预报热带气旋生成频数的方法、装置、设备及存储介质
阅读：761发布：2020-05-14
专利汇可以提供预报热带气旋生成频数的方法、装置、设备及存储介质专利检索，专利查询，专利分析的服务。并且本 发明 实施例 公开了一种预报 热带气旋 生成频数的方法、装置、设备及存储介质，其中方法包括：将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量；使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用神经网络的方法进行预报。本发明实施例所提供的预报热带气旋生成频数方法，考虑了大气及海洋对热带气旋的影响。可以不用考虑特征值和预报量之间的映射关系，不需要考虑热带气旋生成和 气候 背景场之间的非线性关系。实现优化预报模型、提高预报的准确性。，下面是预报热带气旋生成频数的方法、装置、设备及存储介质专利的具体信息内容。
1.预报热带气旋生成频数的方法，其特征是，将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量；
使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用神经网络的方法进行预报。
2.根据权利要求1所述的预报热带气旋生成频数的方法，其特征是，将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量，包含：
选择出对预报量贡献最大的变量，加入到回归方程中；
在剩余的变量中继续找出贡献最大的变量，加入回归方程中；
对变量进行检验，如果通过，则确定将该变量加入；如果没有通过，则刚才加入的变量剔除；
对剩余的变量重复上述步骤，直到没有因子剔除，也没有因子引入。
3.根据权利要求1所述的预报热带气旋生成频数的方法，其特征是，使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用BP神经网络的方法进行预报；
所述变量的特征值在BP神经网络的输入层中；
热带气旋的生成频数在输出层中；
变量的特征值与热带气旋的生成频数之间的映射关系在隐藏层中。
4.预报热带气旋生成频数的模型，其特征是，根据权利要求1-3所述的任一预报热带气旋生成频数的方法获取。
5.预报热带气旋生成频数的装置，其特征是，包含：
回归分析模块，用于将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量；
神经网络模块，用于使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用BP神经网络的方法进行预报。
6.根据权利要求5所述的预报热带气旋生成频数的装置，其特征是，
所述回归分析模块，用于将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量，包含：
选择出对预报量贡献最大的变量，加入到回归方程中；
在剩余的变量中继续找出贡献最大的变量，加入回归方程中；
对变量进行检验，如果通过，则确定将该变量加入；如果没有通过，则刚才加入的变量剔除；
对剩余的变量重复上述步骤，直到没有因子剔除，也没有因子引入。
7.根据权利要求5所述的预报热带气旋生成频数的装置，其特征是，
所述神经网络模块，用于使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用BP神经网络的方法进行预报；
所述变量的特征值在BP神经网络的输入层中；
热带气旋的生成频数在输出层中；
变量的特征值与热带气旋的生成频数之间的映射关系在隐藏层中。
8.根据权利要求6所述的预报热带气旋生成频数的装置，其特征是，所述检验方法是F检验。
9.一种预报热带气旋生成频数的设备，其特征是，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述的预报热带气旋生成频数的方法的步骤。
10.一种计算机可读存储介质，其特征是，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的预报热带气旋生成频数的方法的步骤。
预报热带气旋生成频数的方法、装置、设备及存储介质
技术领域
[0001] 本发明涉及计算机技术领域，特别涉及预报热带气旋生成频数的方法；还涉及预报热带气旋生成频数的装置、设备以及计算机可读存储介质。
背景技术
[0002] 每年全球都有很多热带气旋(Tropical cyclone；TC)生成，西北太平洋是热带气旋的一个主要的生成源地，在西北太平洋把较强的热带气旋统称为热带气旋。热带气旋是发生在热带海洋上的一种强烈风暴，是地球上最强烈的自然灾害之一，同时我国也是全世界少数几个受热带气旋影响最严重的国家之一。西北太平洋的台风在我国东南沿海地区登陆，台风带来的强风、暴雨和海潮给我国沿岸地区的人民造成了很大的生命威胁和经济损失。
[0003] 由于热带气旋在发生发展过程中的复杂性以及海洋观测资料的缺乏，目前关于热带气旋的生成机制还没有得到一个明确的结果。目前关于热带气旋的生成机制主要基于热带气旋生成的气候背景场以及热带气旋生成的触发机制。而热带气旋的潜在生成指数就是在此基础上提出的一种可以预报热带气旋生成频数的模型。因此目前使用热带气旋的潜在生成指数(GPI)来表示热带气旋生成的可能性大小已经得到了广泛的应用。热带气旋是一个非线性的过程。现在的一些能够表现热带气旋生成可能性大小的GPI并不能完全表现出这种非线性的变化。
[0004] 基于与热带气旋生成密切相关的气候背景场，Gray(1979)使用六种大尺度的环境变量，组成了一个指数，即热带气旋生成的经验指数，用以表示TC生成的季节变化和空间分布特征，但是Gray提出的指数并不适用于气候变化的研究。在热带气旋的触发机制WISHE中，把热带气旋看作是一个做功的热机，热带气旋的潜在强度(potential intensity；PI)就是热机的做功效率。综合考虑热带气旋的动力学知识以及卡诺循环的基本理论，Emanuel和Nolan(2004)基于热带气旋的潜在强度，对流层底部的风速，相对湿度和垂向风切变提出了一个热带气旋的潜在生成指数(Genesis Potential Index；GPI)，在目前已经被广泛的应用，但是并不能较好的使用模式的输出数据对热带气旋生成频率的未来变化进行预测。
[0005] 最近，已经提出了许多使用机器学习技术与气候模式和天气预报模型相关的应用，包括从气候模型学习轨道参数和气候场之间的关系，从高分辨率模拟中学习用简单模型改进预测，帮助在极端天气情况下做出决策，检测气候数据集中的极端天气，并预测天气预报的不确定性。所有这些提出的技术都是气候科学和气象学的宝贵技术。但是，它们都旨在从模型中提取某些信息，或者将模型中的信息添加到其他模型中。
[0006] 热带气旋是一种非线性的过程，现有的GPI是一种特定的指数函数形式，只有其中几个与热带气旋生成相关的海洋和大气的变量：海表温度、垂向风切变、相对湿度以及相对涡度，可能会忽略到其他有可能影响热带气旋物理过程的要素。
[0007] 目前，热带气旋的潜在生成指数都是基于一定的物理过程，在统计意义上通过log回归分析的方法得到的一种指数，是一种对所有已知的结果进行统计后的结果，并且所用的指数形式都几乎固定，对于未来预报的准确率不高。
发明内容
[0008] 本发明的目的是提供一种预报热带气旋生成频数的方法，实现优化预报模型、提高预报的准确性；本发明的另一目的是提供预报热带气旋生成频数的装置、设备以及计算机可读存储介质，均具有上述技术效果。
[0009] 为解决上述技术问题，本发明提供了一种预报热带气旋生成频数的方法，包括：
[0010] 将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量；
[0011] 使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用神经网络的方法进行预报。
[0012] 优选的，将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量，包含：
[0013] 选择出对预报量贡献最大的变量，加入到回归方程中；
[0014] 在剩余的变量中继续找出贡献最大的变量，加入回归方程中；
[0015] 对变量进行检验，如果通过，则确定将该变量加入；如果没有通过，则刚才加入的变量剔除；
[0016] 对剩余的变量重复上述步骤，直到没有因子剔除，也没有因子引入。
[0017] 优选的，使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用BP神经网络的方法进行预报；所述变量的特征值在BP神经网络的输入层中；热带气旋的生成频数在输出层中；变量的特征值与热带气旋的生成频数之间的映射关系在隐藏层中。
[0018] 优选的，对变量进行检验的方法是F检验。
[0019] 为解决上述技术问题，本发明还提供了一种预报热带气旋生成频数的装置，包含：
[0020] 回归分析模块，用于将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量；
[0021] 神经网络模块，用于使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用BP神经网络的方法进行预报。
[0022] 优选的，所述回归分析模块，用于将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量，包含：选择出对预报量贡献最大的变量，加入到回归方程中；在剩余的变量中继续找出贡献最大的变量，加入回归方程中；对变量进行检验，如果通过，则确定将该变量加入；如果没有通过，则刚才加入的变量剔除；对剩余的变量重复上述步骤，直到没有因子剔除，也没有因子引入。
[0023] 优选的，所述神经网络模块，用于使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用BP神经网络的方法进行预报；所述变量的特征值在BP神经网络的输入层中；热带气旋的生成频数在输出层中；变量的特征值与热带气旋的生成频数之间的映射关系在隐藏层中。
[0024] 优选的，回归分析模块对变量进行检验的方法是F检验。
[0025] 为解决上述技术问题，本发明还提供了一种预报热带气旋生成频数的设备，包括：
[0027] 处理器，用于执行所述计算机程序时实现如上述任一项所述的预报热带气旋生成频数的方法的步骤。
[0028] 为解决上述技术问题，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项预报热带气旋生成频数的方法的步骤。
[0029] 本发明实施例所提供的预报热带气旋生成频数的方法，包括将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量；本发明实施例的方法对所有可能对热带气旋生成有影响的变量进行筛选，筛选出一些需要的变量，从而剔除了引起多重共线性的变量，并减少了神经网络计算的工作量。
[0030] 使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用BP神经网络的方法进行预报。本发明实施例的方法可以不用考虑特征值和预报量之间的映射关系，不需要考虑热带气旋生成和气候背景场之间的非线性关系。
[0031] 可见，本发明所提供的预报热带气旋生成频数方法，能实现优化预报模型、提高预报的准确性。
[0033] 为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034] 图1为本发明实施例所提供的预报热带气旋频数的方法的流程示意图。
[0035] 图2为本发明实施例预报热带气旋频数的方法进行回归分析的流程示意图。
[0036] 图3为本发明实施例预报热带气旋频数的方法使用BP神经网络的方法进行预报的流程示意图。
[0037] 图4为本发明实施例所提供的预报热带气旋频数的装置的示意图。
[0038] 图5为本发明实施例所提供的预报热带气旋频数的设备的示意图。
具体实施方式
[0039] 本发明的核心是提供预报热带气旋频数的方法，实现优化预报模型、提高预报的准确性；本发明的另一核心是提供预报热带气旋频数的装置、设备以及计算机可读存储介质，均具有上述技术效果。
[0040] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041] 请参考图1，图1为本发明实施例所提供的预报热带气旋频数的方法的流程示意图；参考图1，该预报热带气旋频数的方法包括：
[0042] 将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量；
[0043] 使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用BP神经网络的方法进行预报。
[0044] 具体的，对热带气旋生成可能产生影响的变量，包含大气及海洋对热带气旋生成可能产生影响的变量，包含低频变异。本实施例中，针对西北太平洋热带气旋生成，即台风的生成，包含六个基本条件，可以分成三类。首先是热力条件，主要是①比较暖的海面，要求海面及海面以下60米处的水温要大于26℃；②位势不稳定；这两个条件为对流的发生提供了热力基础。其次是动力条件，主要是③在低空或者在边界层中应该有一个热带扰动，为对流的发生提供最基本的条件；④位置应该在大于5°的纬度地区，即有一定的科氏力，可以使对流发生转动。最后是环境条件,主要是⑤对流层的中部需要保证一定的湿度，也就是在500hPa～700hPa之间的相对湿度要大于50％，一般都在70％～80％之间；⑥风速的垂直切变小，如果垂直切变大的话，那么台风内部不容易形成暖心结构，一般而言，要求200hPa和
850hPa之间风速的垂向切变要小于10m/s。
850hPa之间风速的垂向切变要小于10m/s。
[0045] 本实施例，对西北太平洋热带气旋可能产生影响的变量，如海表面温度，低层的涡度，科氏力，风速垂向切变，大气中层湿度，大气不稳定性，海洋上层变量等作为模式的背景场。其中海表面温度为SST；低层涡度和科氏力选择使用850hPa的绝对涡度或1000hPa的绝对涡度来表示；风速垂向切变为200hPa和850hPa之间风速的向量差；大气中层湿度使用700hPa的相对湿度，大气的不稳定性用CAPE来表示。CAPE(the convective available potential energy)是对流有效位能，它是一个关于温度，压强和比湿的一个函数。同时，基于CAPE和海表温度以及对流层上层流出层的温度计算出来的潜在强度PI。还包含海洋上层多种变量，如相对SST，海洋表层的热通量，混合层的深度，海洋上层的热含量以及不同温度的等温线深度等。
[0046] 具体的，对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量；运用逐步回归分析方法，对上述的各个变量的特征值与台风生成的频数之间进行逐步回归分析，以选出合适的变量。对于通过检验的变量保留，对未通过检验的变量剔除，可利用逐步回归筛选并剔除引起多重共线性的变量。本实施例中对于西北太平洋热带气旋最后选择出的变量为①850hPa的绝对涡度；②500hPa的垂向速度；③潜热通量；④混合层的平均温度以及⑤26℃等温线的深度。
[0047] 具体的，使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用神经网络的方法进行预报。本实施例即使用变量850hPa的绝对涡度，500hPa的垂向速度，潜热通量，混合层的平均温度，26℃等温线的深度作为模式的特征值，台风生成的频数作为预报量，使用BP神经网络的方法获取预报模型或利用获取的预报模型进行预报。
[0048] 具体的，BP神经网络的实施步骤主要通过Python代码实现，深度学习框架为Tensorflow。Tensorflow在深度学习领域应用最为广泛，提供多种成熟的网络模型，计算效率相对较好。
[0049] 使用神经网络的方法获取预报模型或利用获取的预报模型进行预报。具体的，使用BP神经网络的方法获取预报模型是指使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用BP神经网络的方法及历史数据形成用于进行预报的模型，该模型作为产品可供用户直接使用新观测的数据进行预报。使用神经网络的方法利用获取的预报模型进行预报。具体的，利用该获取的预报模型进行预报采用的也是BP神经网络的方法。
[0050] 综上所述，本发明实施例所提供的预报热带气旋生成频数方法，考虑了大气及海洋对热带气旋的影响。可以不用考虑特征值和预报量之间的映射关系，不需要考虑热带气旋生成和气候背景场之间的非线性关系。实现优化预报模型、提高预报的准确性。
[0051] 在上述实施例的基础上，请参考图2及图3，图2为实施例预报热带气旋频数的方法进行回归分析的流程示意图；本实施例预报热带气旋生成频数的方法，将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量。
[0052] 具体包含：
[0053] 选择出对预报量贡献最大的变量，加入到回归方程中；
[0054] 在剩余的变量中继续找出贡献最大的变量，加入回归方程中；
[0055] 对变量进行检验，如果通过，则确定将该变量加入；如果没有通过，则刚才加入的变量剔除；
[0056] 对剩余的变量重复上述步骤，直到没有因子剔除，也没有因子引入。
[0057] 参考图2具体的步骤，包含：
[0058] (1)准备好所有的变量：X1,X2,…,Xn；
[0059] (2)选择出最大贡献的因子Xk；Y＝aXk；
[0060] (3)选择剩下变量中贡献因子最大的变量Xm；
[0061] (4)判断是否存在与之前不同的Xm，如果是进行(5)，如果否作为GPI变量；
[0062] (5)如果有Xm，Y＝aXk+bXm；
[0063] (6)判断是否通过F检验；如果通过进行(7)，如果不通过进行(8)；
[0064] (7)加入Xm，Y＝aXk+bXm；进行(3)；
[0065] (8)移除Xm，Y＝aXk；进行(3)；重复上述步骤，直到没有因子剔除，也没有因子引入为止。
[0066] 请参考图3，图3为本发明实施例预报热带气旋频数的方法使用BP神经网络的方法进行预报的流程示意图。本实施例预报热带气旋生成频数的方法，使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用BP神经网络的方法进行预报；所述变量的特征值在BP神经网络的输入层中；热带气旋的生成频数在输出层中；变量的特征值与热带气旋的生成频数之间的映射关系在隐藏层中。
[0067] 使用BP神经网络的方法进行预报，具体的包含：
[0068] (1)首进行网络的初始化。根据已经确定的特征值和预报量来确定输入层的节点数为5，输出层的节点数为1，隐含层的节点数根据公式s＝sqrt(0.43mn+0.12nn+2.54m+0.77n+0.35)+0.51(m是输入层的个数，n是输出层的个数)确定为4，随机给定输入层和隐藏层之间的权值ω1和阈值b，以及隐藏层和输出层之间的ω2和阈值β和学习速率等参数，学习系数选择在0.1～0.8之间。
[0069] (2)隐含层的输出计算，根据输入层的特征值x，权值ω1和阈值b，计算隐含层的输出值。
[0070] (3)输出层的输出计算，根据隐含层的输出值，输出权值ω2和阈值β，计算输出结果y。
[0071] (4)根据网络输出的y和期望输出的观测值y’计算损失函数。
[0072] (5)使用Widrow-Hoff学习规则，调整神经网络的权值和阈值数，一直到损失函数达到最小。
[0073] 将数据分为训练用数据和验证用数据，对训练用数据进行神经网络训练后，可以得到一个模型。最后，将验证所用的数据集输入到该模型中进行验证，验证模型的准确性，验证数据的准确性使用预报数据与预报量y之间的相关系数来表示。使用BP神经网络模型预报出的数据的准确度在72％，比使用传统模型(0.37)，对传统模型进行改进后的模型(0.53)在准确性上有一定程度的提高。
[0074] 本发明还提供了一种预报热带气旋生成频数的装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图4，图4为本发明实施例所提供一种预报热带气旋生成频数的装置的示意图；结合图4，该装置包括：
[0075] 回归分析模块，用于将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量；
[0076] 神经网络模块，用于使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用BP神经网络的方法进行预报。
[0077] 在上述实施例的基础上，可选的，所述回归分析模块，用于将对热带气旋生成可能产生影响的变量的特征值与热带气旋生成的生成频数进行逐步回归分析，并检验，如果检验通过，则保留变量，包含：
[0078] 选择出对预报量贡献最大的变量，加入到回归方程中；
[0079] 在剩余的变量中继续找出贡献最大的变量，加入回归方程中；
[0080] 对变量进行检验，如果通过，则确定将该变量加入；如果没有通过，则刚才加入的变量剔除；
[0081] 对剩余的变量重复上述步骤，直到没有因子剔除，也没有因子引入。
[0082] 在上述实施例的基础上，可选的，所述神经网络模块，用于使用保留的变量作为特征值、热带气旋生成的生成频数作为预报量，使用BP神经网络的方法进行预报；
[0083] 所述变量的特征值在BP神经网络的输入层中；
[0084] 热带气旋的生成频数在输出层中；
[0085] 变量的特征值与热带气旋的生成频数之间的映射关系在隐藏层中。
[0086] 在上述实施例的基础上，可选的，检验方法是F检验。
[0087] 本发明还提供了一种预报热带气旋生成频数的设备，请参考图5，图5为本发明实施例所提供一种预报热带气旋生成频数的设备的示意图。参考图5，该设备包括：
[0088] 存储器，用于存储计算机程序；
[0089] 处理器，用于执行所述计算机程序时实现上述任一预报热带气旋生成频数的方法的步骤。
[0090] 对于本发明所提供的设备的介绍请参照上述方法的实施例，本发明在此不做赘述。
[0091] 本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述任一预报热带气旋生成频数的方法的步骤。
[0092] 该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
[0093] 对于本发明所提供的计算机可读存储介质的介绍请参照上述方法实施例，本发明在此不做赘述。
[0094] 说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0095] 专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0096] 结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦写可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
[0097] 以上对本发明所提供的计算机管理方法、相关设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种面向灾害风险评估的热带气旋全路径模拟方法 | 2020-05-23 | 113 |
| 基于GIS的台风登陆相似分析方法 | 2020-05-24 | 949 |
| 一种基于时变气象数据的热带气旋动态仿真方法 | 2020-05-13 | 317 |
| 基于深度目标检测和数值天气预报的热带气旋预报方法 | 2020-05-14 | 410 |
| 热带气旋引发沿海地区瞬时极大风风速预报方法和系统 | 2020-05-22 | 367 |
| 基于深度学习混合CNN-LSTM模型的台风预测方法 | 2020-05-15 | 97 |
| 热带气旋中心定位的红外亮温偏差角梯度分布均匀性方法 | 2020-05-22 | 856 |
| 一种红外云图气旋分析方法及分析系统 | 2020-05-17 | 19 |
| 用于增强金属屋面板承载能力抵御热带气旋的夹具 | 2020-05-20 | 629 |
| 用于增强金属屋面板承载能力抵御热带气旋的扣件 | 2020-05-20 | 472 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
热带气旋热门专利
QQ群二维码
意见反馈
意见反馈