深度学习用于通过卫星微波链接进行机会性降雨估计
Giovanni Scognamiglio1, Andrea Rucci1, Attilio Vaccaro1
1MBI Srl, 56121 Pisa, Italy.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
机器学习模型使用卫星微波链路信号数据准确估计降雨量. 这些先进的模型显著减少了降雨预测中的错误,改善了洪水和干旱风险管理.
科学领域:
- 气象学和远程传感
- 机器学习应用 机器学习应用
- 电信工程 电信工程 电信工程
背景情况:
- 精确的降水测量对于管理洪水和干旱风险至关重要,但传统工具面临着局限性.
- 卫星到地球的微波链路 (SML) 为降水估计提供了一种新的方法,机器学习 (ML) 显示出了前景.
- 从使用深度学习 (DL) 的原始信号噪声比 (SNR) 数据进行直接降雨估计是一个尚未探索的领域.
研究的目的:
- 研究和开发ML模型,以使用SMLs的SNR数据实时检测和估计降雨量.
- 评估各种ML方法的性能,包括DL和梯度增强机 (GBM),与传统方法相比.
- 通过地球卫星微波链接提供可靠的降水估计解决方案,增强监测能力.
主要方法:
- 利用来自互动卫星接收器的一年SNR测量的数据集,与disdrometer和雨量计数据配对.
- 开发和评估了一系列ML模型,包括深度学习和梯度增强机器,用于降雨估计.
- 在雨量检测和累积降水估计方面实施了整体方法.
主要成果:
- 开发了实时ML模型,用于使用下行SNR信号检测和估计降雨量.
- 与最先进的权力法模型相比,实现了基于事件的累积降水预测的根平均二次误差 (RMSE) 的46%降低.
- 使用地球卫星微波链接证明了ML模型用于降水估计的可靠性.
结论:
- 机器学习,特别是深度学习,提供了一种强大而准确的方法,用于从卫星微波链路SNR数据中估计降水量.
- 开发的ML模型比传统方法提供了显著的改进,提高了有效降水监测和灾害风险管理的潜力.
- 这项研究强调了通信信号的机会性数据在环境监测中的科学应用的价值.
