CN112131990B - 适用于复杂场景的毫米波网络降雨反演模型构建方法 - Google Patents

适用于复杂场景的毫米波网络降雨反演模型构建方法 Download PDF

Info

Publication number
CN112131990B
CN112131990B CN202010964571.2A CN202010964571A CN112131990B CN 112131990 B CN112131990 B CN 112131990B CN 202010964571 A CN202010964571 A CN 202010964571A CN 112131990 B CN112131990 B CN 112131990B
Authority
CN
China
Prior art keywords
link
millimeter wave
rainfall
attenuation
data
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
Application number
CN202010964571.2A
Other languages
English (en)
Other versions
CN112131990A (zh
Inventor
郑鑫
杨涛
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010964571.2A priority Critical patent/CN112131990B/zh
Publication of CN112131990A publication Critical patent/CN112131990A/zh
Application granted granted Critical
Publication of CN112131990B publication Critical patent/CN112131990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/20—Monitoring; Testing of receivers
    • H04B17/21—Monitoring; Testing of receivers for calibration; for correcting measurements

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Atmospheric Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种适用于复杂场景的毫米波网络降雨反演模型构建方法，其具体步骤为：第一步，获得毫米波网络中各链路信号衰减值A；第二步，建立考虑复杂场景的毫米波降雨反演模型，第三步，对各链路，根据历史实测衰减值AC以及同时间尺度雨量站历史降雨数据R构建历史数据集，通过参数率定的方式确定第五步中的各链路的模型参数s、d、m、c、τ。本发明的一种适用于复杂场景的毫米波网络降雨反演模型构建方法，可以适用于不同气候区、不同链路情况的毫米波降雨反演，且无需前期进行湿天线影响及杂波去除等噪声处理步骤，提高了训练数据集的可靠性。

Description

适用于复杂场景的毫米波网络降雨反演模型构建方法
技术领域
本发明涉及适用于复杂场景的毫米波网络降雨反演模型构建方法，属于气象要素监测技术领域。
背景技术
利用毫米波网络进行降雨实时监测是一种新型的降雨监测技术。目前，反演模型主要分为两种类型：具有物理基础的ITU雨衰模型以及基于机器学习方法建立的模型。ITU模型不需要前期标签数据，但随链路特性及应用地区的不同，导致反演精度较低，无法很好的应用于各地区毫米波网络；机器学习方法是利用雨量站数据结合周围毫米波元数据、衰减数据进行学习训练，该方法由于数据集构建时仍使用整体毫米波网络数据，使得机器学习方法得到的模型具有很强的模糊性，各链路反演精度仍有待提高。另一方面，目前的毫米波降雨反演方法对数据的前期处理均包括干湿期判别、基础衰减扣除、湿天线影响扣除等步骤，这些步骤的加入又会引入新的误差，且这些方法均不能有效处理毫米波信号中存在的周期性信号。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种适用于复杂场景的毫米波网络降雨反演模型构建方法，可以适用于不同气候区、不同链路情况的毫米波降雨反演，且无需前期进行湿天线影响及杂波去除等噪声处理步骤，提高了训练数据集的可靠性。
技术方案：为解决上述技术问题，本发明的适用于复杂场景的毫米波网络降雨反演模型构建方法，其具体步骤为：
第一步，获得毫米波网络中各链路信号发射端信号强度TSL、接收端的信号强度RSL，并对数据进行预处理，对丢失信号强度进行插补，对奇异值进行去除并插补，获得链路附近雨量站同期数据；
第二步，利用预处理后各链路的发射端信号强度TSL减去接收端的信号强度RSL，得到信号衰减值A；
第三步，利用滑动窗口最小值得到基础信号衰减ABL，并将信号衰减值A减去基础信号衰减ABL，得到修正后的衰减值AC,滑动窗口的大小设为τ，对于第i条链路的t时刻，其具体形式为:
Figure BDA0002681763940000021
Figure BDA0002681763940000022
通过计算所有T个时刻的修正值
Figure BDA0002681763940000023
后，得到第i条链路的修正后衰减值AC；
第四步，将毫米波链路数据修正后的衰减值AC进行时间重采样，时间精度与雨量站降雨数据保持一致，重采样后的修正后衰减值记为A'C，对于第i条链路的衰减值即为
Figure BDA0002681763940000024
第五步，对毫米波网络中各链路分别建立考虑复杂场景的毫米波降雨反演模型，
对于第i条链路，i为正整数，其模型具体形式为：
Figure BDA0002681763940000025
其中，Ri为第i条链路的降雨强度；si、di、mi、ci、τi为第i条链路模型参数，si、di与链路频率、极化方式有关，mi、ci与区域环境有关，τ为滑动窗口参数；A'C为第四步中得到的第i条链路经过重采样的修正后基础衰减量；Li为第i条链路长度；
第六步，对各链路，根据历史实测衰减值A'C以及同期雨量站历史降雨数据R构建历史数据集，通过参数率定的方式确定第五步中的各链路的模型参数s、d、m、c、τ。
作为优选，第四步中，对于毫米波链路修正后衰减数据进行重采样方法选择取时间步长内的修正后衰减的平均值作为时段末的修正后衰减值。
作为优选，第六步中，利用SCE-UA算法对模型参数进行率定，目标函数选用纳什效率系数NSE。
有益效果：本发明的一种适用于复杂场景的毫米波网络降雨反演模型构建方法，模型结构中考虑了区域环境要素对毫米波衰减的影响，能够针对不同区域、不同链路属性给出相对应的反演模型，能够满足复杂场景下毫米波降雨反演的需求，相较于其他技术具有更强的适用性；本发明中对于毫米波衰减数据利用滑动窗口最小值进行修正，通过局部衰减特征过滤噪声，与其他技术相比，简化了数据处理步骤，避免了误差的引入，且能够有效去除毫米波周期性信号变化，提高了数据集的可靠性；本发明中对毫米波衰减数据采用的滑动窗口参数采用率定方式确定取值，符合毫米波网络各链路频率、长度、极化方式不同的客观事实需求。
附图说明
图1为本发明的流程示意图。
图2是本发明方法确定的链路基础衰减量、衰减修正量与降雨对比的示例。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，一种适用于复杂场景的毫米波网络降雨反演模型构建方法，包括如下步骤，
第一步，获得毫米波网络中各链路信号发射端信号强度TSL、接收端的信号强度RSL，微波数据每10s采集一次，并对数据进行预处理，对丢失信号强度进行插补，对奇异值进行去除并插补，利用缺失值前后数据进行线性插值；获得链路附近雨量站同期15min的降雨强度数据；
第二步，利用预处理后各链路的发射端信号强度TSL减去接收端的信号强度RSL，得到信号衰减值A，对于第i条链路，其衰减值Ai＝TSLi-RSLi；
第三步，利用滑动窗口最小值得到基础信号衰减ABL，并将信号衰减值A减去基础信号衰减ABL，得到修正后的衰减值AC,滑动窗口的大小设为τ＝91，即91个数据的最小值做为第91个时刻的基础衰减，对于第i条链路的t时刻，其具体形式为:
Figure BDA0002681763940000031
Figure BDA0002681763940000032
通过计算所有T个时刻的修正值
Figure BDA0002681763940000033
后，得到第i条链路的修正后衰减值AC；
第四步，将毫米波链路数据修正后的衰减值AC进行时间重采样，时间精度取为15min，将15min内的修正后衰减值取平均，作为时段末时刻的修正后衰减值，与雨量站降雨数据保持一致，重采样后的修正后衰减值记为A'C；
第五步，对毫米波网络中各链路分别建立考虑复杂场景的毫米波降雨反演模型，对于第i条链路，其模型具体形式为：
Figure BDA0002681763940000034
其中，Ri为第i条链路的降雨强度；si、di、mi、ci、τi为第i条链路模型参数，si、di与链路频率、极化方式有关，mi、ci与区域环境有关，τ为滑动窗口参数；A'C为第四步中得到的第i条链路经过重采样的修正后基础衰减量；Li为第i条链路长度；
第六步，对各链路，根据历史实测衰减值AC以及同时间尺度雨量站历史降雨数据R构建数据集，利用SCE-UA算法结合率定数据集对各链路模型参数s、d、m、c、τ进行率定，目标函数选取纳什效率系数NSE。
本发明中，通过第四步，得到了第三步模型中的各个参数，当在实际中，只需要利用经过重采样的修正后衰减值A'C，即可得出链路降雨强度数据R。毫米波链路用于测雨时，由于所处气候区不同、链路频率及长短的组合方式不同，不能完全使用一个公式计算所有链路的数据，无论是有物理基础的反演模型还是机器学习模型，均没有针对复杂场景下的毫米波网络情况做出差异性建模，本发明中提出的反演模型不仅考虑了毫米波链路属性，同时引入环境要素的影响，与其他模型相比，具有更强的适用性。毫米波衰减数据进行降雨反演之前，往往需要先进行干湿期判别、基础衰减确定、湿天线影响去除等步骤，这些步骤处理方式的不同带来了很大的不确定性，不合理的处理往往带来很大的误差，且现有方法对各链路使用同一种处理方式，不能满足复杂毫米波网络的需求，另外，毫米波信号中存在明显的周期性，其他方法均不能有效解决，本发明中对于毫米波衰减数据利用滑动窗口最小值进行修正，滑动窗口最小值是一段时间内的最小值，对于降雨引发的毫米波衰减变量而言，局部范围内可考虑为随机过程，其最小值满足期望及方差为0，而诸如湿度及湿天线等非降雨环境因素造成的衰减并非随机变量，而是局部常量，因此，滑动窗口最小值可代表非降雨要素引发的衰减，即该最小值已经包含湿天线影响及其他非降雨因素带来的影响，合理的窗口大小能够准确将最小值通过各链路局部衰减特征过滤噪声，与其他技术相比，本发明所述方法简化了数据处理步骤，避免了误差的引入，且能够有效去除毫米波周期性信号变化，提高了数据集的可靠性；对于不同的链路，由于链路频率、长度、极化方式不同，窗口的大小也不同，本发明中对毫米波衰减数据采用的滑动窗口参数采用率定参数的方式确定取值，符合毫米波网络各链路频率、长度、极化方式不同的客观事实需求。
如图2所示，本发明能够有效过滤毫米波信号的周期性衰减，并且，本发明所得到的修正后衰减量与实测雨量站降雨数据具有极高的匹配度。
以上所述仅是本发明的优选实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种适用于复杂场景的毫米波网络降雨反演模型构建方法，其具体步骤为：
第一步，获得毫米波网络中各链路信号发射端信号强度TSL、接收端的信号强度RSL，并对数据进行预处理，对丢失信号强度进行插补，对奇异值进行去除并插补，获得链路附近雨量站同期数据；
第二步，利用预处理后各链路的发射端信号强度TSL减去接收端的信号强度RSL，得到信号衰减值A；
第三步，利用滑动窗口最小值得到基础信号衰减ABL，并将信号衰减值A减去基础信号衰减ABL，得到修正后的衰减值AC,滑动窗口的大小设为τ，对于第i条链路的t时刻，其具体形式为:
Figure FDA0002681763930000011
Figure FDA0002681763930000012
通过计算所有T个时刻的修正值
Figure FDA0002681763930000013
后，得到第i条链路的修正后衰减值AC；
第四步，将毫米波链路数据修正后的衰减值AC进行时间重采样，时间精度与雨量站降雨数据保持一致，重采样后的修正后衰减值记为A'C；
第五步，对毫米波网络中各链路分别建立考虑复杂场景的毫米波降雨反演模型
对于第i条链路，i为正整数，其模型具体形式为：
Figure FDA0002681763930000014
其中，Ri为第i条链路的降雨强度；si、di、mi、ci、τi为第i条链路模型参数，si、di与链路频率、极化方式有关，mi、ci与区域环境有关，τ为滑动窗口参数；A'C为第四步中得到的第i条链路经过重采样的修正后基础衰减量；Li为第i条链路长度；
第六步，对各链路，根据历史实测衰减值A'C以及同期雨量站历史降雨数据R构建历史数据集，通过参数率定的方式确定第五步中的各链路的模型参数s、d、m、c、τ。
2.根据权利要求1所述的适用于复杂场景的毫米波网络降雨反演模型构建方法，其特征在于：第四步中，对于毫米波链路修正后衰减数据进行重采样方法选择取时间步长内的修正后衰减的平均值作为时段末的修正后衰减值。
3.根据权利要求1所述的适用于复杂场景的毫米波网络降雨反演模型构建方法，其特征在于：第六步中，利用SCE-UA算法对模型参数进行率定，目标函数选用纳什效率系数NSE。
CN202010964571.2A 2020-09-15 2020-09-15 适用于复杂场景的毫米波网络降雨反演模型构建方法 Active CN112131990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010964571.2A CN112131990B (zh) 2020-09-15 2020-09-15 适用于复杂场景的毫米波网络降雨反演模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010964571.2A CN112131990B (zh) 2020-09-15 2020-09-15 适用于复杂场景的毫米波网络降雨反演模型构建方法

Publications (2)

Publication Number Publication Date
CN112131990A CN112131990A (zh) 2020-12-25
CN112131990B true CN112131990B (zh) 2021-05-14

Family

ID=73845076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010964571.2A Active CN112131990B (zh) 2020-09-15 2020-09-15 适用于复杂场景的毫米波网络降雨反演模型构建方法

Country Status (1)

Country Link
CN (1) CN112131990B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240148B (zh) * 2021-01-27 2022-02-08 河海大学 基于毫米波数据分层智能抽样的降水类型预测方法
CN113114388B (zh) * 2021-04-13 2022-02-15 中国人民解放军国防科技大学 一种基于电平时序动态记忆的天线沾湿损耗确定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101543400A (zh) * 2009-04-23 2009-09-30 深圳先进技术研究院 动物行为学检测与自动分析***和动物行为学分析方法
CN110031916A (zh) * 2019-03-07 2019-07-19 中国人民解放军国防科技大学 一种基于星地链路衰减效应的降雨强度测量方法
CN110133602A (zh) * 2018-02-08 2019-08-16 英飞凌科技股份有限公司 具有相位校正的雷达感测
CN110163472A (zh) * 2019-04-11 2019-08-23 中国水利水电科学研究院 大范围极端干旱应急监测与影响评估方法及***
CN110490228A (zh) * 2019-07-15 2019-11-22 中山大学 一种基于cpp的水文模型参数动态率定方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255100B (zh) * 2018-09-10 2020-07-28 河海大学 一种基于微波衰减特征响应指纹识别的城市降雨反演方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101543400A (zh) * 2009-04-23 2009-09-30 深圳先进技术研究院 动物行为学检测与自动分析***和动物行为学分析方法
CN110133602A (zh) * 2018-02-08 2019-08-16 英飞凌科技股份有限公司 具有相位校正的雷达感测
CN110031916A (zh) * 2019-03-07 2019-07-19 中国人民解放军国防科技大学 一种基于星地链路衰减效应的降雨强度测量方法
CN110163472A (zh) * 2019-04-11 2019-08-23 中国水利水电科学研究院 大范围极端干旱应急监测与影响评估方法及***
CN110490228A (zh) * 2019-07-15 2019-11-22 中山大学 一种基于cpp的水文模型参数动态率定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Extraordinary capacitive deionization performance of highly-ordered mesoporous carbon nanopolyhedra for brackish water desalination;杨涛 等;《Environmental Science Nano》;20190228;第1-2页 *
基于微波链路的降雨场反演方法研究;姜世泰 等;《物理学报》;20130815;第62卷(第15期);第1-8页 *

Also Published As

Publication number Publication date
CN112131990A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN112131990B (zh) 适用于复杂场景的毫米波网络降雨反演模型构建方法
De Vos et al. The potential of urban rainfall monitoring with crowdsourced automatic weather stations in Amsterdam
CN109581546B (zh) 基于微波链路衰减及偏振信息的降雨类型识别方法
CN113139700B (zh) 一种河流流量预测方法、装置、设备及存储介质
CN110650436B (zh) 基于WiFi数据的位置指纹库建立与拟合方法
CN116546431B (zh) 一种基于北斗全网通多网融合数据采集通信***及方法
CN113281754B (zh) 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法
CN116049632B (zh) 一种风电主轴轴承故障诊断方法、装置及应用
CN117574305B (zh) 一种设备运行状态实时监测方法及***
CN112131989B (zh) 一种基于空间降雨数据的毫米波测雨模型参数获取方法
CN114091362B (zh) 一种水位预测方法、***、存储介质及设备
CN115063111A (zh) 场次洪水识别方法、装置、电子设备及可读存储介质
CN112700039B (zh) 一种火电厂负荷运行数据的稳态检测与提取方法
CN117053838A (zh) 一种测距传感器测距结果校准方法
CN116761202B (zh) 一种基于5g通信技术的网络稳定监测维护***
CN114675277B (zh) 基于商用微波回传链路的近地面大气折射率廓线监测方法
CN105338462A (zh) 一种重现助听器***增益的实现方法
CN115656626A (zh) 一种新能源场站机端动态频率时空相关性分析方法
CN113114388B (zh) 一种基于电平时序动态记忆的天线沾湿损耗确定方法
CN114577360A (zh) 一种拉曼测温雷达信号自动分析校准及反演方法
CN113077083B (zh) 一种基于卫星遥感技术的污秽状况监测方法
CN113364541B (zh) 基于多频点信号强度的无线信号主径传输时延测量方法
CN116470975B (zh) 一种基于svr的自适应传播预测模型的建模方法
US9316715B2 (en) Process and system for calibrating a first loop feature value estimation method using a first locally measurable loop characteristic and a first set of parameters
CN117595506A (zh) 一种输电线路绝缘子污秽预警方法

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