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。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。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。可以看出：随着接收信号电平(RSL)值的减小

3. 实验设计：在贵州麦穰水文站（台阶式岸坡，纹理杂乱）和河北黄壁庄水文站（流速大，波动剧烈）进行实证研究，分别与站点的浮子式自记水位计及雷达水位计进行数据对标，实现 24 小时监控，采样频率为 5min/次，依据 GB/T 50138-2010标准，通过系统误差和综合不确定度进行评估。许小华利用 YOLOX 深度学习模块提出基于水尺和水尺刻度“E”两阶段检测的识别水位智能算法，该算法可有效应对天

3. 实验设计：在贵州麦穰水文站（台阶式岸坡，纹理杂乱）和河北黄壁庄水文站（流速大，波动剧烈）进行实证研究，分别与站点的浮子式自记水位计及雷达水位计进行数据对标，实现 24 小时监控，采样频率为 5min/次，依据 GB/T 50138-2010标准，通过系统误差和综合不确定度进行评估。许小华利用 YOLOX 深度学习模块提出基于水尺和水尺刻度“E”两阶段检测的识别水位智能算法，该算法可有效应对天

3. 实验设计：在贵州麦穰水文站（台阶式岸坡，纹理杂乱）和河北黄壁庄水文站（流速大，波动剧烈）进行实证研究，分别与站点的浮子式自记水位计及雷达水位计进行数据对标，实现 24 小时监控，采样频率为 5min/次，依据 GB/T 50138-2010标准，通过系统误差和综合不确定度进行评估。许小华利用 YOLOX 深度学习模块提出基于水尺和水尺刻度“E”两阶段检测的识别水位智能算法，该算法可有效应对天

3. 实验设计：在贵州麦穰水文站（台阶式岸坡，纹理杂乱）和河北黄壁庄水文站（流速大，波动剧烈）进行实证研究，分别与站点的浮子式自记水位计及雷达水位计进行数据对标，实现 24 小时监控，采样频率为 5min/次，依据 GB/T 50138-2010标准，通过系统误差和综合不确定度进行评估。许小华利用 YOLOX 深度学习模块提出基于水尺和水尺刻度“E”两阶段检测的识别水位智能算法，该算法可有效应对天

3. 实验设计：在贵州麦穰水文站（台阶式岸坡，纹理杂乱）和河北黄壁庄水文站（流速大，波动剧烈）进行实证研究，分别与站点的浮子式自记水位计及雷达水位计进行数据对标，实现 24 小时监控，采样频率为 5min/次，依据 GB/T 50138-2010标准，通过系统误差和综合不确定度进行评估。许小华利用 YOLOX 深度学习模块提出基于水尺和水尺刻度“E”两阶段检测的识别水位智能算法，该算法可有效应对天

1. 研究问题：本文主要研究如何利用商业微波链路(CMLs)的信号衰减数据，通过循环神经网络(RNN)方法更准确地估计降雨率，并分析RNN方法与传统功率定律(PL)方法在性能、复杂度和鲁棒性方面的差异。：引入TN层以控制RNN方法的性能与鲁棒性之间的权衡，通过动态计算输出特征的均值和方差来减少输入分布变化的影响。：针对降雨率数据的不平衡性，设计了包含降雨分布因子(RDF)的损失函数，以校正降雨率分