大旺国际官方平台-下雨减弱手机信号, 科学家以此反推德国降雨量分布图

  来源: DeepTech深科技

  降雨量和手机移动网络之间有什么联系?

  来自德国卡尔斯鲁厄理工学院与奥格斯堡大学的研究人员,通过研究降水与移动网络中的商用微波链路(commercial microwave link,简称 CML)之间的关系,成功绘制了全德国的降雨量地图。

  该研究相关成果发表在学术期刊《水文与地球系统科学》和《大气测量技术》上。

  某个区域内的降水数据对气象学、水文学和农业的意义巨大,而获得准确的基于时间和空间的降水数据是一件困难的事情。从全球范围来看,因为成本问题,很多地区的降雨量数据不够精确而且更新不及时。

  不仅如此,在当前所有的获取降雨量数据的方法上,多多少少都存在一定的缺陷。

  一般来讲,目前主流的降雨量监测方法有 3 种。

  第一种,放置雨量器。

  雨量器只能收集一个点的数据,这是最大的问题。也就是说,无法获得该地区广泛的、和基于时间的连续数据。此外,风、降雪(非液体降水)和蒸发都会对雨量器产生干扰。

  第二种,基于气象雷达。

  气象雷达虽然克服了时空的限制,但是带来了其他误差问题。首先,其不是直接监测降雨量,而是通过降雨量与雷达反射率之间的关系间接测量,这种关系建立在雨滴粒径分布的基础上,因此导致了很大的不确定性。

  除此之外,地面的其他电波信号、雷达测量位置的选择,都会对结果产生影响。

  第三种,利用卫星。

  虽然卫星听起来非常高科技,但是其在时空覆盖上具有局限性。对于地球同步卫星,它能够一直盯着地表同一个地方拍摄,因此得到数据的采样率很高。但问题在于,降雨量的测量往往需要可见光和红外波段,这两个条件不是随时都具备的。

  低轨道卫星问题就更大了。它们扫略同一片区域的次数受到轨道的限制。也就是说,没办法一直盯着一片区域,即便使用好几颗卫星联合监测,依然无法满足要求。

  正是基于这种背景,德国的研究小组开启了一项 “古老” 的技术。

  说它古老,是因为该技术 10 年前就在以色列和荷兰被提起过,但由于存在技术难题,一直未能取得良好的效果。

  新方法的原理并不难懂。来自手机蜂窝网络中的商用微波链路(CML),因为受到降水的影响而衰减,即降雨量越大,CML 衰减越厉害。

  因此,通过测试 CML 的衰减情况,反向可以推测该地区降雨量,而且根据数据收集频率的不同,获得降雨量分布地图分辨率也不同。

  CML 装在移动电话的信号杆上,用来进行远距离信号传输。相比于雨量器和气象雷达,CML 的分布更加广泛而且都是现成的,这项技术如能成功应用,可以大大降低降雨量监测成本以及获得经济不发达地区的降水数据。

  研究小组收集了 4000 个 CML 在一年内的数据,分辨率为 1 分钟。用小组成员 Chwala 博士的话说就是:“如此大的数据量与如此小的分辨率都是独一无二的。

  最终的结果让人振奋。通过对 CML 信号衰减的处理得到的全德国降雨量地图,与德国气象局提供的数据比对,二者具有很高的相似性,并且 CML 法分辨率更高。

图 | 气象雷达获取降雨量地图(a)与 CML 法(b)获取的地图

  其实,正如前文所说,CML 衰减和降雨量的关系在十年前就被提出来了。为什么一直没有得到较好的应用?

  因为其中存在两个难以修正的问题。

  第一是如何从采集到的 CML 数据中区分当地处在雨季还是旱季。因为不同的季节衰减数据有不同的波动性。

  第二个问题更加棘手,当空气过于潮湿,CML 天线上会凝结水滴,这些水滴引起了对当地降雨量的高估。说的直白一些,凝结水滴让 CML 信号进一步衰减,但它们并不是降水引起的。

  对于这两个问题的处理,涉及到非常复杂的动力学分析和数据分析。一般来说,通过对比某地和相邻地区的 CML 数据,或者对单个 CML 时间序列进行处理,可以基本分辨出雨季和旱季的问题。更关键的问题在于这种判别的精细度上。

  而 “湿天线” 问题则需要补偿。即通过一系列计算,决定补偿多少的 CML 衰减幅度,才不会因此高估了降雨量。

  除此之外,该研究还借助了人工智能(AI)进行数据分析。在获取的 CML 衰减数据中,存在大量的“噪声”。

  这里要解释一下,在数字信号处理中,我们把想要获得的信号之外的干扰数据,都叫做“噪声”。去除噪声是一件非常麻烦的事情,科研人员往往会陷入两难境地:噪声去除不干净,有效信号则不够纯净,后续处理误差较大;但过于强力的去除噪声,会伤害有效信号,损失数据

  然而,借助 AI,通过对 AI 的训练,可以做到传统的数据处理方法做不到或者做不好的事。

  研究小组中另一名科学家 Julius Polz 说,“引起 CML 信号衰减的因素很多,比如阳光、风。我们需要知道哪些衰减是降水引起的,而借助 AI 可以滤除那些干扰数据。”

  经过多次训练的 AI 可以完成这种任务,并且再次使用该系统处理新的数据时,无需校准系统。

  从今年夏天开始,该研究小组在缺乏降雨量数据的西非地区开始 CML 数据收集,并且准备用这一套 AI 系统进行处理。

  但是,至少到现在为止,CML 法测量降雨量不是完美的。

  雨夹雪和冻雨引起的 CML 信号衰减比常温液态降水更大。而降雪,即固态降水则无法通过 CML 法测出。

  这也就是说,CML 法至少要选择在没有降雪的地方。