一、文献基础信息

标题：Wireless Telecommunication Links for Rainfall Monitoring: Deep Learning Approach and
Experimental Results（用于降雨监测的无线电信链路：深度学习方法和实验结果）

作者：FEYISA DEBO DIBA

来源：IEEE Access，2021

DOI/链接：10.1109/ACCESS.2021.3076781

分类标签：开题阶段-方法类文献-深度学习、无线测雨

二、文献核心内容

目前，降雨监测方法包括天气雷达、雨量计和气象卫星，无线通信链路有很好应用前景，CML可以提供和天气雷达等非常一致的降雨信息。

雨量计(RG)被用作精确的地面雨量估算仪器。然而，由于校准或地面风引入的误差，它不能提供高空间分辨率的降雨信息；天气雷达可以解决RG的缺点并提供广泛的降水，但地面杂波经常影响它，导致较不准确的地面观测。

几种基于电信的降雨量测量算法：基于时间序列衰减的滚动标准差阈值、高斯因子图和随机森林分类器的马尔可夫切换模型、滚动平均法来确定动态基线

1. 研究问题：现有的大多数研究都是基于降雨的干燥和潮湿分类，而这篇文章的研究涉及的是各级降水的产生和年内分布的比较。

2. 核心方法：

•  ANN结构（人工神经网络）

• 文章中使用的LSTM结构（RNN的一种特殊类型）

3. 实验设计：这项研究涉及三个实验场景——韩国的地面链路、韩国的卫星链路和埃塞俄比亚的地面微波链路，利用了ANN和LTSM深度学习方法进行实验并进行结果分析。

4. 核心结果：用深度学习(ANN和LSTM)技术生成的降雨率的统计分布(CCDF：随机数据的互补累积分布函数和PDF：概率密度函数)与实际降雨量进行了比较。

• 基于深度学习的生成雨量与实测雨量的复合分布函数比较

     

分析上面六副图可以看出：对于相同的链路距离和工作频率，LSTM模型比ANN模型提供了更好的预测。

• 使用ANN和LSTM学习模型相对于地面链路的38 GHz处的接收信号电平测量的和样本生成的降雨率事件。

      

可以看出：随着接收信号电平(RSL)值的减小，相应的降雨率值增加，即信号功率的高衰减表示更大的降雨量。

结果表明：

• 由于卫星链路无线电波传播受非降雨大气因素的影响，地面链路比卫星链路具有更好的预测效果

• LSTM模型的预测效果优于ANN模型

• 一般来说，频率较高的链路比频率较低的链路具有更高的雨衰减，更适合用于监测降雨。然而，38 GHz频段在降雨率较高时比75 GHz频段更准确，因为75 GHz频段的波长比雨滴大小短。

5. 局限性：~

三、与我的课题关联

1. 可复用内容：

研究人员已经开发了几种基于电信的降雨量测量算法。文献[32]中提出的第一种降雨事件检测方法是基于时间序列衰减的滚动标准差阈值。该技术也被用于最近的研究[7]、[17]、[33]，例如在滚动窗口上展开傅里叶变换以检测频域中的雨事件模式的研究[34]。

[32] M. Schleiss and A. Berne, ‘‘Identification of dry and rainy periods using telecommunication microwave links,’’ IEEE Geosci. Remote Sens. Lett.,vol. 7, no. 3, pp. 611–615, Jul. 2010, doi: 10.1109/lgrs.2010.2043052.

[34] C. Chwala, A. Gmeiner, W. Qiu, S. Hipp, D. Nienaber, U. Siart, T. Eibert,M. Pohl, J. Seltmann, J. Fritz, and H. Kunstmann, ‘‘Precipitation obser-vation using microwave backhaul links in the alpine and pre-alpine region of Southern Germany,’’ Hydrol. Earth Syst. Sci., vol. 16, no. 8,pp. 2647–2661, Aug. 2012, doi: 10.5194/hess-16-2647-2012.

2. 待改进方向：~

3. 引用场景：深度学习方法

四、疑问和待跟进

1. 疑问：~

2. 待跟进：~