CN112329334B - 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 - Google Patents
一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 Download PDFInfo
- Publication number
- CN112329334B CN112329334B CN202011105498.XA CN202011105498A CN112329334B CN 112329334 B CN112329334 B CN 112329334B CN 202011105498 A CN202011105498 A CN 202011105498A CN 112329334 B CN112329334 B CN 112329334B
- Authority
- CN
- China
- Prior art keywords
- mwhts
- mwts
- sea surface
- air pressure
- surface air
- 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 28
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 230000035945 sensitivity Effects 0.000 claims abstract description 33
- 230000005855 radiation Effects 0.000 claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 22
- 238000010521 absorption reaction Methods 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004291 sulphur dioxide Substances 0.000 description 1
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00
- G01L11/002—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00 by thermal means, e.g. hypsometer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种基于模拟亮温的MWHTS和MWTS‑II融合反演海面气压方法,该方法包括分别建立大气数据集与MWHTS的观测亮温和MWTS‑II的观测亮温的匹配数据集;基于匹配数据集构造人工大气数据集,并输入到辐射传输模型RTTOV计算MWHTS和MWTS‑II的模拟亮温,测试MWHTS和MWTS‑II对海面气压的灵敏性;建立MWHTS和MWTS‑II融合反演海面气压的反演通道组合,把反演通道组合的模拟亮温作为输入,把相应的海面气压作为输出,训练BP神经网络,获得MWHTS和MWTS‑II融合反演海面气压的反演模型;利用反演通道组合的观测亮温预测反演通道组合的模拟亮温,输入到MWHTS和MWTS‑II融合反演海面气压的反演模型,反演海面气压。本方法可利用较少通道的观测亮温实现海面气压的探测,且较单一探测仪器具有较高的探测精度,操作简单易行。
Description
技术领域
本发明属于微波遥感技术领域,具体说的是一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法。
背景技术
海面气压作为大气动力学中的重要参数,在数值天气预报、气候变化研究以及热带气旋路径预测和强度分析等应用中发挥了重要作用。海面气压与大气温度和湿度等参数具有较强相关性,因此它也是影响其它大气参数探测精度的重要因素。高精度海面气压的获取对于地球科学领域中各种应用和科学研究具有重要意义。
星载微波辐射计是实现全球海面气压探测的重要手段,其探测通道设置在60GHz氧气吸收带或者118GHz氧气吸收线附近均可实现海面气压的探测。风云三号卫星C星和D星上均搭载了微波湿温探测仪(MWHTS)和微波温度计II型(MWTS-II),其中MWHTS温度探测通道(通道2~通道9)设置在118 GHz附近,MWTS-II全部13个通道设置在60 GHz附近。风云三号C星和D星的在轨运行为融合60GHz和118GHz遥感数据反演海面气压提供了可能。多频段遥感数据的融合探测往往比单一频段的遥感数据具有更加丰富的大气参数信息。因此,相比单一的探测仪器,MWHTS和MWTS-II融合反演海面气压有望获得更高的探测精度。
发明内容
为解决上述技术问题,本发明提供一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法,根据辐射传输模型计算的模拟亮温对海面气压的灵敏性,建立MWHTS和MWTS-II反演海面气压的反演通道组合,可利用较少通道的观测亮温实现海面气压的探测,且较单一探测仪器具有较高的探测精度,操作简单易行,同时,可获得与使用全部通道的观测亮温直接反演海面气压相比拟的反演精度。
为实现上述技术目的,所采用的技术方案是: 一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法,包括以下步骤:
步骤一:将建立的大气数据集与MWHTS的观测亮温在时间和空间上进行匹配,建立MWHTS匹配数据集,将建立的大气数据集与MWTS-II的观测亮温在时间和空间上进行匹配,建立MWTS-II匹配数据集;
步骤二:基于MWHTS匹配数据集和MWTS-II匹配数据集,构造对应的人工大气数据集,并输入到辐射传输模型RTTOV,分别计算MWHTS和MWTS-II的模拟亮温,测试MWHTS和MWTS-II的模拟亮温对海面气压的灵敏性;
步骤三:根据MWHTS和MWTS-II的模拟亮温对海面气压的灵敏性测试结果,建立MWHTS和MWTS-II融合反演海面气压的反演通道组合,把反演通道组合的模拟亮温作为输入,把相应的海面气压作为输出,训练BP神经网络,获得MWHTS和MWTS-II融合反演海面气压的反演模型;
步骤四:利用反演通道组合的观测亮温预测反演通道组合的模拟亮温,把反演通道组合的模拟亮温的预测值输入到MWHTS和MWTS-II融合反演海面气压的反演模型,反演海面气压。
从气候学数据集中选择温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、海面气压、表皮温度、10 m u风速和10 m v风速作为一组大气数据。
大气数据集与MWHTS的观测亮温在时间和空间上进行匹配的规则等同于大气数据集与MWHTS-II的观测亮温在时间和空间上进行匹配的规则,匹配规则为时间误差小于0.5h且经纬度误差小于0.1°。
本发明所述的MWHTS匹配数据集由80%的数据组成MWHTS分析数据集和20%的数据组成MWHTS验证数据集组成,MWTS-II匹配数据集由80%的数据组成MWHTS-II分析数据集和20%的数据组成MWHTS-II验证数据集组成。
本发明所述步骤二具体包括,首选构造人工海面气压数据集,令海面气压的起始值为960-995 hPa,按照0.1 hPa的步长增加至1020-1050 hPa,获得N个海面气压数据的人工海面气压数据集,然后在MWHTS分析数据集中随机选择一组大气数据中的温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、表皮温度,10 m u风速和10 m v风速,该组大气数据中的这些大气参数分别与人工海面气压数据集中的N个海面气压组成完整的大气数据,获得具有N组大气数据的MWHTS人工大气数据集,即在MWHTS人工大气数据集中的N组大气数据中,除了海面气压不同外,其它大气参数完全相同,按照获得MWHTS人工大气数据集相同的方法可获得MWTS-II人工大气数据集,最后把MWHTS人工大气数据集中的大气数据输入到辐射传输模型RTTOV,其中,MWHTS观测高度角设置为0°,获得MWHTS各通道的模拟亮温,建立MWHTS各通道的模拟亮温随海面气压的变化关系,获得MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果,同样,把MWTS-II人工大气数据集中的大气数据输入到辐射传输模型RTTOV,其中,MWTS-II观测高度角设置为0°,获得MWTS-II各通道的模拟亮温,建立MWTS-II各通道的模拟亮温随海面气压的变化关系,获得MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果。
本发明所述步骤三具体包括:
首先根据步骤二中MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果和MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果,选择MWHTS和MWTS-II对海面气压具有灵敏性的通道,建立MWHTS和MWTS-II反演海面气压的反演通道组合;然后,把MWHTS分析数据集中的大气数据和MWHTS观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV,获得反演通道组合中MWHTS通道的模拟亮温,把MWTS-II分析数据集中的大气数据和MWTS-II观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV,获得反演通道组合中MWHTS-II通道的模拟亮温;最后把MWHTS和MWTS-II反演海面气压的反演通道组合的模拟亮温作为输入,把相应的海面气压作为输出,训练BP神经网络,其中BP神经网络选择具有输入层、输出层和隐藏层的三层神经网络结构,通过调节隐藏层神经元的个数,获得MWHTS和MWTS-II反演海面气压的反演模型。
本发明所述步骤四具体包括:
首先在MWHTS分析数据集中,以反演通道组合中MWHTS通道的观测亮温为输入,以相应的模拟亮温为输出,训练BP神经网络,其中BP神经网络选择具有输入层、输出层和隐藏层的三层神经网络结构,通过调节隐藏层神经元个数,获得MWHTS观测亮温预测模拟亮温的MWHTS模拟亮温预测模型,在MWTS-II分析数据集中,以反演通道组合中MWTS-II通道的观测亮温为输入,以相应的模拟亮温为输出,训练BP神经网络,其中BP神经网络选择具有输入层、输出层和隐藏层的三层神经网络结构,通过调节隐藏层神经元个数,获得MWTS-II观测亮温预测模拟亮温的MWTS-II模拟亮温预测模型;然后,把MWHTS验证数据集和MWTS-II验证数据集进行数据匹配,匹配规则是MWHTS观测亮温和MWTS-II观测亮温之间的时间误差小于0.2 s且经纬度误差小于0.01°,建立反演数据集;最后把反演数据集中反演通道组合中MWHTS通道的观测亮温输入MWHTS模拟亮温预测模型,同时把反演数据集中反演通道组合中MWTS-II通道的观测亮温输入MWTS-II模拟亮温预测模型,获得反演通道组合的模拟亮温的预测值,把反演通道组合的模拟亮温的预测值输入到步骤三中获得的MWHTS和MWTS-II反演海面气压的反演模型,得到海面气压。
本发明有益效果是:本发明从辐射传输模型对海面气压的处理方式的角度出发,利用辐射传输模型计算的模拟亮温测试了MWHTS和MWTS-II各探测通道对海面气压的灵敏性,并建立了MWHTS和MWTS-II融合反演海面气压的反演通道组合。基于BP神经网络建立反演通道组合的模拟亮温反演海面气压的反演模型,利用反演通道组合的观测亮温预测模拟亮温,并输入至反演模型得到海面气压。本发明方法可利用较少通道的观测亮温实现海面气压的探测,且较单一探测仪器具有较高的探测精度,操作简单易行,同时,可获得与使用全部通道的观测亮温直接反演海面气压相比拟的反演精度。
附图说明
图1是本发明的流程图;
图2是本发明实施例1中MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果图;
图3是本发明实施例1中MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果图;
图4是本发明实施例1中反演通道组合的观测亮温预测模拟亮温前后,与模拟亮温之间的均方根误差对比图。
具体实施方式
下面结合实例及附图对本发明作进一步的描述,需要说明的是,实施例并不限定本发明要求保护的范围。
微波辐射计可通过测量氧气的垂直柱总吸收,实现海面气压探测的目的。微波辐射计设计在60 GHz氧气吸收带或者118GHz氧气吸收线附近的探测通道,均可测量氧气的垂直柱吸收,即对探测海面气压有贡献。然而,在使用辐射传输模型计算微波辐射计的模拟亮温时发现,只有探测优势位于海面或者接近海面大气层的通道对海面气压有灵敏性,其原因与辐射传输模型对海面气压的处理方式有关。辐射传输模型首先对大气进行分层,然后计算每层大气的辐射贡献,最后累加探测路径上每层大气的辐射贡献,实现微波辐射计模拟亮温的计算,而海面气压仅仅影响最底层的大气分层的辐射贡献。从辐射传输模型对海面气压的处理方式这一角度出发,可利用较少的微波辐射计通道亮温实现海面气压的探测。
一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法。该方法首先分别建立大气数据集与MWHTS的观测亮温和MWTS-II的观测亮温的匹配数据集;其次基于匹配数据集,构造人工大气数据集,并输入到辐射传输模型RTTOV,分别计算MWHTS和MWTS-II的模拟亮温,测试MWHTS和MWTS-II的模拟亮温对海面气压的灵敏性;然后建立MWHTS和MWTS-II融合反演海面气压的反演通道组合,把反演通道组合的模拟亮温作为输入,把相应的海面气压作为输出,训练BP神经网络,获得MWHTS和MWTS-II融合反演海面气压的反演模型;最后利用反演通道组合的观测亮温预测反演通道组合的模拟亮温,把反演通道组合的模拟亮温的预测值输入到MWHTS和MWTS-II融合反演海面气压的反演模型,反演海面气压。
一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法,包括以下步骤:
步骤一:将建立的大气数据集与MWHTS的观测亮温在时间和空间上进行匹配,建立MWHTS匹配数据集,将建立的大气数据集与MWTS-II的观测亮温在时间和空间上进行匹配,建立MWTS-II匹配数据集;
步骤二:基于MWHTS匹配数据集和MWTS-II匹配数据集,构造对应的人工大气数据集,并输入到辐射传输模型RTTOV,分别计算MWHTS和MWTS-II的模拟亮温,测试MWHTS和MWTS-II的模拟亮温对海面气压的灵敏性;
步骤三:根据MWHTS和MWTS-II的模拟亮温对海面气压的灵敏性测试结果,建立MWHTS和MWTS-II融合反演海面气压的反演通道组合,把反演通道组合的模拟亮温作为输入,把相应的海面气压作为输出,训练BP神经网络,获得MWHTS和MWTS-II融合反演海面气压的反演模型;
步骤四:利用反演通道组合的观测亮温预测反演通道组合的模拟亮温,把反演通道组合的模拟亮温的预测值输入到MWHTS和MWTS-II融合反演海面气压的反演模型,反演海面气压。
所述步骤一,具体包括:
首先从气候学数据集中选择温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、海面气压、表皮温度、10 m u风速和10 m v风速作为一组大气数据,组成大气数据集;然后把大气数据集与MWHTS的观测亮温在时间和空间上进行匹配,匹配规则是时间误差小于0.5 h且经纬度误差小于0.1°,建立MWHTS匹配数据集,同时,按照相同的匹配规则,把大气数据集与MWTS-II的观测亮温在时间和空间上进行匹配,建立MWTS-II匹配数据集;最后,在MWHTS匹配数据集中,选择80%的数据组成MWHTS分析数据集,剩下的20%的数据组成MWHTS验证数据集,同样,在MWTS-II匹配数据集中,选择80%的数据组成MWTS-II分析数据集,剩下的20%的数据组成MWTS-II验证数据集。
所述步骤二,具体包括:
首先构造人工海面气压数据集:令海面气压的起始值为960-995 hPa ,按照0.1hPa的步长增加至1020-1050 hPa,最优选择1040 hPa,选获得具有N个海面气压数据的人工海面气压数据集,N≥550,当选择980 hPa,按照0.1 hPa的步长增加至1040 hPa,选获得具有601个海面气压数据的人工海面气压数据集,;然后在MWHTS分析数据集中随机选择一组大气数据中的温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、表皮温度,10 m u风速和10 m v风速,该组大气数据中的这些大气参数分别与人工海面气压数据集中的N个海面气压组成完整的大气数据,获得具有N组大气数据的MWHTS人工大气数据集,即在MWHTS人工大气数据集中的N组大气数据中,除了海面气压不同外,其它大气参数完全相同,按照以上相同的方法可获得MWTS-II人工大气数据集;最后把MWHTS人工大气数据集中的大气数据输入到辐射传输模型RTTOV,其中,MWHTS观测高度角设置为0°,获得MWHTS各通道的模拟亮温,建立MWHTS各通道的模拟亮温随海面气压的变化关系,获得MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果,同样,把MWTS-II人工大气数据集中的大气数据输入到辐射传输模型RTTOV,其中,MWTS-II观测高度角设置为0°,获得MWTS-II各通道的模拟亮温,建立MWTS-II各通道的模拟亮温随海面气压的变化关系,获得MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果。
所述步骤三,具体包括:
首先根据步骤二中MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果和MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果,选择MWHTS和MWTS-II对海面气压具有灵敏性的通道,建立MWHTS和MWTS-II反演海面气压的反演通道组合;然后,把MWHTS分析数据集中的大气数据和MWHTS观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV,其中,MWHTS观测高度角设置为MWHTS实际观测亮温中的真实观测角,获得反演通道组合中MWHTS通道的模拟亮温,把MWTS-II分析数据集中的大气数据和MWTS-II观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV,其中,MWTS-II观测高度角设置为MWTS-II实际观测亮温中的真实观测角,获得反演通道组合中MWTS-II通道的模拟亮温;最后把反演通道组合的模拟亮温作为输入,把相应的海面气压作为输出,训练BP神经网络,其中BP神经网络选择三层神经网络结构(一个输入层,一个输出层和一个隐藏层),通过调节隐藏层神经元的个数,使所训练的BP神经网络的性能最佳,即获得MWHTS和MWTS-II反演海面气压的反演模型。
所述步骤四,具体包括:
首先在MWHTS分析数据集中,以反演通道组合中MWHTS通道的观测亮温为输入,以相应的模拟亮温为输出,训练BP神经网络,其中BP神经网络选择三层神经网络结构(一个输入层,一个输出层和一个隐藏层),通过调节隐藏层神经元个数,使所训练的BP神经网络的性能最佳,即获得MWHTS观测亮温预测模拟亮温的MWHTS模拟亮温预测模型,在MWTS-II分析数据集中,以反演通道组合中MWTS-II通道的观测亮温为输入,以相应的模拟亮温为输出,训练BP神经网络,其中BP神经网络选择三层神经网络结构(一个输入层,一个输出层和一个隐藏层),通过调节隐藏层神经元个数,使所训练的BP神经网络的性能最佳,即获得MWTS-II观测亮温预测模拟亮温的MWTS-II模拟亮温预测模型;然后,把MWHTS验证数据集和MWTS-II验证数据集进行数据匹配,匹配规则是MWHTS观测亮温和MWTS-II观测亮温之间的时间误差小于0.2 s且经纬度误差小于0.01°,建立反演数据集;最后把反演数据集中反演通道组合中MWHTS通道的观测亮温输入MWHTS模拟亮温预测模型,同时把反演数据集中反演通道组合中MWTS-II通道的观测亮温输入MWTS-II模拟亮温预测模型,获得反演通道组合的模拟亮温的预测值,把反演通道组合的模拟亮温的预测值输入到步骤三中获得的MWHTS和MWTS-II反演海面气压的反演模型,得到海面气压。
实施例1
选择使用的气候学数据集是欧洲中期天气预报中心(ECMWF)Interim再分析数据集。首先从ECMWF Interim再分析数据集中选择温度廓线、湿度廓线、云水廓线、2 m温度、2m湿度、海面气压、表皮温度、10 m u风速和10 m v风速作为一组大气数据,组成大气数据集,其中,时间范围为2018年9月至2019年8月,地理范围为(25°N—45°N,160°E—220°E),数据分辨率为0.5°×0.5°,廓线数据对应的压强层为从地面(1000 hPa)到高空(1 hPa)的37层网格分层;然后把大气数据集与MWHTS的观测亮温在时间和空间上进行匹配,匹配规则是时间误差小于0.5 h且经纬度误差小于0.1°,建立MWHTS匹配数据集,共计1060162组数据,同时,按照相同的匹配规则,把大气数据集与MWTS-II的观测亮温在时间和空间上进行匹配,建立MWTS-II匹配数据集,共计523227组数据;最后,在MWHTS匹配数据集中,选择80%的数据组成MWHTS分析数据集(848129组数据),剩下的20%的数据组成MWHTS验证数据集(212033组数据),同样,在MWTS-II匹配数据集中,选择80%的数据组成MWTS-II分析数据集(418581组数据),剩下的20%的数据组成MWTS-II验证数据集(104646组数据)。
构造人工海面气压数据集:令海面气压的起始值为980 hPa,按照0.1 hPa的步长增加至1040 hPa,获得具有601个海面气压数据的人工海面气压数据集;然后在MWHTS分析数据集中随机选择一组大气数据中的温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、表皮温度、10 m u风速和10 m v风速,该组大气数据中的这些大气参数分别与人工海面气压数据集中的601个海面气压组成完整的大气数据,获得具有601组大气数据的MWHTS人工大气数据集,即在MWHTS人工大气数据集中的601组大气数据中,除了海面气压不同外,其它大气参数完全相同,按照以上相同的方法可获得MWTS-II人工大气数据集;最后把MWHTS人工大气数据集中的大气数据输入到辐射传输模型RTTOV,其中,MWHTS观测高度角设置为0°,获得MWHTS各通道的模拟亮温,建立MWHTS各通道的模拟亮温随海面气压的变化关系,得到MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果,同样,把MWTS-II人工大气数据集中的大气数据输入到辐射传输模型RTTOV,其中,MWTS-II观测高度角设置为0°,获得MWTS-II各通道的模拟亮温,建立MWTS-II各通道的模拟亮温随海面气压的变化关系,得到MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果。MWHTS各通道的模拟亮温和MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果分别如图2和图3所示。用MWHTS-n,n=1,2,3…,15表示MWHTS各个通道;用MWTS-II-n,n=1,2,3…,13表示MWTS-II各个通道。从图2中可以看出,MWHTS-1,MWHTS-6,MWHTS-7,MWHTS-8,MWHTS-9和MWHTS-10的模拟亮温随海面气压的增大而增大,呈现明显的线性关系,因此MWHTS的模拟亮温对海面气压灵敏的通道为MWHTS-1,MWHTS-6,MWHTS-7,MWHTS-8,MWHTS-9和MWHTS-10;从图3中可以看出,MWTS-II-1,MWTS-II-2,MWTS-II-3和MWTS-II-4的模拟亮温随海面气压的增大而增大,呈现明显的线性关系,因此MWTS-II的模拟亮温对海面气压灵敏的通道为MWTS-II-1,MWTS-II-2,MWTS-II-3和MWTS-II-4。
根据MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果以及MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果,选择MWHTS和MWTS-II对海面气压具有灵敏性的通道,建立MWHTS和MWTS-II反演海面气压的反演通道组合为:MWHTS-1,MWHTS-6,MWHTS-7,MWHTS-8,MWHTS-9,MWHTS-10,MWTS-II-1,MWTS-II-2,MWTS-II-3和MWTS-II-4,共计10个通道;把MWHTS分析数据集中的大气数据和MWHTS观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV,获得反演通道组合中MWHTS通道的模拟亮温,把MWTS-II分析数据集中的大气数据和MWTS-II观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV,获得反演通道组合中MWHTS-II通道的模拟亮温;把反演通道组合的模拟亮温作为输入,把相应的海面气压作为输出,训练BP神经网络,其中BP神经网络选择三层神经网络结构(一个输入层,一个输出层和一个隐藏层),当调节隐藏层神经元的个数为23时,代表所训练的BP神经网络性能的均方差最小,为12.63,即获得MWHTS和MWTS-II反演海面气压的反演模型。
在MWHTS分析数据集中,以反演通道组合中MWHTS通道的观测亮温为输入,以相应的模拟亮温为输出,训练BP神经网络,其中BP神经网络选择三层神经网络结构(一个输入层,一个输出层和一个隐藏层),当调节隐藏层神经元个数为5时,代表所训练的BP神经网络性能的均方差最小,为10.74,即获得MWHTS观测亮温预测模拟亮温的MWHTS模拟亮温预测模型;在MWTS-II分析数据集中,以反演通道组合中MWTS-II通道的观测亮温为输入,以相应的模拟亮温为输出,训练BP神经网络,其中BP神经网络选择三层神经网络结构(一个输入层,一个输出层和一个隐藏层),当调节隐藏层神经元个数为9时,代表所训练的BP神经网络性能的均方差最小,为6.80,即获得MWTS-II观测亮温预测模拟亮温的MWTS-II模拟亮温预测模型;把MWHTS验证数据集和MWTS-II验证数据集进行数据匹配,匹配规则是MWHTS观测亮温和MWTS-II观测亮温之间的时间误差小于0.2 s且经纬度误差小于0.01°,建立反演数据集,共计78433组数据;把反演数据集中反演通道组合中MWHTS通道的观测亮温输入MWHTS模拟亮温预测模型,同时把反演数据集中反演通道组合中MWTS-II通道的观测亮温输入MWTS-II模拟亮温预测模型,获得反演通道组合的模拟亮温的预测值。在反演数据集中,计算反演通道组合的观测亮温预测前,其与模拟亮温之间的均方根误差,即观测亮温与模拟亮温之间的均方根误差;同时,计算反演通道组合的观测亮温预测后,其与模拟亮温之间的均方根误差,即模拟亮温预测值与模拟亮温之间的均方根误差;那么观测亮温预测前后,与模拟亮温之间的均方根误差对比,如图4所示。其中,反演通道组合:MWHTS-1,MWHTS-6,MWHTS-7,MWHTS-8,MWHTS-9,MWHTS-10,MWTS-II-1,MWTS-II-2,MWTS-II-3和MWTS-II-4,分别用通道序号1-10表示。从图中可以看出,对于反演通道组合来说,相比于观测亮温与模拟亮温之间的均方根误差,观测亮温对模拟亮温的预测值与模拟亮温之间的均方根误差显著减小,观测亮温对模拟亮温的预测值更加接近模拟亮温。
把反演数据集中反演通道组合的模拟亮温的预测值输入到MWHTS和MWTS-II反演海面气压的反演模型,得到海面气压的反演值(78433组),计算海面气压的反演值与反演数据集中的海面气压的真实值之间的均方根误差,即本发明方法反演海面气压的精度,为3.58 hPa。
为了与本发明方法反演海面气压的精度进行对比,反演通道组合中MWHTS的通道:MWHTS-1,MWHTS-6,MWHTS-7,MWHTS-8,MWHTS-9,MWHTS-10,为MWHTS反演通道组合;反演通道组合中MWTS-II的通道:MWTS-II-1,MWTS-II-2,MWTS-II-3,MWTS-II-4,为MWTS-II反演通道组合。按照相同的方法,使用MWHTS分析数据集中MWHTS反演通道组合的模拟亮温训练三层BP神经网络,可获得MWHTS反演海面气压的反演模型,同样,按照相同的方法也可获得MWTS-II反演海面气压的反演模型。把反演数据集中MWHTS反演通道组合的模拟亮温的预测值输入MWHTS反演海面气压的反演模型,把MWTS-II反演通道组合的模拟亮温预测值输入MWTS-II反演海面气压的反演模型,分别获得各自的海面气压反演值,然后分别计算与反演数据集中的海面气压真实值之间的均方根误差,获得各自的反演精度为4.83 hPa和4.32 hPa。可见一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法较单一探测仪器,可获得较高的海面气压反演精度。
本发明方法反演的海面精度为了与使用全部通道的观测亮温直接反演海面气压的精度进行对比,在本发明方法中的反演数据集中,随机选择80%的数据作为反演训练数据集,剩下的20%作为反演验证数据集;在反演训练数据集中,把MWHTS全部通道和MWTS-II全部通道,即共计28个通道的观测亮温一起作为输入,相对应的海面气压作为输出,训练三层BP神经网络,获得观测亮温反演海面气压的反演模型;然后把反演验证数据集中MWHTS全部通道和MWTS-II全部通道的观测亮温输入观测亮温反演海面气压模型,获得MWHTS全部通道和MWTS-II全部通道的观测亮温反演的海面气压,计算其反演精度为3.72 hPa。可见一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法可使用较少通道的模拟亮温获得与观测亮温反演海面气压相比拟的反演精度。
Claims (3)
1.一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法,其特征在于,包括以下步骤:
步骤一:将建立的大气数据集与MWHTS的观测亮温在时间和空间上进行匹配,建立MWHTS匹配数据集,将建立的大气数据集与MWTS-II的观测亮温在时间和空间上进行匹配,建立MWTS-II匹配数据集;
MWHTS匹配数据集由80%的数据组成MWHTS分析数据集和20%的数据组成MWHTS验证数据集组成,MWTS-II匹配数据集由80%的数据组成MWTS-II分析数据集和20%的数据组成MWTS-II验证数据集组成;
步骤二:基于MWHTS匹配数据集和MWTS-II匹配数据集,构造对应的人工大气数据集,并输入到辐射传输模型RTTOV,分别计算MWHTS和MWTS-II的模拟亮温,测试MWHTS和MWTS-II的模拟亮温对海面气压的灵敏性;
所述步骤二具体包括,首选构造人工海面气压数据集,令海面气压的起始值为960-995hPa,按照0.1 hPa的步长增加至1020-1050 hPa,获得N个海面气压数据的人工海面气压数据集,然后在MWHTS分析数据集中随机选择一组大气数据中的温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、表皮温度,10 m u风速和10 m v风速,该组大气数据中的这些大气参数分别与人工海面气压数据集中的N个海面气压组成完整的大气数据,获得具有N组大气数据的MWHTS人工大气数据集,即在MWHTS人工大气数据集中的N组大气数据中,除了海面气压不同外,其它大气参数完全相同,按照获得MWHTS人工大气数据集相同的方法可获得MWTS-II人工大气数据集,最后把MWHTS人工大气数据集中的大气数据输入到辐射传输模型RTTOV,其中,MWHTS观测高度角设置为0°,获得MWHTS各通道的模拟亮温,建立MWHTS各通道的模拟亮温随海面气压的变化关系,获得MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果,同样,把MWTS-II人工大气数据集中的大气数据输入到辐射传输模型RTTOV,其中,MWTS-II观测高度角设置为0°,获得MWTS-II各通道的模拟亮温,建立MWTS-II各通道的模拟亮温随海面气压的变化关系,获得MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果;
步骤三:根据MWHTS和MWTS-II的模拟亮温对海面气压的灵敏性测试结果,建立MWHTS和MWTS-II融合反演海面气压的反演通道组合,把反演通道组合的模拟亮温作为输入,把相应的海面气压作为输出,训练BP神经网络,获得MWHTS和MWTS-II融合反演海面气压的反演模型;
所述的步骤三具体包括:
首先根据步骤二中MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果和MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果,选择MWHTS和MWTS-II对海面气压具有灵敏性的通道,建立MWHTS和MWTS-II反演海面气压的反演通道组合;然后,把MWHTS分析数据集中的大气数据和MWHTS观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV,获得反演通道组合中MWHTS通道的模拟亮温,把MWTS-II分析数据集中的大气数据和MWTS-II观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV,获得反演通道组合中MWHTS-II通道的模拟亮温;最后把MWHTS和MWTS-II反演海面气压的反演通道组合的模拟亮温作为输入,把相应的海面气压作为输出,训练BP神经网络,其中BP神经网络选择具有输入层、输出层和隐藏层的三层神经网络结构,通过调节隐藏层神经元的个数,获得MWHTS和MWTS-II反演海面气压的反演模型;
步骤四:利用反演通道组合的观测亮温预测反演通道组合的模拟亮温,把反演通道组合的模拟亮温的预测值输入到MWHTS和MWTS-II融合反演海面气压的反演模型,反演海面气压;
所述步骤四具体包括:
首先在MWHTS分析数据集中,以反演通道组合中MWHTS通道的观测亮温为输入,以相应的模拟亮温为输出,训练BP神经网络,其中BP神经网络选择具有输入层、输出层和隐藏层的三层神经网络结构,通过调节隐藏层神经元个数,获得MWHTS观测亮温预测模拟亮温的MWHTS模拟亮温预测模型,在MWTS-II分析数据集中,以反演通道组合中MWTS-II通道的观测亮温为输入,以相应的模拟亮温为输出,训练BP神经网络,其中BP神经网络选择具有输入层、输出层和隐藏层的三层神经网络结构,通过调节隐藏层神经元个数,获得MWTS-II观测亮温预测模拟亮温的MWTS-II模拟亮温预测模型;然后,把MWHTS验证数据集和MWTS-II验证数据集进行数据匹配,匹配规则是MWHTS观测亮温和MWTS-II观测亮温之间的时间误差小于0.2 s且经纬度误差小于0.01°,建立反演数据集;最后把反演数据集中反演通道组合中MWHTS通道的观测亮温输入MWHTS模拟亮温预测模型,同时把反演数据集中反演通道组合中MWTS-II通道的观测亮温输入MWTS-II模拟亮温预测模型,获得反演通道组合的模拟亮温的预测值,把反演通道组合的模拟亮温的预测值输入到步骤三中获得的MWHTS和MWTS-II反演海面气压的反演模型,得到海面气压。
2.根据权利要求1所述的一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法,其特征在于:从气候学数据集中选择温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、海面气压、表皮温度、10 m u风速和10 m v风速作为一组大气数据。
3.根据权利要求1所述的一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法,其特征在于:大气数据集与MWHTS的观测亮温在时间和空间上进行匹配的规则等同于大气数据集与MWHTS-II的观测亮温在时间和空间上进行匹配的规则,匹配规则为时间误差小于0.5 h且经纬度误差小于0.1°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011105498.XA CN112329334B (zh) | 2020-10-15 | 2020-10-15 | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011105498.XA CN112329334B (zh) | 2020-10-15 | 2020-10-15 | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329334A CN112329334A (zh) | 2021-02-05 |
CN112329334B true CN112329334B (zh) | 2024-01-23 |
Family
ID=74313831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011105498.XA Active CN112329334B (zh) | 2020-10-15 | 2020-10-15 | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329334B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311509B (zh) * | 2021-05-11 | 2023-07-25 | 洛阳师范学院 | 一种基于神经网络的mwhts对海面气压的敏感性测试方法 |
CN113255232A (zh) * | 2021-06-21 | 2021-08-13 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种海洋表面温度估算方法 |
CN113822345B (zh) * | 2021-09-09 | 2024-03-29 | 南京中科逆熵科技有限公司 | 一种融合mwhts和mwts-ii反演云水含量的方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100761936B1 (ko) * | 2006-05-26 | 2007-09-28 | 재단법인서울대학교산학협력재단 | 6.7 및 10.8 마이크로 채널을 이용한 운정 온도 및 압력추정 방법 |
RU2013120820A (ru) * | 2013-04-30 | 2014-11-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Российский государственный гидрометеорологический университет" | Способ улучшенной оценки интегральной влажности атмосферы над океаном по измерениям спутниковых микроволновых радиометров |
CN105988146A (zh) * | 2015-01-29 | 2016-10-05 | 中国科学院空间科学与应用研究中心 | 一种星载微波辐射计的应用数据处理方法 |
CN108508442A (zh) * | 2018-03-16 | 2018-09-07 | 哈尔滨工程大学 | 一种基于地基多通道微波辐射计的大气温湿廓线反演方法 |
CN110632599A (zh) * | 2019-09-03 | 2019-12-31 | 华中科技大学 | 一种大气温度廓线直接反演方法及*** |
CN111737913A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN111737912A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于深度神经网络的mwhts模拟亮温计算方法 |
CN111737641A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于神经网络的mwhts通道权重函数计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110218734A1 (en) * | 2010-03-08 | 2011-09-08 | Radiometrics Corporation | Methods and apparatus for passive tropospheric measurments utilizing a single band of frequencies adjacent to a selected millimeter wave water vapor line |
-
2020
- 2020-10-15 CN CN202011105498.XA patent/CN112329334B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100761936B1 (ko) * | 2006-05-26 | 2007-09-28 | 재단법인서울대학교산학협력재단 | 6.7 및 10.8 마이크로 채널을 이용한 운정 온도 및 압력추정 방법 |
RU2013120820A (ru) * | 2013-04-30 | 2014-11-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Российский государственный гидрометеорологический университет" | Способ улучшенной оценки интегральной влажности атмосферы над океаном по измерениям спутниковых микроволновых радиометров |
CN105988146A (zh) * | 2015-01-29 | 2016-10-05 | 中国科学院空间科学与应用研究中心 | 一种星载微波辐射计的应用数据处理方法 |
CN108508442A (zh) * | 2018-03-16 | 2018-09-07 | 哈尔滨工程大学 | 一种基于地基多通道微波辐射计的大气温湿廓线反演方法 |
CN110632599A (zh) * | 2019-09-03 | 2019-12-31 | 华中科技大学 | 一种大气温度廓线直接反演方法及*** |
CN111737913A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN111737912A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于深度神经网络的mwhts模拟亮温计算方法 |
CN111737641A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于神经网络的mwhts通道权重函数计算方法 |
Non-Patent Citations (3)
Title |
---|
He Qiurui, et al..A COMPARISON OF THE RETRIEVAL OF ATMOSPHERIC TEMPERATURE PROFILES USING OBSERVATIONS OF THE 60 GHZ AND 118.75 GHZ ABSORPTION LINES.《Journal of Tropical Meteorology》.2018,第24卷(第2期),第151-162页. * |
张子瑾等.基于FY-3C/MWHTS观测资料反演中低纬度海面气压.《空间科学学报》.2020,第40卷(第3期),第364-375页. * |
贺秋瑞.FY-3C卫星微波湿温探测仪反演大气温湿廓线研究.《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑》.2017,(第9期),A009-15. * |
Also Published As
Publication number | Publication date |
---|---|
CN112329334A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329334B (zh) | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 | |
CN111737912B (zh) | 一种基于深度神经网络的mwhts模拟亮温计算方法 | |
CN111737913B (zh) | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 | |
CN107356554A (zh) | 一种基于神经网络的反演大气可降水量的modis模型改进方法 | |
CN113408111B (zh) | 大气可降水量反演方法及***、电子设备和存储介质 | |
CN109902346A (zh) | 基于神经网络的区域加权平均温度信息获取方法 | |
CN113552080B (zh) | 一种超光谱遥感地表大气相对湿度的实时反演算法 | |
CN101936877A (zh) | 从modis数据反演大气水汽含量方法 | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN103743679B (zh) | 一种加快温室气体垂直柱浓度反演速度的方法 | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及*** | |
CN112345151B (zh) | 一种基于自然大气的mwts-ii对海面气压的灵敏性测试方法 | |
CN115859789A (zh) | 一种提高极地大气温度廓线反演精度的方法 | |
CN115204032A (zh) | 一种基于多通道智能模型的enso预测方法及装置 | |
CN115310370A (zh) | 耦合深度学习和物理机制的区域性植被蒸腾预测方法 | |
CN113534194B (zh) | 联合gnss与测风激光雷达的对流层温湿廓线反演方法 | |
CN111665218A (zh) | 一种提高二氧化碳差分吸收激光雷达反演精度的方法 | |
CN117933095A (zh) | 一种基于机器学习的地表发射率实时反演及同化方法 | |
CN113311509B (zh) | 一种基于神经网络的mwhts对海面气压的敏感性测试方法 | |
Uspensky et al. | Absolute calibration of the MTVZA-GY microwave radiometer atmospheric sounding channels | |
CN112254866B (zh) | 一种mwts-ii和mwhts融合反演海面气压的方法 | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN114371519B (zh) | 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 | |
CN116187025A (zh) | 基于地基红外遥感的晴空大气温湿度廓线快速反演方法 | |
CN113822345A (zh) | 一种融合mwhts和mwts-ii反演云水含量的方法及*** |
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 |