下雨减弱手机信号, 科学家以此反推德国降雨量分布图

下雨减弱手机信号, 科学家以此反推德国降雨量分布图
2020年08月09日 10:08 新浪科技综合

  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。

降雨
新浪科技公众号
新浪科技公众号

“掌”握科技鲜闻 (微信搜索techsina或扫描左侧二维码关注)

创事记

科学探索

科学大家

苹果汇

众测

专题

官方微博

新浪科技 新浪数码 新浪手机 科学探索 苹果汇 新浪众测

公众号

新浪科技

新浪科技为你带来最新鲜的科技资讯

苹果汇

苹果汇为你带来最新鲜的苹果产品新闻

新浪众测

新酷产品第一时间免费试玩

新浪探索

提供最新的科学家新闻,精彩的震撼图片