CN115629387A - 一种多波段双偏振雷达的冰晶凇附增长估算方法 - Google Patents

一种多波段双偏振雷达的冰晶凇附增长估算方法 Download PDF

Info

Publication number
CN115629387A
CN115629387A CN202211561356.3A CN202211561356A CN115629387A CN 115629387 A CN115629387 A CN 115629387A CN 202211561356 A CN202211561356 A CN 202211561356A CN 115629387 A CN115629387 A CN 115629387A
Authority
CN
China
Prior art keywords
ice crystal
rime
radar
ice
parameters
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
Application number
CN202211561356.3A
Other languages
English (en)
Other versions
CN115629387B (zh
Inventor
罗继成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHENGDU YUANWANG TECHNOLOGY CO LTD
Original Assignee
CHENGDU YUANWANG TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHENGDU YUANWANG TECHNOLOGY CO LTD filed Critical CHENGDU YUANWANG TECHNOLOGY CO LTD
Priority to CN202211561356.3A priority Critical patent/CN115629387B/zh
Publication of CN115629387A publication Critical patent/CN115629387A/zh
Application granted granted Critical
Publication of CN115629387B publication Critical patent/CN115629387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种多波段双偏振雷达的冰晶凇附增长估算方法，利用冰晶增长的三维模型，生成不同凇附增长的冰晶参数，利用T矩阵计算所建立冰晶模型的后向散射特性，进一步利用雷达前向模拟***仿真天顶指向的多波段偏振雷达观测，之后利用神经网络模型映射多波段偏振雷达观测和凇附质量分数的关系，实现基于多波段偏振雷达观测的凇附增长的估算。本发明不需要其他辅助参数，直接由雷达观测数据来估算，且由于估算模型建立过程中，考虑了大气温度和湿度环境因素、冰晶的微物理参数、冰晶凇附增长粒子的后向散射特性和雷达辐射传输的物理过程，并且估算过程中使用了多波段双偏振雷达观测，因此获得的冰晶凇附质量分数精度较高。

Description

一种多波段双偏振雷达的冰晶凇附增长估算方法
技术领域
本发明涉及气象雷达探测技术领域，尤其涉及一种多波段双偏振雷达的冰晶凇附增长估算方法。
背景技术
冰晶生长主要有凝华、丛集和凇附三个过程，其中凇附过程主要指冰晶与云中的过冷水滴碰撞，并在下降过程时冻结；凇附是冰晶增长的重要过程之一，它对降水量和强度有重要影响，已有研究表明，超过40%的累积降雪可能是由于冰晶凇附过程造成的，并且凇附增长程度和降雪强度直接相关，这意味着凇附是冰晶、雪花生长和最终形成降水的关键过程。此外，凇附过程可影响气溶胶的间接效应，对全球大气的云-气溶胶相互作用有重要影响。
在目前对地球大气的认识中，降水是一个关键的不确定因素。特别是在数值天气预报和气候模型中，降水的表示是目前最薄弱的环节之一，部分原因是在模拟控制降水颗粒形成和生长的潜在微物理过程方面存在缺陷。比如，冰相微物理增长过程、速率有较大不确定性，这对数值天气预报和气候模型中的微物理方案提出了重大挑战。目前，数值预报模型在凇附参数化存在较大困难，主要原因之一是缺乏对凇附过程的观测和定量估算，因此，如何对凇附增长过程进行估算，是现阶段需要考虑的问题。
需要说明的是，在上述背景技术部分公开的信息只用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种多波段双偏振雷达的冰晶凇附增长估算方法，解决了现有技术不能对凇附增长过程进行估算的问题。
本发明的目的通过以下技术方案来实现：一种多波段双偏振雷达的冰晶凇附增长估算方法，所述估算方法包括：
S1、获取待观测区域的大气温度和湿度空气球数据，根据大气温度、湿度和位势高度数据，结合三维云模型判断冰晶粒子存在的位置信息，并根据获取ECMWF数据得到三维模型的初始猜测值；
S2、设置冰晶粒子的参数，生成不同冰晶凇附质量分数的冰晶粒子宏微观参数数据集；
S3、根据雷达的频率、谱宽、极化参数和不同冰晶凇附质量分数的冰晶粒子宏微观数据，利用T矩阵方法计算不同凇附质量分数冰晶粒子的后向散射特征参数；
S4、将观测得到的几何信息、雷达仪器参数、ECMWF数据和后向散射特征参数输入到雷达前向模拟***，模拟指定雷达性能参数条件下的雷达观测数据集，并获取不同冰晶凇附质量分数和雷达观测值的时空匹配的数据集；
S5、根据不同冰晶凇附质量分数和雷达模拟观测值构建神经网络估算模型，并对不同冰晶粒子的凇附质量分数进行估算。
所述根据获取ECMWF数据得到三维模型的初始猜测值包括：获取ECMWF云量和比云冰含水量，根据探空气球的位置和观测时间对ECMWF数据进行双线性插值，将插值后的云量、比云液态含水量和比云冰含水量作为三维云模型的初始猜测值。
所述设置冰晶粒子的参数，生成不同冰晶凇附质量分数的冰晶粒子宏微观参数数据集包括：
利用步骤S1得到的冰晶粒子位置和冰水含量作为初始值，设置冰晶粒子的形状和有效粒子半径参数，生成基准冰晶粒子的宏微观参数数据集；
调整基准冰晶粒子的凇附质量分数，生成不同冰晶凇附质量分数的冰晶粒子宏微观参数数据集。
所述利用T矩阵方法计算不同凇附质量分数冰晶粒子的后向散射特征参数包括：
将电磁波的入射和散射场描述为矢量球面波函数，并通过T矩阵将函数的展开项进行关联；
将冰晶粒子的尺度参数、形状、折射率、粒子谱分布和雷达频率输入到T矩阵中计算得到冰晶粒子的后向散射特征参数。
所述时空匹配的数据集包括：冰晶凇附质量分数，模拟的多波段双线偏振雷达水平通道反射率因子Zhh，垂直通道反射率因子Zvv，水平和垂直正交偏振波Zvh ，差分反射率因子ZDR，差分传播相移率KDP，相关系数CC，反射率因子的功率谱Spectra_Zhh、Spectra_Zvv、Spectra_Zvh，观测角度，频率和发射功率。
所述根据不同冰晶凇附质量分数和雷达模拟观测值构建神经网络估算模型，并对不同冰晶粒子的凇附质量分数进行估算包括：
将雷达模拟观测值作为神经网络的输入，将不同冰晶凇附质量分数作为神经网络的输出，构建包含两个隐藏层的前向三层神经网络；
对神经网络进行训练和验证评估，确定隐藏层节点和最佳的权重函数，得到构建好的神经网络估算模型；
将真实雷达观测的数据集输入到构建好的神经网络估算模型中进行不同冰晶粒子的凇附质量分数的估算。
所述凇附质量分数计算公式包括：
Figure 100002_DEST_PATH_IMAGE001
，其中，ICWur是冰晶粒子发生凇附之前的质量，ICW是冰晶粒子发生凇附之后的质量。
所述宏微观参数包括：冰晶粒子数浓度、冰晶形状特征、冰晶粒子尺度谱、冰晶有效粒子半径、冰晶对应的云量和云厚。
所述后向散射特征参数包括散射效率、散射相函数、单次散射反照率、散射效率因子和吸收效率因子。
本发明具有以下优点：一种多波段双偏振雷达的冰晶凇附增长估算方法，基于Ka，X和W波段的双偏振雷达观测数据开展，能够估算凇附质量分数反演，进而实现凇附增长的估算；不需要其他辅助参数，直接由雷达观测数据来估算，且由于估算模型建立过程中，考虑了大气温度和湿度环境因素、冰晶的微物理参数、冰晶凇附增长粒子的后向散射特性和雷达辐射传输的物理过程，并且估算过程中使用了多波段双偏振雷达观测，因此获得的冰晶凇附质量分数精度较高。
附图说明
图1 为本发明的流程示意图；
图2 为本发明的不同凇附质量分数情况下冰晶粒子凇附增长后向散射计算方法的流程图；
图3 为本发明不同环境参数、冰晶参数和仪器参数情况下多波段双线偏振雷达模拟观测计算方法的流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示，本发明涉及一种多波段双偏振雷达的冰晶凇附增长估算方法，利用冰晶增长的三维模型，生成不同凇附增长的冰晶参数，利用T矩阵计算所建立冰晶模型的后向散射特性，进一步利用雷达前向模拟***仿真天顶指向的多波段偏振雷达观测，之后利用神经网络模型映射多波段偏振雷达观测和凇附质量分数的关系，实现基于多波段偏振雷达观测的凇附增长的估算；具体包括以下内容：
步骤1、获取Ka，X和W波段双偏振雷达观测区域的大气温度和湿度探空气球数据，根据大气温度、湿度和位势高度数据，并结合三维云模型判断冰晶粒子存在的位置信息。获取欧洲中期天气预报中心（ECMWF）云量和比云冰含水量，然后根据探空气球的位置和观测时间对ECMWF数据进行双线性插值，将插值后的云量、比云液态含水量和比云冰含水量作为三维云模型的初始猜测值。
步骤2、如图2所示，利用步骤1得到的冰晶粒子位置、冰水含量作为初始值，同时设置冰晶粒子的形状、有效粒子半径参数，生成基准冰晶粒子的宏微观参数数据集。在此基础上，调整基准冰晶粒子的凇附质量分数，冰晶凇附质量分数设置为0-1之间、间隔为0.02，生成不同冰晶凇附质量分数的冰晶粒子宏微观参数数据集。
其中，凇附质量分数（rime fraction，RF）是表示凇附增长程度的一个参数，计算公式为：
Figure 873242DEST_PATH_IMAGE001
，式中ICWur是冰晶粒子发生凇附之前的质量，ICW是冰晶粒子发生凇附之后的质量。
步骤3、根据雷达的频率、谱宽、极化参数和步骤2获取的不同冰晶凇附质量分数的冰晶粒子宏微观数据，利用T矩阵方法计算Ka，X和W波段不同凇附质量分数冰晶粒子的后向散射特征参数。
其中，T矩阵方法是将电磁波的入射和散射场描述为矢量球面波函数，并使用T矩阵把函数的展开项进行关联，将冰晶粒子的尺度参数、形状、折射率、粒子谱分布和雷达频率输入到T矩阵模型，即可计算冰晶粒子的后向散射特征参数。
步骤4、如图3所示，将观测几何信息、雷达仪器参数、步骤1获取的ECMWF数据和步骤3得到的不同凇附质量分数冰晶粒子的后向散射特征参数，输入到PAMTRA (Passive andActive Microwave TRAnsfer)雷达前向模拟***，模拟计算Ka，X和W波段双偏振垂直指向雷达观测数据集。获取不同冰晶凇附质量分数和雷达模拟观测值的时空匹配的数据集。
其中，时空匹配的数据集包括：冰晶凇附质量分数、模拟的多波段双线偏振雷达水平通道反射率因子Zhh、垂直通道反射率因子Zvv、水平和垂直正交偏振波Zvh 、差分反射率因子ZDR、差分传播相移率KDP、相关系数CC、三种反射率因子的功率谱Spectra_Zhh、Spectra_Zvv、Spectra_Zvh、观测角度、频率、发射功率。
步骤5、将不同冰晶凇附质量分数作为神经网络的输出，将Ka，X和W波段双线偏振雷达水平通道反射率因子Zhh、垂直通道反射率因子Zvv、水平和垂直正交偏振波Zvh 、差分反射率因子ZDR、差分传播相移率KDP、相关系数CC、三种反射率因子的功率谱Spectra_Zhh、Spectra_Zvv、Spectra_Zvh、观测角度、频率、发射功率模拟观测值作为神经网络的输入，构建包含两个隐层的前向三层神经网络，对网络进行训练和验证评估，确定隐层节点和最佳的权重函数，进而构建好神经网络估算模型。
步骤6、将真实Ka，X和W波段双线偏振雷达的水平通道反射率因子Zhh、垂直通道反射率因子Zvv、水平和垂直正交偏振波Zvh 、差分反射率因子ZDR、差分传播相移率KDP、相关系数CC、三种反射率因子的功率谱Spectra_Zhh、Spectra_Zvv、Spectra_Zvh、观测角度、频率、发射功率输入已经构建好的神经网络进行不同冰晶粒子的凇附质量分数的估算。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种多波段双偏振雷达的冰晶凇附增长估算方法，其特征在于：所述估算方法包括：
S1、获取待观测区域的大气温度和湿度空气球数据，根据大气温度、湿度和位势高度数据，结合三维云模型判断冰晶粒子存在的位置信息，并根据获取ECMWF数据得到三维模型的初始猜测值；
S2、设置冰晶粒子的参数，生成不同冰晶凇附质量分数的冰晶粒子宏微观参数数据集；
S3、根据雷达的频率、谱宽、极化参数和不同冰晶凇附质量分数的冰晶粒子宏微观数据，利用T矩阵方法计算不同凇附质量分数冰晶粒子的后向散射特征参数；
S4、将观测得到的几何信息、雷达仪器参数、ECMWF数据和后向散射特征参数输入到雷达前向模拟***，模拟指定雷达性能参数条件下的雷达观测数据集，并获取不同冰晶凇附质量分数和雷达观测值的时空匹配的数据集；
S5、根据不同冰晶凇附质量分数和雷达模拟观测值构建神经网络估算模型，并对不同冰晶粒子的凇附质量分数进行估算。
2.根据权利要求1所述的一种多波段双偏振雷达的冰晶凇附增长估算方法，其特征在于：所述根据获取ECMWF数据得到三维模型的初始猜测值包括：获取ECMWF云量和比云冰含水量，根据探空气球的位置和观测时间对ECMWF数据进行双线性插值，将插值后的云量、比云液态含水量和比云冰含水量作为三维云模型的初始猜测值。
3.根据权利要求1所述的一种多波段双偏振雷达的冰晶凇附增长估算方法，其特征在于：所述设置冰晶粒子的参数，生成不同冰晶凇附质量分数的冰晶粒子宏微观参数数据集包括：
利用步骤S1得到的冰晶粒子位置和冰水含量作为初始值，设置冰晶粒子的形状和有效粒子半径参数，生成基准冰晶粒子的宏微观参数数据集；
调整基准冰晶粒子的凇附质量分数，生成不同冰晶凇附质量分数的冰晶粒子宏微观参数数据集。
4.根据权利要求1所述的一种多波段双偏振雷达的冰晶凇附增长估算方法，其特征在于：所述利用T矩阵方法计算不同凇附质量分数冰晶粒子的后向散射特征参数包括：
将电磁波的入射和散射场描述为矢量球面波函数，并通过T矩阵将函数的展开项进行关联；
将冰晶粒子的尺度参数、形状、折射率、粒子谱分布和雷达频率输入到T矩阵中计算得到冰晶粒子的后向散射特征参数。
5.根据权利要求1所述的一种多波段双偏振雷达的冰晶凇附增长估算方法，其特征在于：所述时空匹配的数据集包括：冰晶凇附质量分数，模拟的多波段双线偏振雷达水平通道反射率因子Zhh，垂直通道反射率因子Zvv，水平和垂直正交偏振波Zvh ，差分反射率因子ZDR，差分传播相移率KDP，相关系数CC，反射率因子的功率谱Spectra_Zhh、Spectra_Zvv、Spectra_Zvh，观测角度，频率和发射功率。
6.根据权利要求1所述的一种多波段双偏振雷达的冰晶凇附增长估算方法，其特征在于：所述根据不同冰晶凇附质量分数和雷达模拟观测值构建神经网络估算模型，并对不同冰晶粒子的凇附质量分数进行估算包括：
将雷达模拟观测值作为神经网络的输入，将不同冰晶凇附质量分数作为神经网络的输出，构建包含两个隐藏层的前向三层神经网络；
对神经网络进行训练和验证评估，确定隐藏层节点和最佳的权重函数，得到构建好的神经网络估算模型；
将真实雷达观测的数据集输入到构建好的神经网络估算模型中进行不同冰晶粒子的凇附质量分数的估算。
7.根据权利要求1-6中任意一项所述的一种多波段双偏振雷达的冰晶凇附增长估算方法，其特征在于：所述凇附质量分数计算公式包括：
Figure DEST_PATH_IMAGE001
，其中，ICWur是冰晶粒子发生凇附之前的质量，ICW是冰晶粒子发生凇附之后的质量。
8.根据权利要求1-6中任意一项所述的一种多波段双偏振雷达的冰晶凇附增长估算方法，其特征在于：所述宏微观参数包括：冰晶粒子数浓度、冰晶形状特征、冰晶粒子尺度谱、冰晶有效粒子半径、冰晶对应的云量和云厚。
9.根据权利要求1-6中任意一项所述的一种多波段双偏振雷达的冰晶凇附增长估算方法，其特征在于：所述后向散射特征参数包括散射效率、散射相函数、单次散射反照率、散射效率因子和吸收效率因子。
CN202211561356.3A 2022-12-07 2022-12-07 一种多波段双偏振雷达的冰晶凇附增长估算方法 Active CN115629387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211561356.3A CN115629387B (zh) 2022-12-07 2022-12-07 一种多波段双偏振雷达的冰晶凇附增长估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211561356.3A CN115629387B (zh) 2022-12-07 2022-12-07 一种多波段双偏振雷达的冰晶凇附增长估算方法

Publications (2)

Publication Number Publication Date
CN115629387A true CN115629387A (zh) 2023-01-20
CN115629387B CN115629387B (zh) 2023-02-28

Family

ID=84910215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211561356.3A Active CN115629387B (zh) 2022-12-07 2022-12-07 一种多波段双偏振雷达的冰晶凇附增长估算方法

Country Status (1)

Country Link
CN (1) CN115629387B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116466368A (zh) * 2023-06-16 2023-07-21 成都远望科技有限责任公司 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法
CN116956752A (zh) * 2023-09-19 2023-10-27 成都远望探测技术有限公司 毫米波雷达和卫星成像仪的二次结冰质量分数估算方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09329672A (ja) * 1996-06-07 1997-12-22 Kansai Electric Power Co Inc:The 発雷予測方法
US6166661A (en) * 1999-01-22 2000-12-26 Rockwell Collins, Inc. System for detecting ice on an aircraft
US6489915B1 (en) * 1999-11-11 2002-12-03 Raytheon Company Microwave icing avoidance system
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
CN114002681A (zh) * 2021-11-04 2022-02-01 成都信息工程大学 利用毫米波云雷达进行过冷水探测的方法、装置及应用
CN114492202A (zh) * 2022-02-16 2022-05-13 中国民航大学 基于遗传算法的高空冰晶检测方法
CN115267787A (zh) * 2022-08-17 2022-11-01 北京城市气象研究院 一种天气雷达定量降雪的估测方法
CN115436906A (zh) * 2022-11-07 2022-12-06 成都远望探测技术有限公司 一种提升雷达探测目标位置及风场反演信息准确性的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09329672A (ja) * 1996-06-07 1997-12-22 Kansai Electric Power Co Inc:The 発雷予測方法
US6166661A (en) * 1999-01-22 2000-12-26 Rockwell Collins, Inc. System for detecting ice on an aircraft
US6489915B1 (en) * 1999-11-11 2002-12-03 Raytheon Company Microwave icing avoidance system
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
CN114002681A (zh) * 2021-11-04 2022-02-01 成都信息工程大学 利用毫米波云雷达进行过冷水探测的方法、装置及应用
CN114492202A (zh) * 2022-02-16 2022-05-13 中国民航大学 基于遗传算法的高空冰晶检测方法
CN115267787A (zh) * 2022-08-17 2022-11-01 北京城市气象研究院 一种天气雷达定量降雪的估测方法
CN115436906A (zh) * 2022-11-07 2022-12-06 成都远望探测技术有限公司 一种提升雷达探测目标位置及风场反演信息准确性的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GUANGLIN TANG等: "Effect of Particle Shape, Density, and Inhomogeneity on the Microwave Optical Properties of Graupel and Hailstones" *
XIAOSONG GU等: "Expert System of Ice Prevention on Overhead Transmission Lines" *
周峰等: "基于双偏振雷达对一次多单体雹暴微物理特征的观测及数值模拟研究" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116466368A (zh) * 2023-06-16 2023-07-21 成都远望科技有限责任公司 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法
CN116466368B (zh) * 2023-06-16 2023-08-22 成都远望科技有限责任公司 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法
CN116956752A (zh) * 2023-09-19 2023-10-27 成都远望探测技术有限公司 毫米波雷达和卫星成像仪的二次结冰质量分数估算方法
CN116956752B (zh) * 2023-09-19 2023-11-28 成都远望探测技术有限公司 毫米波雷达和卫星成像仪的二次结冰质量分数估算方法

Also Published As

Publication number Publication date
CN115629387B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
CN115629387B (zh) 一种多波段双偏振雷达的冰晶凇附增长估算方法
Benjamin et al. An hourly assimilation–forecast cycle: The RUC
Dowell et al. Additive noise for storm-scale ensemble data assimilation
Bishop et al. Adaptive sampling with the ensemble transform Kalman filter. Part I: Theoretical aspects
Noh et al. Applying sequential Monte Carlo methods into a distributed hydrologic model: lagged particle filtering approach with regularization
Breivik et al. Real time assimilation of HF radar currents into a coastal ocean model
Szintai et al. Application of the AROME non-hydrostatic model at the Hungarian Meteorological Service: physical parameterizations and ensemble forecasting
Noh et al. Development of a snowfall retrieval algorithm at high microwave frequencies
Feng et al. Do CMIP5 models show El Niño diversity?
CN112785024A (zh) 一种基于流域水文模型的径流计算和预测方法
Wang et al. A study of two propagating heavy-rainfall episodes near Taiwan during SoWMEX/TiMREX IOP-8 in June 2008. Part I: Synoptic evolution, episode propagation, and model control simulation
Routray et al. Simulation of monsoon depressions using WRF-VAR: impact of different background error statistics and lateral boundary conditions
Wang et al. A statistical retrieval of cloud parameters for the millimeter wave Ice Cloud Imager on board MetOp-SG
Xu et al. Impact of assimilating radiances with the WRFDA ETKF/3DVAR hybrid system on prediction of two typhoons in 2012
Gharaylou et al. Prediction of lightning activity using WRF-ELEC model: Impact of initial and boundary conditions
Reinoso-Rondinel et al. Nationwide radar-based precipitation nowcasting—A localization filtering approach and its application for Germany
Ramanujam et al. On the effect of non-raining parameters in retrieval of surface rain rate using TRMM PR and TMI measurements
Du Uncertainty and ensemble forecast
Rémy et al. Ensemble Kalman filter data assimilation in a 1D numerical model used for fog forecasting
Meng et al. Cloud-dependent piecewise assimilation based on a hydrometeor-included background error covariance and its impact on regional Numerical Weather Prediction
Adeniyi Sensitivities of the Tiedtke and Kain-Fritsch convection schemes for RegCM4. 5 over West Africa
Luini et al. Investigation and modeling of ice clouds affecting earth-space communication systems
Hollan et al. Ensemble mean storm-scale performance in the presence of nonlinearity
CN113325418A (zh) 基于合成孔径雷达的降雨反演方法
CN116911082B (zh) 基于降水雷达和同化资料的降水粒子质量和数量估算方法

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