布具有重要影响,在它移动经过的地区,常伴随着许多强烈天气现象的发生,造成我国冬季最主要的灾害性天气。因此准确预报和分析冷锋移动路径对应对冷锋降温和风雨影响至关重要,正确认识冷锋路径活动规律可以帮助预测路径和理解天气变化。
目前,冷锋路径的预报和分析主要依赖于人工分析,过程较为复杂,需要考虑气压场、温度场、风场等多个气象要素分布特征,且人工分析具有主观性,可能影响结果的确定性和可靠性。冷锋移动路径的分析常基于冷锋的识别,虽已有学者提出冷锋的自动识别方法,但仍缺少基于自动识别的冷锋路径的自动追踪方法。因此实现冷锋移动路径的自动识别和追踪对于加深冷锋活动规律认识、提高风雨预测水平以及推动气象业务的现代化发展具有重要意义。
发明内容
发明目的:本发明的目的是提供一种欧亚地区冷锋路径的自动追踪方法,能实现连续冷锋及其移动路径的自动识别,提高气象科研工作中对欧亚大陆连续冷锋及其移动路径的识别追踪的效率和准确性。
技术方案:本发明欧亚地区连续冷锋路径的自动追踪方法,包括步骤如下:
S1,收集欧亚地区的冷锋数据集;
S2,读取冷锋数据集中各冷锋的经度、纬度范围和对应的时间,获得各个时次冷锋的具体位置;
S3,以冷锋所在经纬度范围划定搜索框,根据不同的冷锋走向划定不同的搜索框;
S4,检索下一时次在搜索框内的冷锋数目;
S5,确定连续冷锋;
S6,重复步骤S4、S5,对下一时次的连续冷锋进行追踪,并对追踪的连续冷锋作标记;
S7,当搜索框内检索不到连续冷锋时,则连续冷锋追踪结束;
S8,将追踪到的各连续冷锋的中心点连线确定为连续冷锋的移动路径。
进一步,对于收集的冷锋数据集,每个时次为一个数据,每个时次内每条冷锋有不同的标记:A1,A2,A3,…,An;数据时间分辨率为12h,空间分辨率为0.25°*0.25°,格式为.grd格式。
进一步,步骤S3中,划定搜索框的原则如下:
对于南北走向的冷锋,即冷锋的纬向跨度大于5°,仅将搜索框向东扩展7.5°;
对于东西走向的冷锋,即冷锋的纬向跨度小于等于5°,将搜索框向东和向南同时扩展7.5°。
进一步,对每一时次的冷锋进行逐条追踪,当12h 后搜索框中检索到冷锋,则认为两支冷锋为连续冷锋;各连续冷锋中心点的连线为冷锋活动路径,并以连续冷锋的经纬度范围继续对下一时次进行检索;
当追踪范围内出现两条及以上的冷锋时,以追踪范围内所占格点数多的冷锋作为连续冷锋。
进一步,步骤S4中,设对t0时次冷锋a0进行路径追踪,判定冷锋的走向后,划定搜索框;接着检索下一时次t1搜索框内存在冷锋数量N,当N大于0时,对N条冷锋进行位置判定,其中冷锋数量N不包括被识别为其它冷锋的连续冷锋。
进一步,步骤S5中,确定连续冷锋的实现步骤如下:
S51,对t1时次N条冷锋与冷锋a0的位置进行条件判断;N条冷锋的位置应满足以下条件之一:冷锋中心点在冷锋a0的东边或重合;或者中心点在西边但距离不超过2.5个经度;
S52,设满足步骤S51条件的冷锋数量为P,则有:
当P=1时,则冷锋自动识别为冷锋a0的连续冷锋;
当P>1时,则P条冷锋中冷锋数据所占的格点最多的一条被识别为a0的连续冷锋。
本发明与现有技术相比,其显著效果如下:
本发明基于自动识别冷锋数据,利用范围追踪方法,将冷锋走向与检索范围相联系,实现了连续冷锋及其移动路径的自动识别;提高了气象科研工作中对欧亚大陆连续冷锋及其移动路径的识别追踪的效率和准确性。
附图说明
图1为本发明的整体实施流程示意图;
图2中的(a)为2003年1月17日00时识别的所有冷锋示意图(黑线为冷锋,黑色实线框为标号为4的冷锋的经纬度范围向东扩展 7.5°的范围);(b)为2003年1月17日12时的识别的所有冷锋示意图(灰线为该时次的冷锋);(c)为2003年1 月17 日 00:00 -19日12:00UTC 的冷锋(黑线)及冷锋路径(灰线);
图3中的(a)为2012年4月29日00:00 UTC海平面气压场和冷锋示意图;(b)为2012年4月29日00:00 UTC-12:00 UTC 的冷锋示意图;(c)为2012年4月29日12:00 UTC 的海平面气压场和冷锋示意图(等值线为海平面气压,单位:hPa;黑线为冷锋;黑色实线框为冷锋经纬度范围,虚线框分别为将实线框向东扩展 5°、7.5°、10°);
图4中的(a)为2004年3月2日12:00 UTC 、(b)为2004年3月2日12:00 UTC-3日00:00 UTC 的冷锋示意图(黑线为冷锋;黑色实线框为冷锋经纬度范围,虚线框分别为将实线框向东扩展 5°、7.5°、10°,标号为1的冷锋为扩展 10°的搜索框追踪到的连续冷锋,标号为2的冷锋为扩展 7.5°的搜索框追踪到的连续冷锋);
(c)为2004年3月2日12:00 UTC 、(d)为2004年3月3日00:00 UTC的海平面气压场和冷锋示意图(等值线为海平面气压,单位:hPa;黑线为冷锋);
(e)为2004年3月2日12:00 UTC 、(f)为2004年3月3日00:00 UTC的850 hPa 温度平流场和冷锋(黑线为冷锋;阴影为温度平流,单位:10-4 );
图5中的(a)为2012年3 月 14日 00:00 UTC、(c)为2012年3 月 14日 00:00 UTC的海平面气压场和冷锋;(b)为2012年3 月 14 日 12:00 -12:00 UTC、(d)为2012年3 月14日 00:00 -12:00 UTC 的冷锋及冷锋路径;(等值线为海平面气压,单位:hPa;黑线为冷锋,灰线为冷锋路径;黑色实线框为冷锋经纬度范围,虚线框分别为将实线框向东扩展 7.5°、同时向东向南扩展 7.5°)。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
本发明提出一种欧亚地区连续冷锋路径的自动追踪方法,追踪数据源为自动识别的冷锋数据集,追踪方法基于范围追踪。对每一时次的冷锋进行逐条追踪,追踪时以冷锋所在经纬度范围划定搜索框,当12h 后搜索框中检索到冷锋,则认为两支冷锋为连续冷锋;连续冷锋中点的连线为冷锋活动路径。并以连续冷锋的经纬度范围继续对下一时次进行检索,直至搜索框中检索不到连续冷锋为止,此外,当追踪范围内出现两条及以上的冷锋时,以追踪范围内所占格点数多的冷锋作为连续冷锋。
如图1所示,本发明的自动追踪方法包括如下步骤:
步骤S1,冷锋数据的收集。
收集基于深度学习的欧亚地区自动识别冷锋数据集,每个时次为一个数据,每个时次内每条冷锋有不同的标记A1,A2,A3,…,An,数据时间分辨率为12h,空间分辨率为0.25°*0.25°,格式为.grd格式。
步骤S2,数据读取。
读取自动识别冷锋数据集中各冷锋的经度、纬度范围和对应的时间,获得各个时次的冷锋的具体位置。
步骤S3,追踪方式的确定。
基于范围追踪,对每一时次的冷锋进行逐条追踪。追踪时以冷锋所在经纬度范围划定搜索框,对于不同的冷锋走向划定搜索框的方式不同。经过敏感性试验后,最终确定对于南北走向的冷锋(即冷锋的纬向跨度大于5°),仅将搜索框向东扩展7.5°。但是对于东西走向的冷锋,由于冷锋的纬向跨度很小,如果冷锋向东南移动,仅向东扩展搜索框有可能会产生检索遗漏,所以对于东西走向的冷锋(即冷锋的纬向跨度小于等于5°),将搜索框向东和向南同时扩展7.5°。
步骤S4,检索方式的确定。
假设对t0时次冷锋a0进行路径追踪,判定冷锋的走向后,划定搜索框,接着检索下一时次t1搜索框内存在的冷锋数量M,除去被识别为其它冷锋的连续冷锋外还存在冷锋数量N,当N大于0时,对N条冷锋进行位置判断。
步骤S5,连续冷锋的确定。
步骤S51,对t1时次N条冷锋与冷锋a0的位置进行条件判断,N条冷锋的位置必须满足以下两个条件之一:冷锋中心点在冷锋a0的东边或重合,或者中心点在西边但距离不超过2.5个经度;
步骤S52,设满足步骤S51条件的冷锋数量为P:
当P=1时,则冷锋自动识别为冷锋a0的连续冷锋a1;
当P>1时,则P条冷锋中冷锋数据所占的格点最多的一条被识别为a0的连续冷锋a1。
步骤S6,按照上述步骤S4~S5,继续对冷锋a1进行t2时次的连续冷锋追踪,将追踪到的连续冷锋标记为a2。
步骤S7,追踪结束的判定。追踪至tn时次,当搜索框内检索不到连续冷锋时,则冷锋a(n-1)的连续冷锋追踪结束。
步骤S8,追踪路径的确定。追踪到的连续冷锋a0、a1、a2、a(n-1)的中心点连线确定为连续冷锋的移动路径。
实施例一:如图2为2003年1月17日00时一条冷锋的路径追踪过程,具体实施步骤如下:
步骤A1,读取2003年1月17日00时的自动识别冷锋数据,数据空间分辨率为0.25*0.25°,格式为grd格式。
该时次共有冷锋7条,每条冷锋所在格点值分别为1,2,3,4,5,6,7,分别标号为1,2,3,4,5,6,7,选择格点值为4即图2中的(a)图所示的标号为4的冷锋进行路径追踪。
步骤A2,确定搜索范围。
读取标号为4的冷锋的经纬度信息,计算其最北端与最南端的距离,因为大于20个格点即5个纬度,所以将搜索框设为在冷锋所在经纬度范围基础上再向东扩展7.5度,如图2中的(a)图中的黑框。
步骤A3,读取12h后2003年1月17日12时的自动识别冷锋数据,该时刻共有冷锋6条,但在搜索框范围内的冷锋只有一条(图2中的(b)图中位于黑色搜索框内的灰色冷锋),该条冷锋即识别为连续冷锋,连续冷锋中点之间的轨迹为冷锋活动路径的一部分。
步骤A4,对步骤A3中识别出的连续冷锋的纬向跨度进行判断确定搜索框,继续对下一时次的冷锋进行检索,直至搜索框中检索不到连续冷锋为止,图 2中的(c)图 为自动追踪到的 2003 年 1 月 17 日 00 时标号为4的冷锋的所有连续冷锋,各连续冷锋中心点连线为连续冷锋的移动路径。此外,当追踪范围内出现两条冷锋时,以追踪范围内所占格点数多的冷锋作为连续冷锋。
实施例二:图3所示为2012 年 4月 29日 00:00 UTC 的冷锋路径自动追踪过程,用于评估追踪范围敏感性。4 月 29日 00时有一条中心点位于70°E、55°N附近的冷锋,该冷锋位于西西伯利亚平原的气旋中(如图3中的(a)图)。4 月 29 日12 时冷锋随气旋快速东移至80°E附近(如图3中的(c)图),两支冷锋为连续冷锋。图 3中的(b)图中的实线框为26日12时的冷锋经纬度范围,虚线框为分别将原始范围向东扩展5°、7.5°、10°后的搜索框,可见对于这类移动较快的冷锋,将原始范围和向东扩展5°作为搜索框都将会丢失该连续冷锋,只有将搜索框扩展7.5°或10°才可以追踪到此类移速较快的连续冷锋。
实施例三:如图4所示为2004 年 3月 2日 12:00 UTC 的冷锋路径自动追踪过程,用于评估追踪范围敏感性。基于实施案例2,为了进一步确定冷锋经纬度的扩展范围,分析将追踪范围向东扩展 7.5°和 10°的冷锋追踪结果。以 2004年3月2日12 时的冷锋为例,该冷锋中心点位于110°E、35°N附近,位于高压前沿,分别将冷锋所在经纬度范围向东扩展7.5°、10°,扩展 7.5°的搜索框追踪到的连续冷锋为标号为2的冷锋,而扩展 10°的搜索框追踪到的连续冷锋为标号为1的冷锋(图4中的(a)图和(b)图)。结合地面气压场(图4中的(c)图和(d)图)和850 hPa温度平流场(图4中的(e)图和(f)图)可知,随着高压东南移,连续冷锋为标号为2的冷锋,这表明将追踪范围扩展10°会造成对连续冷锋的误判。因此,经综合分析,本发明将冷锋追踪标准定为扩展 7.5°。
实施例四:图5展示了对于纬度跨度较小的冷锋路径自动追踪过程。2012 年3月14日00 时有一条中心点位于30°E、50°N附近的冷锋,冷锋位于低压槽中(图5中的(a)图)。14日 12时低压东南移,冷锋随之东南移,中心点位于45°E、47°N附近(如图5中的(c)图)。由图5中的(b)图可见,14日00时冷锋虽为东北-西南走向,但纬度跨度较小,且移速较快,若仅将冷锋经纬度范围向东扩展 7.5°作为搜索框,则无法追踪其移动路径。因此对于这类冷锋,将经纬度范围同时向东、向南扩展 7.5°作为搜索框,能够更加准确追踪冷锋的移动,图 5中的(d)图展示了对该冷锋追踪的完整路径。
综上所述,根据每支冷锋的具体形态对搜索框进行扩展的方法能够较好的对冷锋路径进行自动追踪。
Claims (6)
1.一种欧亚地区冷锋路径的自动追踪方法,其特征在于,包括步骤如下:
S1,收集欧亚地区的冷锋数据集;
S2,读取冷锋数据集中各冷锋的经度、纬度范围和对应的时间,获得各个时次冷锋的具体位置;
S3,以冷锋所在经纬度范围划定搜索框,根据不同的冷锋走向划定不同的搜索框;
S4,检索下一时次在搜索框内的冷锋数目;
S5,确定连续冷锋;
S6,重复步骤S4、S5,对下一时次的连续冷锋进行追踪,并对追踪的连续冷锋作标记;
S7,当搜索框内检索不到连续冷锋时,则连续冷锋追踪结束;
S8,将追踪到的各连续冷锋的中心点的连线确定为连续冷锋的移动路径。
2.根据权利要求1所述欧亚地区冷锋路径的自动追踪方法,其特征在于,对于收集的冷锋数据集,每个时次为一个数据,每个时次内每条冷锋有不同的标记:A1,A2,A3,…,An;数据时间分辨率为12h,空间分辨率为0.25°*0.25°,格式为.grd格式。
3.根据权利要求1所述欧亚地区冷锋路径的自动追踪方法,其特征在于,步骤S3中,划定搜索框的原则如下:
对于纬向跨度大于5°的冷锋定义为南北走向的冷锋,仅将搜索框向东扩展7.5°;
对于纬向跨度小于等于5°的冷锋定义为东西走向的冷锋,将搜索框向东和向南同时扩展7.5°。
4.根据权利要求1所述欧亚地区冷锋路径的自动追踪方法,其特征在于,对每一时次的冷锋进行逐条追踪,当12h 后搜索框中检索到冷锋,则认为两支冷锋为连续冷锋;连续冷锋中点的连线为冷锋活动路径,并以连续冷锋的经纬度范围继续对下一时次进行检索;
当追踪范围内出现两条及以上的冷锋时,以追踪范围内所占格点数多的冷锋作为连续冷锋。
5.根据权利要求1所述欧亚地区冷锋路径的自动追踪方法,其特征在于,步骤S4中,设对t0时次冷锋a0进行路径追踪,判定冷锋的走向后,划定搜索框;接着检索下一时次t1搜索框内存在冷锋数量N,当N大于0时,对N条冷锋进行位置判定,其中冷锋数量N不包括被识别为其它冷锋的连续冷锋。
6.根据权利要求5所述欧亚地区冷锋路径的自动追踪方法,其特征在于,步骤S5中,确定连续冷锋的实现步骤如下:
S51,对t1时次N条冷锋与冷锋a0的位置进行条件判断;N条冷锋的位置应满足以下条件之一:冷锋中心点在冷锋a0的东边或重合;或者中心点在西边但距离不超过2.5个经度;
S52,设满足步骤S51条件的冷锋数量为P,则有:
当P=1时,则冷锋自动识别为冷锋a0的连续冷锋;
当P>1时,则P条冷锋中冷锋数据所占的格点最多的一条被识别为a0的连续冷锋。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410282363.2A CN117872508B (zh) | 2024-03-13 | 2024-03-13 | 一种欧亚地区冷锋路径的自动追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410282363.2A CN117872508B (zh) | 2024-03-13 | 2024-03-13 | 一种欧亚地区冷锋路径的自动追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117872508A true CN117872508A (zh) | 2024-04-12 |
CN117872508B CN117872508B (zh) | 2024-06-11 |
Family
ID=90585032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410282363.2A Active CN117872508B (zh) | 2024-03-13 | 2024-03-13 | 一种欧亚地区冷锋路径的自动追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117872508B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558674B1 (en) * | 2006-04-24 | 2009-07-07 | Wsi, Corporation | Weather severity and characterization system |
US20110224905A1 (en) * | 2010-03-10 | 2011-09-15 | Atlas Materials Testing Technology, Llc | Methods and apparatus for accurate service life prediction |
CN106950612A (zh) * | 2017-03-14 | 2017-07-14 | 天津大学 | 一种用于气象学中自动识别并绘制冷锋的方法 |
CN112765832A (zh) * | 2021-02-02 | 2021-05-07 | 南京信息工程大学 | 一种欧亚大陆冷锋自动识别订正方法 |
US20210235638A1 (en) * | 2020-01-31 | 2021-08-05 | Lawrence Sirovich | Weather management of cyclonic events |
CN114565056A (zh) * | 2022-03-15 | 2022-05-31 | 中科三清科技有限公司 | 一种基于机器学习的冷锋前识别方法、装置、存储介质及终端 |
CN115878731A (zh) * | 2022-11-17 | 2023-03-31 | 南京信息工程大学 | 一种暖锋自动识别方法 |
CN116030401A (zh) * | 2023-03-28 | 2023-04-28 | 南京信息工程大学 | 一种基于深度学习的欧亚地区冷锋自动识别方法 |
CN116577844A (zh) * | 2023-03-28 | 2023-08-11 | 南京信息工程大学 | 一种东亚冷锋降水自动识别方法、系统 |
-
2024
- 2024-03-13 CN CN202410282363.2A patent/CN117872508B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558674B1 (en) * | 2006-04-24 | 2009-07-07 | Wsi, Corporation | Weather severity and characterization system |
US20110224905A1 (en) * | 2010-03-10 | 2011-09-15 | Atlas Materials Testing Technology, Llc | Methods and apparatus for accurate service life prediction |
CN106950612A (zh) * | 2017-03-14 | 2017-07-14 | 天津大学 | 一种用于气象学中自动识别并绘制冷锋的方法 |
US20210235638A1 (en) * | 2020-01-31 | 2021-08-05 | Lawrence Sirovich | Weather management of cyclonic events |
CN112765832A (zh) * | 2021-02-02 | 2021-05-07 | 南京信息工程大学 | 一种欧亚大陆冷锋自动识别订正方法 |
CN114565056A (zh) * | 2022-03-15 | 2022-05-31 | 中科三清科技有限公司 | 一种基于机器学习的冷锋前识别方法、装置、存储介质及终端 |
CN115878731A (zh) * | 2022-11-17 | 2023-03-31 | 南京信息工程大学 | 一种暖锋自动识别方法 |
CN116030401A (zh) * | 2023-03-28 | 2023-04-28 | 南京信息工程大学 | 一种基于深度学习的欧亚地区冷锋自动识别方法 |
CN116577844A (zh) * | 2023-03-28 | 2023-08-11 | 南京信息工程大学 | 一种东亚冷锋降水自动识别方法、系统 |
Non-Patent Citations (5)
Title |
---|
HUANG, HB; WAN, Y: "Formation of an unprecedented yellow snow episode in Xinjiang on December 1, 2018", 《HELIYON》, vol. 9, no. 8, 31 August 2023 (2023-08-31), pages 18857 * |
冯梦茹: "《中国优秀硕士学位论文全文数据库 基础科学辑》", 31 January 2022, pages: 009 - 140 * |
纪策 等: "昌吉地区一次春季强寒潮天气分析及数值模拟", 《沙漠与绿洲气象》, vol. 12, no. 01, 28 February 2018 (2018-02-28), pages 86 - 94 * |
罗菊英,丁乃千: "对鄂西南一次对流性暴雨过程的诊断分析", 《第31届中国气象学会年会S2 灾害天气监测、分析与预报》, 30 November 2014 (2014-11-30), pages 1311 - 1320 * |
贺永平 等: "2022年1月1日寒潮天气过程分析", 《农业灾害研究》, vol. 12, no. 05, 31 May 2022 (2022-05-31), pages 67 - 69 * |
Also Published As
Publication number | Publication date |
---|---|
CN117872508B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bárdossy et al. | Detection of climate change in Europe by analyzing European atmospheric circulation patterns from 1881 to 1989 | |
Kato | Quasi-stationary band-shaped precipitation systems, named “Senjo-Kousuitai”, causing localized heavy rainfall in Japan | |
Ishida et al. | Use of cokriging to estimate surface air temperature from elevation | |
Serreze | Climatological aspects of cyclone development and decay in the Arctic | |
Hanson et al. | Pacific hindcast performance of three numerical wave models | |
CN105095589B (zh) | 一种山区电网风区分布图绘制方法 | |
CN110516025B (zh) | 台风追踪系统及方法 | |
Almazroui et al. | Climatology of the 500-hPa Mediterranean storms associated with Saudi Arabia wet season precipitation | |
CN102508279B (zh) | 卫星导航系统gnss定姿测量值的处理方法及gnss定姿测量仪 | |
CN113505521A (zh) | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 | |
CN104392113B (zh) | 一种近海海面冷空气大风风速的估算方法 | |
CN115201938A (zh) | 基于雷暴高压分析的强对流天气临近预报方法及系统 | |
CN115358507A (zh) | 生产建设项目扰动图斑水土流失风险识别评估方法 | |
CN117872508B (zh) | 一种欧亚地区冷锋路径的自动追踪方法 | |
Chen et al. | Interpretation of tropical cyclone forecast sensitivity from the singular vector perspective | |
Knippertz | A simple identification scheme for upper-level troughs and its application to winter precipitation variability in northwest Africa | |
Croley et al. | Near real-time forecasting of large lake supplies | |
Trenhaile | Cirque elevation in the Canadian Cordillera | |
CN113591668A (zh) | 一种使用深度学习和空间分析的广域未知大坝自动探测方法 | |
CN112561140A (zh) | 基于东亚副热带急流和极锋急流协同变化的中国四季降水预测方法 | |
Baghbanan et al. | Spatial analysis of the temporal long-term variations in frequency of dust storm days in Iran | |
CN112686192A (zh) | 一种基于精细地形特征的滑坡稳定性分类方法 | |
Ku et al. | Extreme value analysis of the typhoon-induced surges on the coastal seas of South Korea | |
CN111899336A (zh) | 一种获取未知海域理论最低潮面模型的方法 | |
KR102639424B1 (ko) | 역학모형 및 통계적 기법을 활용한 태풍의 동아시아 상륙빈도 예측 방법 |
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 |