下雨減弱手機信號 科學家以此反推德國降雨量分佈圖
2020年08月09日10:08

  來自德國卡爾斯魯厄理工學院與奧格斯堡大學的研究人員,通過研究降水與移動網絡中的商用微波鏈路(commercial microwave link,簡稱 CML)之間的關係,成功繪製了全德國的降雨量地圖。

  該研究相關成果發表在學術期刊《水文與地球系統科學》和《大氣測量技術》上。

  某個區域內的降水數據對氣象學、水文學和農業的意義巨大,而獲得準確的基於時間和空間的降水數據是一件困難的事情。從全球範圍來看,因為成本問題,很多地區的降雨量數據不夠精確而且更新不及時。

  不僅如此,在當前所有的獲取降雨量數據的方法上,多多少少都存在一定的缺陷。

  一般來講,目前主流的降雨量監測方法有 3 種。

  第一種,放置雨量器。

  雨量器只能收集一個點的數據,這是最大的問題。也就是說,無法獲得該地區廣泛的、和基於時間的連續數據。此外,風、降雪(非液體降水)和蒸發都會對雨量器產生干擾。

  第二種,基於氣象雷達。

  氣象雷達雖然克服了時空的限製,但是帶來了其他誤差問題。首先,其不是直接監測降雨量,而是通過降雨量與雷達反射率之間的關係間接測量,這種關係建立在雨滴粒徑分佈的基礎上,因此導致了很大的不確定性。

  除此之外,地面的其他電波信號、雷達測量位置的選擇,都會對結果產生影響。

  第三種,利用衛星。

  雖然衛星聽起來非常高科技,但是其在時空覆蓋上具有局限性。對於地球同步衛星,它能夠一直盯著地表同一個地方拍攝,因此得到數據的采樣率很高。但問題在於,降雨量的測量往往需要可見光和紅外波段,這兩個條件不是隨時都具備的。

  低軌道衛星問題就更大了。它們掃略同一片區域的次數受到軌道的限製。也就是說,沒辦法一直盯著一片區域,即便使用好幾顆衛星聯合監測,依然無法滿足要求。

  正是基於這種背景,德國的研究小組開啟了一項 “古老” 的技術。

  說它古老,是因為該技術 10 年前就在以色列和荷蘭被提起過,但由於存在技術難題,一直未能取得良好的效果。

  新方法的原理並不難懂。來自手機蜂窩網絡中的商用微波鏈路(CML),因為受到降水的影響而衰減,即降雨量越大,CML 衰減越厲害。

  因此,通過測試 CML 的衰減情況,反向可以推測該地區降雨量,而且根據數據收集頻率的不同,獲得降雨量分佈地圖解像度也不同。

  CML 裝在移動電話的信號杆上,用來進行遠距離信號傳輸。相比於雨量器和氣象雷達,CML 的分佈更加廣泛而且都是現成的,這項技術如能成功應用,可以大大降低降雨量監測成本以及獲得經濟不發達地區的降水數據。

  研究小組收集了 4000 個 CML 在一年內的數據,解像度為 1 分鐘。用小組成員 Chwala 博士的話說就是:“如此大的數據量與如此小的解像度都是獨一無二的。

  最終的結果讓人振奮。通過對 CML 信號衰減的處理得到的全德國降雨量地圖,與德國氣象局提供的數據比對,二者具有很高的相似性,並且 CML 法解像度更高。

圖 | 氣象雷達獲取降雨量地圖(a)與 CML 法(b)獲取的地圖
圖 | 氣象雷達獲取降雨量地圖(a)與 CML 法(b)獲取的地圖

  其實,正如前文所說,CML 衰減和降雨量的關繫在十年前就被提出來了。為什麼一直沒有得到較好的應用?

  因為其中存在兩個難以修正的問題。

  第一是如何從採集到的 CML 數據中區分當地處在雨季還是旱季。因為不同的季節衰減數據有不同的波動性。

  第二個問題更加棘手,當空氣過於潮濕,CML 天線上會凝結水滴,這些水滴引起了對當地降雨量的高估。說的直白一些,凝結水滴讓 CML 信號進一步衰減,但它們並不是降水引起的。

  對於這兩個問題的處理,涉及到非常複雜的動力學分析和數據分析。一般來說,通過對比某地和相鄰地區的 CML 數據,或者對單個 CML 時間序列進行處理,可以基本分辨出雨季和旱季的問題。更關鍵的問題在於這種判別的精細度上。

  而 “濕天線” 問題則需要補償。即通過一系列計算,決定補償多少的 CML 衰減幅度,才不會因此高估了降雨量。

  除此之外,該研究還借助了人工智能(AI)進行數據分析。在獲取的 CML 衰減數據中,存在大量的“噪聲”。

  這裏要解釋一下,在數字信號處理中,我們把想要獲得的信號之外的干擾數據,都叫做“噪聲”。去除噪聲是一件非常麻煩的事情,科研人員往往會陷入兩難境地:噪聲去除不乾淨,有效信號則不夠純淨,後續處理誤差較大;但過於強力的去除噪聲,會傷害有效信號,損失數據

  然而,借助 AI,通過對 AI 的訓練,可以做到傳統的數據處理方法做不到或者做不好的事。

  研究小組中另一名科學家 Julius Polz 說,“引起 CML 信號衰減的因素很多,比如陽光、風。我們需要知道哪些衰減是降水引起的,而借助 AI 可以濾除那些干擾數據。”

  經過多次訓練的 AI 可以完成這種任務,並且再次使用該系統處理新的數據時,無需校準系統。

  從今年夏天開始,該研究小組在缺乏降雨量數據的西非地區開始 CML 數據收集,並且準備用這一套 AI 系統進行處理。

  但是,至少到現在為止,CML 法測量降雨量不是完美的。

  雨夾雪和凍雨引起的 CML 信號衰減比常溫液態降水更大。而降雪,即固態降水則無法通過 CML 法測出。

  這也就是說,CML 法至少要選擇在沒有降雪的地方。

  來源: DeepTech深科技

  降雨量和手機移動網絡之間有什麼聯繫?

關注我們Facebook專頁
    相關新聞
      更多瀏覽