一种温压廓线的反演方法和系统
阅读：0发布：2020-05-21
专利汇可以提供一种温压廓线的反演方法和系统专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种温压廓线的反演方法和系统。所述方法包括：根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库；根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟 光谱 ；根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据回归系统、卫星观测光谱计算得到相应的温压廓线。本发明的温压廓线的反演方法，不仅适用于掩星观测几何的 传感器 ，同时满足业务化运行系统时效性的要求。，下面是一种温压廓线的反演方法和系统专利的具体信息内容。
1.一种温压廓线的反演方法，其特征在于，所述方法包括：
根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库；
根据掩星观测信息，从所述训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱；所述掩星观测信息包括以下一项或多项：掩星观测序列的观测时间信息、掩星观测序列的经纬度信息以及与观测光谱对应的观测切高信息；
根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，对于每景观测数据都进行所述回归系数的计算，以及根据所述回归系数、卫星观测光谱计算得到相应的温压廓线。
2.根据权利要求1所述的方法，其特征在于，所述选取调用的模型具体是正向辐射传输模型。
3.根据权利要求1所述的方法，其特征在于，在所述根据选取的月份信息和经纬度信息，从数据集中调取相应的数据之前，所述方法还包括：
获取与进行反演运算相关的数据，并将相关数据形成相应的数据集。
4.根据权利要求1所述的方法，其特征在于，匹配出相应的训练样本集的公式具体为：
Xtr为[l×n]维矩阵，其中，l为大气层数，n为样本数，Xtr为匹配出的训练样本集。
5.根据权利要求1所述的方法，其特征在于，生成模拟观测值的公式具体为：
Ytr为[m×n]维矩阵，其中，m为对待反演的通道数与切高数进行乘法运算所得到的数值，n为样本数，Ytr为与训练样本集中的训练样本对应的模拟观测值。
6.根据权利要求1所述的方法，其特征在于，生成观测光谱的回归系数的公式具体为：
C＝XtrYtr(YtrTYtr)-1，其中，C为观测光谱的回归系数，Xtr为匹配出的训练样本集，Ytr为与训练样本集中的训练样本对应的模拟观测值，下标tr表示训练样本，上标T代表矩阵的转置。
7.根据权利要求1所述的方法，其特征在于，生成温压廓线的公式具体为：
X＝CYT，其中，X为大气温压廓线，Y为卫星观测数据，C为观测光谱的回归系数，上标T代表矩阵的转置。
8.一种温压廓线的反演系统，其特征在于，所述系统包括：
训练样本库生成单元，根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库；
匹配生成单元，根据掩星观测信息，从所述训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱；所述掩星观测信息包括以下一项或多项：掩星观测序列的观测时间信息、掩星观测序列的经纬度信息以及与观测光谱对应的观测切高信息；
计算单元，根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，对于每景观测数据都进行所述回归系数的计算，以及根据所述回归系数、卫星观测光谱计算得到相应的温压廓线。
一种温压廓线的反演方法和系统
技术领域
[0001] 本发明涉及气象探测技术领域，具体而言，本发明涉及一种温压廓线的反演方法和系统。
背景技术
[0002] 现有的技术，温度和压力廓线是进行痕量气体反演所必备的大气参数。温压参数精度会影响大气成分反演的精度。目前，利用CO2的吸收通道进行温压反演是常规的做法。常见的，针对温压廓线，有基于统计的反演方法和基于物理的反演方法两种。
[0003] 由于统计反演方法能够简化反演过程，加快反演速度，因此，适用于对大气参数反演有时效性要求的运行系统。具体地，统计反演方法包括基于特征向量的统计反演方法，以及基于神经网络的统计反演方法。目前这种统计反演方法在天底探测几何传感器上得以运用。但是若进行统计反演的对象是掩星观测几何的传感器，由于每景产品的切高位置与数目均不固定，因此，相应的训练样本对应的回归系统的维数也不相同。由于上述缺陷，使得统计反演方法的应用受到限制。
[0004] 由于物理反演方法采用了正向辐射传输模型，从而使得物理反演方法有明确的物理意义，相应的反演精度较高。具体地，物理反演方法包括剥洋葱物理反演方法和最优物理反演方法。目前无论进行物理反演的对象是掩星观测几何的传感器，还是临边传感器，均采用上述物理反演方法进行反演。但是，上述物理反演方法也有不足之处：若进行物理反演的对象是高光谱掩星传感器，则相应的物理反演过程十分耗时。
[0005] 因此，若进行反演的对象是掩星观测几何的传感器，则针对上述反演方法存在的缺陷，需要一种新的反演方法以解决上述现有的反演方法所存在的缺陷。
发明内容
[0006] 本发明提供一种温压廓线的反演方法和系统，不仅适用于掩星观测几何的传感器，同时满足业务化运行系统时效性的要求。
[0007] 第一方面，本发明实施例提供了一种温压廓线的反演方法，所述方法包括：
[0008] 根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库；
[0009] 根据掩星观测信息，从所述训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱；
[0010] 根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据所述回归系统、卫星观测光谱计算得到相应的温压廓线。
[0011] 优选的，所述掩星观测信息包括以下一项或多项：
[0012] 掩星观测序列的观测时间信息、掩星观测序列的经纬度信息以及与观测光谱对应的观测切高信息。
[0013] 优选的，所述选取调用的模型具体是正向辐射传输模型。
[0014] 优选的，在所述根据选取的月份信息和经纬度信息，从数据集中调取相应的数据之前，所述方法还包括：
[0015] 获取与进行反演运算相关的数据，并将相关数据形成相应的数据集。
[0016] 优选的，匹配出相应的训练样本集的公式具体为：
[0017] Xtr为[l×n]维矩阵，其中，l为大气层数，n为样本数，Xtr为匹配出的训练样本集。
[0018] 优选的，生成模拟观测值的公式具体为：
[0019] Ytr为[m×n]维矩阵，其中，m为对待反演的通道数与切高数进行乘法运算所得到的数值，n为样本数，Ytr为与训练样本集中的训练样本对应的模拟观测值。
[0020] 优选的，生成观测光谱的回归系数的公式具体为：
[0021] C＝XtrYtr(YtrTYtr)-1，其中，C为观测光谱的回归系数，Xtr为匹配出的训练样本集，Ytr为与训练样本集中的训练样本对应的模拟观测值，下标tr表示训练样本，上标T代表矩阵的转置。
[0022] 优选的，生成温压廓线的公式具体为：
[0023] X＝CYT，其中，X为大气温压廓线，Y为卫星观测数据，C为观测光谱的回归系数，上标T代表矩阵的转置。
[0024] 第二方面，本发明实施例还提供了一种温压廓线的反演系统，所述系统包括：
[0025] 训练样本库生成单元，根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库；
[0026] 匹配生成单元，根据掩星观测信息，从所述训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱；
[0027] 计算单元，根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据所述回归系统、卫星观测光谱计算得到相应的温压廓线。
[0028] 优选的，所述匹配生成单元对应的所述掩星观测信息包括以下一项或多项：
[0029] 掩星观测序列的观测时间信息、掩星观测序列的经纬度信息以及与观测光谱对应的观测切高信息。
[0030] 因此，本发明提供的温压廓线的反演方法，根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱，进而结合选取的统计回归模型，计算得到相应的观测光谱的回归系数，从而使得本发明提供的温压廓线的反演方法能够适用于掩星观测几何的传感器，解决了现有的统计反演方法的温压廓线回归系统的维数不具有普适性的缺陷。
[0031] 此外，由于根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库，从而使得由此建立的训练样本库中的温压廓线能够随时间和空间的变化而变化，从而得到的回归系统更加精准。进一步地，基于该动态回归系统的温压廓线进行统计反演，简化了反演过程，加快了反演速度，从而满足业务化运行系统时效性的要求。附图说明
[0032] 图1是本发明实施例提供的温压廓线的反演方法的流程图；
[0033] 图2是本发明具体实例中的掩星传感器温压廓线反演流程图；
[0034] 图3是本发明具体实例中的sr38154温度廓线(纬度63°N，经度287°)，其中，数字1指示的曲线图示出了反演结果，数字2指示的曲线图示出了ACE-FTS官方温度廓线产品结果；
[0035] 图4是本发明具体实例中的sr38154温度廓线(纬度63°N，经度287°)与ACE-FTS官方温度廓线之间的差值；
具体实施方式
[0037] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
[0038] 本发明实施例提供了温压廓线的反演方法，根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱，进而结合选取的统计回归模型，计算得到相应的观测光谱的回归系数，从而使得本发明提供的温压廓线的反演方法能够适用于掩星观测几何的传感器，解决了现有的统计反演方法的温压廓线回归系统的维数不具有普适性的缺陷。
[0039] 图1是本发明实施例提供的温压廓线的反演方法的流程图。
[0040] 下面根据图1，对本发明的温压廓线的反演方法进行描述，如图1所示，温压廓线的反演方法包括如下步骤：
[0041] 步骤101，根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库。
[0042] 在实际应用中，例如，选择逐月的月份，纬度选择5°，从而将数据集根据不同的月份和经纬度分类入库，建立逐月的，5°纬度格网的训练样本库。这仅仅是个示例而已。
[0043] 需要说明的是，为了得到包含更多客观、准确、多样数据的训练样本集，在根据选取的月份信息和经纬度信息，从数据集中调取相应的数据之前，本发明的温压廓线的反演方法还包括：
[0044] 获取与进行反演运算相关的数据，并将相关数据形成相应的数据集。
[0045] 步骤102，根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱。其中，匹配出相应的训练样本集的公式具体为：Xtr为[l×n]维矩阵，其中，l为大气层数，n为样本数，Xtr为匹配出的训练样本集。
[0046] 在具体反演实例中，掩星观测信息可以为：掩星观测序列的观测时间信息，掩星观测信息或者为：掩星观测序列的经纬度信息，掩星观测信息也可以为：与观测光谱对应的观测切高信息。
[0047] 由于掩星观测几何切高序列不固定的特点，每景观测数据都生成与之相对应的回归系统，从而改进了使用原有的统计回归方法反演温压廓线回归系统的维数不具有普适性的缺陷。
[0048] 需要说明的是，选取调用的模型可以为：正向辐射传输模型。需要说明的是，正向模型是在给定某一大气状态的前提下，对掩星观测不同切高上的太阳透过率光谱进行计算。包括大气辐射传输方程和仪器特征两部分。本文采用德国布莱梅大学开发的SCIATRAN v3.3作为正向辐射传输模式。该辐射传输模式可以应用于任何观测几何(天底、临边、掩星)和任何观测位置(空基、地基、星基、水下)的光谱模拟。
[0049] 进而，根据匹配出的训练样本集和选取调用的正向辐射传输模型生成相应的模拟光谱。
[0050] 需要说明的是，在模拟的过程中，假定其它大气成分是固定的，只有温度与压强廓线是随样本变化的，正向模型中的切高设置于观测的切高设置保持一致。
[0052] 具体地，生成模拟观测值的公式具体为：Ytr为[m×n]维矩阵，其中，m为对待反演的通道数与切高数进行乘法运算所得到的数值，n为样本数，Ytr为与训练样本集中的训练样本对应的模拟观测值。
[0053] 正是通过上述步骤，获得了包含了温度与压强廓线，以及与训练样本集中的训练样本对应的模拟观测值的统计回归训练样本。
[0054] 步骤103，根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据回归系统、卫星观测光谱计算得到相应的温压廓线。
[0055] 具体地，将Xtr，Ytr带入统计回归模型，可求的对应目标观测光谱的回归系统C。其中，生成观测光谱的回归系数的公式具体为：C＝XtrYtr(YtrTYtr)-1，其中，C为观测光谱的回归系数，Xtr为匹配出的训练样本集，Ytr为与训练样本集中的训练样本对应的模拟观测值，下标tr表示训练样本，上标T代表矩阵的转置。
[0056] 进一步地，在得到观测光谱的回归系统C之后，将该得到的回归系统C带入生成温压廓线的公式中，可求的与观测光谱相对应的温压廓线。
[0057] 具体地，生成温压廓线的公式具体为：X＝CYT，其中，X为大气温压廓线，Y为卫星观测数据，C为观测光谱的回归系数，上标T代表矩阵的转置。
[0058] 在本发明的具体应用场景下，为了获得更加准确的温压廓线，对于每景掩星观测数据，重复步骤102中的根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱，以及步骤103中的根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据回归系统、卫星观测光谱计算得到相应的温压廓线。
[0059] 图2是本发明具体实例中的掩星传感器温压廓线反演流程图。以ACE-FTS掩星传感器的1景观测光谱sr38154(2010-09-13，纬度63°N，经度287°)为例，说明上述过程，并将反演结果与官方产品相对比。其流程图如2所示。
[0060] 结合图2对相应的步骤进行说明。
[0061] 步骤1：数据集的选择。
[0062] 具体地，本发明选用ACE-FTS Level2 v3.5廓线产品，时间跨度为2004年2月～2013年6月，整个廓线样本集共32025个样本，地理位置覆盖从北纬85度到南纬85度的全球大部分区域，时间分布上含盖了不同季节的数据，所有的大气成分廓线样本都插值处理1km间隔的0.5～149.5km的高度格网上。
[0063] 步骤2：将数据集根据不同的月份和经纬度分类入库，建立逐月的，5°纬度平均的训练样本库。
[0064] 步骤3：根据sr38154的观测时间与经纬度信息，匹配到训练样本库中9月份，65°N的纬向月平均训练样本集，共182条廓线Xtr。
[0065] 步骤4：在正向模型SIATRAN中，输入sr38154的观测切高(98.91km、93.11km、87.28km、81.41km、75.53km、69.62km、63.67km、57.71km、51.72km、45.65km、39.78km、
34.35km、29.53km、21.29km、18.14km、15.61km、13.46km、12.19km)，逐次代入182条训练样本廓线，得到模拟光谱Ytr。
34.35km、29.53km、21.29km、18.14km、15.61km、13.46km、12.19km)，逐次代入182条训练样本廓线，得到模拟光谱Ytr。
[0066] 步骤5：将训练样本集Xtr与模拟光谱Ytr带入统计回归模型求的回归系数。
[0067] 步骤6：利用回归系数与卫星观测光谱求的相对应的温压廓线。
[0068] 进一步地，为了更好地说明如图2所示的反演结果，图3示出了本发明具体实例中的sr38154温度廓线(纬度63°N，经度287°)，其中，数字1指示的曲线图示出了反演结果，数字2指示的曲线图示出了ACE-FTS官方温度廓线产品结果。
[0070] 进一步地，图4示出了本发明具体实例中的sr38154温度廓线(纬度63°N，经度287°)与ACE-FTS官方温度廓线之间的差值所形成的曲线。
[0071] 从图4可以看出，本申请的反演结果与官方产品的相对误差较小。在70km以下，差值在±2K以内，70km以上。随高度的增加，相对误差幅度变大，差值在4K-6k之间。
[0072] 本发明提供的温压廓线的反演方法，根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱，进而结合选取的统计回归模型，计算得到相应的观测光谱的回归系数，从而使得本发明提供的温压廓线的反演方法能够适用于掩星观测几何的传感器，解决了现有的统计反演方法的温压廓线回归系统的维数不具有普适性的缺陷。
[0073] 进一步地，由于根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库，从而使得由此建立的训练样本库中的温压廓线能够随时间和空间的变化而变化，从而得到的回归系统更加精准。进一步地，基于该动态回归系统的温压廓线进行统计反演，简化了反演过程，加快了反演速度，从而满足业务化运行系统时效性的要求。
[0074] 图5是本发明实施例提供的温压廓线的反演系统的结构框架图。
[0075] 相应的，本发明实施例还提供了一种温压廓线的反演系统，用以实现本发明实施例提供的温压廓线的反演方法。图5是本发明实施例提供的温压廓线的反演系统的结构框架图。
[0076] 以下结合图5，对本发明提供的温压廓线的反演系统进行描述。如图5所示，该温压廓线的反演系统包括：训练样本库生成单元501，匹配生成单元502和计算单元503。
[0077] 具体地，训练样本库生成单元501，根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库。
[0078] 此外，为了得到包含更多客观、准确、多样数据的训练样本集，本发明实施例提供的温压廓线的反演系统还包括：数据采集及数据集生成单元(在图5中未示出)。
[0079] 具体地，数据采集及数据集生成单元，在根据选取的月份信息和经纬度信息，从数据集中调取相应的数据之前，获取与进行反演运算相关的数据，并将相关数据形成相应的数据集。
[0080] 匹配生成单元502，根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱。
[0081] 其中，匹配生成单元502对应的掩星观测信息可以为：掩星观测序列的观测时间信息，或者为：掩星观测序列的经纬度信息，还可以为：与观测光谱对应的观测切高信息。
[0082] 其中，匹配生成单元502选取调用的模型具体可以为：正向辐射传输模型。
[0083] 进一步地，匹配生成单元502用于匹配出相应的训练样本集的公式具体为：Xtr为[l×n]维矩阵，其中，l为大气层数，n为样本数，Xtr为匹配出的训练样本集。
[0084] 进一步地，匹配生成单元502用于生成模拟观测值的公式具体为：Ytr为[m×n]维矩阵，其中，m为对待反演的通道数与切高数进行乘法运算所得到的数值，n为样本数，Ytr为与训练样本集中的训练样本对应的模拟观测值。
[0085] 计算单元503，根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据回归系统、卫星观测光谱计算得到相应的温压廓线。
[0086] 具体地，计算单元503用于生成观测光谱的回归系数的公式具体为：
[0087] C＝XtrYtr(YtrTYtr)-1，其中，C为观测光谱的回归系数，Xtr为匹配出的训练样本集，Ytr为与训练样本集中的训练样本对应的模拟观测值，下标tr表示训练样本，上标T代表矩阵的转置。
[0088] 进一步地，计算单元503用于生成温压廓线的公式具体为：X＝CYT，其中，X为大气温压廓线，Y为卫星观测数据，C为观测光谱的回归系数，上标T代表矩阵的转置。
[0089] 因此，本发明提供的温压廓线的反演系统，匹配生成单元根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱，进而结合选取的统计回归模型，计算得到相应的观测光谱的回归系数，从而使得本发明提供的温压廓线的反演系统能够适用于掩星观测几何的传感器，解决了现有的统计反演系统的温压廓线回归系统的维数不具有普适性的缺陷。
[0090] 此外，本发明提供的温压廓线的反演系统，由于训练样本库生成单元根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库，从而使得由此建立的训练样本库中的温压廓线能够随时间和空间的变化而变化，从而得到的回归系统更加精准。进一步地，基于该动态回归系统的温压廓线进行统计反演，简化了反演过程，加快了反演速度，从而满足业务化运行系统时效性的要求。
[0091] 专业人员应该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。
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。
[0092] 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、电可擦除可编程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。
[0093] 以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 传送器与接收器 | 2020-10-28 | 2 |
| 红外热成像设备的检测系统 | 2021-12-07 | 2 |
| 一种智能型土壤分层采样设备及方法 | 2022-01-10 | 0 |
| 一种船载自动式海气通量观测系统 | 2023-08-28 | 0 |
| 一种真空绝热板芯材及其制备方法以及一种真空绝热板 | 2023-09-05 | 0 |
| 一种多功能透写台 | 2023-09-11 | 1 |
| 医用吊瓶挂架 | 2021-06-06 | 2 |
| 高压大电流直流滤波器 | 2021-07-10 | 2 |
| 一种蒸烤式一体机 | 2022-08-19 | 0 |
| 一种辐射空调系统的毛细管修复装置 | 2022-06-02 | 2 |
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。
QQ群二维码
意见反馈
意见反馈