基于深度学习的无线电传播链路降水环境识别分析.pdf

敏 捷，伍 忠 东，郑 礼，等.基 于 深 度 学 习 的 无 线 电 传 播 链 路 降 水 环 境 识 别 分 析 J.电 波 科 学 学 报，2023，38（3）：453-462+484.DOI:10.12265/j.cjors.2022150MIN J,WU Z D,ZHENG L,et al.Identification analysis of radio propagation links for rainfall environment based on deep learningJ.Chinese journal ofradio science，2023，38（3）：453-462+484.（in Chinese）.DOI:10.12265/j.cjors.2022150基于深度学习的无线电传播链路降水环境识别分析敏捷1，2伍忠东1*郑礼1，2程倩1，2（1.兰州交通大学,兰州 730070；2.数字信号处理及软件无线电研究所,兰州 730070）摘要 降水是一种常见的自然现象，在气候调节中起着极为重要的作用.同时，由于降水在空间、时间上的不均匀性，会发生诸如洪涝、干旱等自然灾害，给人类的经济、生活等造成严重影响，为了防治这类自然灾害，需要我们进行准确而及时的降水监测.本文使用人工智能的手段，将无线电在传播过程中由于降水引起的衰减作为研究对象，尝试从不同的衰减中找到降水量信息，进而达到降水监测的目的.实测结果表明，使用通信基站作为信号源，以数据采集时的标准的气象降水信息作为标签，神经网络成功地学习到了衰减特征，且实验准确率在95%左右.这说明，使用无线电传播链路结合人工智能的方法进行降雨监测是一种新型的降雨测量方法，具有一定的研究意义.关键词降水；降水衰减；深度学习；无线电通信；基站信号中图分类号TN011文献标志码A文章编号1005-0388（2023）03-0453-10DOI 10.12265/j.cjors.2022150Identification analysis of radio propagation links for rainfallenvironment based on deep learningMIN Jie1,2WU Zhongdong1*ZHENG Li1,2CHENG Qian1,2（1.Lanzhou Jiaotong University,Lanzhou 730070,China；2.Digital Signal Processing and SoftwareRadio Institute,Lanzhou 730070,China）AbstractPrecipitation is a common natural phenomenon that plays an important role in climate regulation.Atthe same time,due to the spatial and temporal heterogeneity of precipitation,natural disasters such as floods anddroughts often occur,which can seriously damage the economy and livelihood of humans.We use AI technology tostudy the attenuation caused by precipitation during the propagation of radio wave,trying to find the precipitationinformation from different attenuation,and then achieve the purpose of precipitation monitoring.The experimentalresults show that the neural network successfully learns the attenuation characteristics using the communication basestation as the signal source and the standard meteorological precipitation information at the time of data collection as thelabel,and the experimental accuracy is around 95%.This suggests that the use of radio links combined with AI forrainfall monitoring is a novel approach to rainfall measurement and has some research implications.Keywordsrainfall；rainfall attenuation；deep learning；radio propagation；base station signals 引言近年来随着全球气温的持续上升，加剧了温室效应，加之我国降雨的时空分布不均匀1，沿海地区持续发生降雨，甚至发生洪涝，而内陆地区有可能连续一个月不发生降雨.倘若做到准确地降雨预报就 收稿日期：2022-07-11资助项目：甘肃省高等学校创新团队项目（2017C-09）；兰州市科技局科技项目（2018-1-51）；甘肃省拔尖人才项目（6660030102）通信作者：伍忠东 E-mail: 第 38 卷第 3 期电波科学学报Vol.38，No.32023 年 6 月CHINESE JOURNAL OF RADIO SCIENCEJune，2023 可以防患于未然，保证人民的生命财产安全.而能否进行降雨预报的关键就是降雨监测的覆盖面积与准确度2.为了准确地监测降雨，国内外许多学者做了大量的研究，现有测量降雨的仪器主要有雨量计3等监测仪器.2015 年，国际电信联盟(International Telecommuni-cation Union,ITU)针对降水所引起的无线电通信链路信号衰减做了大量的工作，找到了雨衰减与降雨率之间的关系，确定了衰减与降雨之间的指数关系，形成了具有指导性质的雨衰减建议书，完善了雨衰减与降雨率之间的关系.与之同时，部分国内外学者开始使用弱人工智能的方法来寻找在无线电传播过程中由于降雨所产生的一些微弱变化，尝试从不同水平的衰减中找出所携带的降雨信息4-5，主要的手段包括：建立固定位置、固定频段的通信链路；搭建全连接人工神经网络；使用高频段信号作为发射信号等.本文针对上述研究进行了一定的改进，主要有：1)使用通信链路作为信号源进行实验，在本文的研究中，使用基站信号作为信号源进行采集，以实际的降雨环境作为实验环境，具有一定的泛化能力；2)使用深度学习的方法进行雨衰减特征学习，主要使用现行较为流行的神经网络为主题模型，再加以改进，使其适用于降雨率与雨衰减的关系；3)使用通信基站信号作为信号源，扩大了降雨率与雨衰减的适用性.1 研究现状 1.1 传统降水测量方法降水是一种常见的自然现象，一般指大气中的云雾，经过一定的物理变化冷凝并降落到地面的过程，同时由于温度、海拔等因素的影响，会产生不同的降水相态，诸如雨、雪、雹等6.降水的发生实现了水分循环、物质循环以及能量循环，同时当沿海地区形成云团时，会发生蒸发这一物理现象，而蒸发是一吸热过程，有利于调节地方的气温，降水在气候调节中起着极为重要的作用.但是，由于降水在空间、时间上的不均匀性，会发生诸如洪涝、干旱等自然灾害，这类自然灾害严重地损伤了人类的经济、生活.为了准确地监测降雨，国内外许多学者做了大量的研究，现有监测降雨的仪器主要有雨量计、气象雷达、气象卫星、雨滴谱仪等6，但是它们各自存在不同的问题：1)雨量计在降雨监测方面很准确，但是由于其空间分布精度与监测广度不足，导致得到的气象信息只是监测站附近局部一小块地区的降雨数据，并不能代表整体区域的降雨6-7.2)气象雷达造价高、横扫半径有限，无法进行大面积的降雨监测8-9；雷达反演雨强的精度往往会受到大气压、温湿度以及降雨相态的影响，导致使用雷达反射率来计算降雨会产生较大误差9；此外雷达在测量近地面降水时容易受到地形和地面杂波的影响，导致测量结果误差较大.3)气象卫星通过分析云雾的走向，使用可见光和红外波来探测云顶温度和云雾的含水量等，从而得出当前区域的降雨概率10，但由于地势以及形势场的变化，会导致监测结果并不准确.同时，卫星遥感气象监测的红外波以及可见光波段的穿透性一般，无法得出云雾内部以及近地面的降雨信息，因此其监测精度欠佳11.4)雨滴谱仪，由于降雨的类型和降雨强度的多变性以及地区海拔大气压等的差异性会导致雨滴谱变化很大，不能保证降雨监测的准确度.现有的降雨监测方法主要为智能网格法.气象监测部门将地区依照人口密集程度，划分为面积不一的智能网格，在每个网格内，建立 12 个气象监测站，在站内使用以翻斗式雨量计为主、气象卫星与气象雷达辅助的方式进行降水监测，用雨量计的气象信息来代表整个网格内的降雨信息.这种方法具有一定的局限性，导致降雨监测会出现一定的误差.1.2 衰减法降水测量 1.2.1 ITU 研究成果在研究降雨过程中，许多学者提出利用无线电的衰减特性来测量降水的思想9,12-13.20 世纪 80 年代，R.Olsen 等提出降雨衰减与降雨率、天线参数等的关系式14：A=aRb.（1）a,b式中：A 为降雨衰减；R 为降雨率；分别为天线的极化方式与频率参数.通过式(1)可以计算出降雨衰减，但是在实际情况中并未考虑在降雨过程中的其他衰减因素，当前的研究表明衰减主要包括自由空间衰减15、植被带来的衰减16、大气气体衰减17、多路径传播衰减18，以及杂波衰减19等，因利用式(1)计算雨衰减会出现偏差.N.David 等利用人工降雨的方法，进一步将链路上的衰减 AL分解为降雨衰减 Arain、自由空间衰减Afree、湿润天线衰减 Awa20，即:AL=Arain+Afree+Awa.（2）且自由空间衰减对于固定链路是不变的，只需考虑链路上的雨衰减与湿润天线衰减，在实际环境中湿 454电波科学学报第 38 卷RR润天线衰减可以避免，故整个链路中的变化衰减量就为雨衰减.针对这一问题，ITU 提出了用于降雨测量中的雨天衰减的具体模型21，即 ITU-RP.838-3 建议书.这项建议书，在降雨率以及雨衰减的基础上，详尽地给出了天线两种极化方式、频率、链路距离的关系，具体的衰减可以从降雨强度 的幂次律关系中算出：R=kR.（3）k式(3)中的 和 的值由下列等式确定：lg k=4j=1ajexp(lg f bjcj)2+mklg f+ck;（4）=5j=1ajexp(lgf bjcj)2+mlg f+c（5）fkkHkVHV式中：为频率；代表水平极化和垂直极化，对应系数分别由表 1、表 2 给出；代表水平极化和垂直极化，对应系数分别由表 3、表 4 给出.不同的电磁波极化角、仰角可以通过式(6)、(7)计算：k=kH+kV+(kHkV)cos2cos 22；（6）=kHH+kVV+(kHHkVV)cos2cos 22k.（7）式中：为路径仰角；为极化角，规定圆极化 为 45.kH表 1 对应系数kHTab.1 Coefficient jajbjcjmkck15.339 800.100 8001.130 980.189 610.711 4720.353 511.269 7000.154 0030.237 890.860 3600.153 5440.941 580.645 5270.168 10 kV表 2 对应系数kVTab.2 Coefficient jajbjcjmkck13.805 951.824 420.810 610.163 980.632 9723.449 650.775 640.510 5930.399 020.637 730.118 9940.501 671.073 190.271 95 H表 3 对应系数HTab.3 Coefficient jajbjcjmc10.143 181.824 420.551 870.678 491.955 3720.295 910.775 640.198 2230.321 770.637 730.136 4045.376 100.962 301.478 28516.172 103.299 803.439 90 V表 4 对应系数VTab.4 Coefficient jajbjcjmc10.077 712.338 4000.762 8400.053 7390.834 3320.567 270.955 4500.540 39030.202 381.145 2000.268 090448.299 100.791 6690.116 226548.583 300.791 4590.116 479 1.2.2 国内外研究成果2006 年，H.Messer 等提出了使用商业蜂窝链路进行环境监测的想法22-23，利用以色列两个地区的降雨事件，结合当地的降雨率、蜂窝网络的频率，以及天线的极化等参数，使用商业蜂窝链路进行了分析研究.结果表明，商业微波链路上的平均降雨强度可以从电磁波的衰减中得到，这就使在局部地区使用无线通信网络进行降雨估计变为可能24.高太长团队使用消沉仪以及支出向量机的方法对这一结果进行了验证实验，于进一步提高基于微波链路和降雨监测的降雨率反演精度具有重要意义25-26.同时，使用机器学习方法，用于商业微波链路的干湿分类27.2011 年，A.Overeem 等提出了一种方法，即从接收到的信号电平数据中得出降雨强度和降雨深度28，利用商业微波链路网络的数据来估计准确的路径平均降雨强度.K.V.Mishra 团队将深度学习的技术成功地引入到了使用卫星通信链路判别当前环境的干燥湿润程度29.H.Messer 团队在 2018 年使用机器学习的方法，借助当地的商业微波链路，实现了基于机器学习的链路干湿区分学习方法30.F.D.Diba 团队使用神经网络的方法进行了降雨衰减的测量，他们借助全连接的人工神经网络对通信链路接收到的信号电平进行分析31.同时，使用LSTM 模型进行降雨率的预测研究，实验表明，相比卫星链路32，地面通信链路具有更好的精确程度.近年来，国内许多科研工作者逐渐将目光转向利用微波链路反演出降水的可行性.刘西川等在2010 年就雨滴谱分布、降雨强度、频率、温度等因素对微波传输特性进行了研究，结果表明降雨强度对微波传输特性的影响最大，频率次之，温度的影响最小33.2015 年，印敏等提出了一种新型降雨测量方法，即用微波链路雨衰测量值反演雨强34，以 2013-07-0506 发生的两起降雨事件为基础，使用 1520GHz 微波试验链路，分析接收端的电平差异，结果表明，在实际雨强为 270 mm/h 时，该频段对应的雨衰值为 135 dB，可以感知测量.这说明，雨衰减与信号频率、链路距离、雨胞等息息相关.随着我国网络基础设施能力不断夯实，截至第 3 期敏捷，等：基于深度学习的无线电传播链路降水环境识别分析455 2021 年，我国的网络公用移动通信基站共有 590 万个，且覆盖半径为 13 km35.相比于雨量计与气象雷达而言，4G-LTE 基站能够更好地监测近地面的降水，同时相比于气象雷达以及雨量计，4G-LTE 基站有更广泛的空间分辨率和时间分辨率，用户能够准确、直观地监测到降水.2017 年张庆等使用中国移动通信集团海南有限公司提供的数据和 ITU 提供的计算模型，计算了福州地区的降雨36.结果表明，手机通信基站信号衰减法测得的降水量整体略大于雨量站测量结果，两者的偏差可以控制在 2 mm/h 以内；基站测得的降水分布与雨量站测量结果有较好的一致性，相关系数最高可达 0.92.说明利用基站信号的衰减法对降水的测量可以作为现行降水监测方法的补充.在前人的研究基础上，结合人工智能对事物微小特征提取学习的思想，本文提出了一种基于深度学习的无线电链路传播介质监测的方法，用于监测链路的降水.相比于 ITU 所提供的模型计算更为简单，且具有扩大降雨监测面积的潜力.2 实验设计实验可分为两部分：前端数据采集和后端数据处理.前端数据采集主要包括实验链路设计、实验频率选择、实验数据采集、实验数据预处理；后端主要以数据处理、深度学习模型选用与优化等构成.2.1 前端数据采集1)实验链路设计.本次实验将信号数据采集装置架设在甘肃省气象局下属的兰州气象监测站，选择这一地区的原因是可以将气象监测站所提供的实时气象资料作为数据标签.选用通信基站作为信号源进行实验，固定 3 种通信频段采集，共涉及到 3 条链路且皆为可视链路.使用中国电科四十一所研发的 3900A 监测接收机，具有高分辨率、高灵敏度的特点，满足低频段下雨衰减引起的信号电平变化监测需求.气象监测站位于兰州市城关区，通信基站分布较为密集，可以满足实验采集不同频段通信链路信号的需求.其数据采集过程如图 1 所示.图 1 数据采集过程图Fig.1 Chart of data collection 2)实验频率选择.链路上的雨衰减现象导致利用无线电信号进行降水测量的精度、准确率与所使用的电磁波频率有关.为了验证利用手机基站信号数据能否计算出降雨率，选用 1.82.4 GHz 的 4G 基站信号作为信号源进行处理分析.发生降水时，信号采集装置将会自动连续采集数据，直至降水结束.3)实验数据采集.实验采集兰州市城关区 2021-0810 发生的三次降水期间 4G 基站所发射的信号，依照气象部门的天气预报情况进行数据采集，其分钟级的降雨信息由兰州市气象监测站提供.由于兰州地区降雨较为稀疏，本文将采集到的信号数据依照数据采集的分钟时间来划分，按照不同的分钟降雨率，将信号数据进行分类处理，在筛选数据时，尽量选择采集时间一致或相近的信号数据，避免大气压、温湿度以及其他因素的干扰.4)实验数据预处理.本次实验使用一定频段的接收天线来接收基站信号，利用监测接收机来接收通信基站信号，GPS 天线加以定位辅助.服务器端将接收到的信号数据通过服务器保存在存储设备中，同时进行数据预处理.在预处理的同时，使用兰州市气象监测站所提供的降雨资料数据进行数据比对、资料同化，再将预处理后的数据传输至深度学习工作站进行特征提取与学习.其数据处理流程如图 2所示.数据接收端服务器端预处理后的数据接收天线GPS 天线深度学习工作站得出不同的降雨量结果数据处理端信号数据无线电监测接收机服务器图 2 数据处理流程图Fig.2 Flowchart of data processing 456电波科学学报第 38 卷 2.2 后端数据处理 2.2.1 深度学习模型近年来，人工智能为人类分析数据、整合信息提供了一种全新的方法.作为人工智能的分支，深度学习是由几个处理层组成的计算模型，通过多层网络学习数据的特征，使用正向和向后传播算法37.在本文研究中，利用卷积神经网络(convolutional neuralnetworks,CNN)模型来对兰州地区降雨时采集到的链路信号数据进行特征提取与学习，进而使得神经网络模型能够学习到不同降雨率下的信号衰减特征.CNN 是一类包含卷积计算且具有深度结构的前馈神经网络，作为深度学习的代表算法之一，CNN 具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类38，其最重要的特性在于“局部感知”与“参数共享”.与传统的各层次之间完全连接的网络相比39，使用 CNN 可以适当地减少网络中训练权重的次数.一个完整的 CNN 包含输入层、卷积层、池化层、输出层等，其典型结构如图 3所示.图 3 CNN 典型结构图Fig.3 Structure of typical CNN 抽象成数学表达式，则输入与输出之间的对应关系可以表示为yj=fbj+ni=1xiij.（8）yjfbjxiijxij式中：表示神经元的输出；表示某种激活函数；表示神经元的内部状态即偏置值；表示输入信号；表示输入信号 与神经元 连接的权重值.2.2.2 ResNet 模型传统的 CNN 会存在信息传递时丢失的问题，梯度消失或者梯度爆炸导致网络出现欠拟合与过拟合现象.何恺明团队 2015 年提出了 Residual Networks(简称为 ResNet)，提出残差模块40，极大地消除了深度过大的神经网络训练困难问题.其残差模块结构如图 4 所示.Weight layerWeight layerXXF(X)F(X)+X图 4 ResNet 残差模块结构图Fig.4 Structure of ResNet residual structure 每个模块有 4 个卷积层，卷积层中包含残差结构，共有 50 个卷积层.因此，这种模型通常被称为ResNet50.通过配置不同的通道数和模块里的残差块数 可 以 得 到 不 同 ResNet 模 型，例 如 ResNet152.ResNet 模型具有特征学习能力强、架构简单、修改方便等特点，迅速被广泛使用.图 5 描述了完整的ResNet50 结构.Input77 64 stride233 max pool stride211 6433 6411 256ReluRelu11 12833 12811 512ReluReluRelu11 25633 25611 1024ReluReluRelu11 51233 51211 2048ReluReluReluAverage pool,softmaxOutput3463Relu图 5 ResNet50 结构图Fig.5 Structure of ResNet50 图 5 为传统的 ResNet50 网络结构，主要用于图像分类.本文实验所采集到的数据主要为原始 I/Q 时域信号数据，为此，本文做了一定的改进，提出了用于监测降水的深度学习模型 RD-Net，其模型结构如图 6 所示.第 3 期敏捷，等：基于深度学习的无线电传播链路降水环境识别分析457 11 6433 6411 256Relu11 12833 12811 51211 25633 25611 1024ReluRelu11 51233 51211 2048ReluAverage pool,softmax3463OutputReluReluReluReluReluReluReluReluRelu图 6 RD-Net 结构图Fig.6 Structure of RD-Net RD-Net 模型以残差模块为基础，结合人工神经网络进行特征的提取.在完成数据的同步、预处理工作后，将大小一致的数据块放入三层的全连接神经网络，对数据进行一次特征提取.同时将数据通道数改为 64，经过一次 Relu 函数激活后，将学习后的特征放入残差模型中再次进行特征学习.3 实验结果及分析本次实验所用到的数据集为降雨衰减数据集，主要包含兰州地区 2021-0709 共 300 G 大小的原始 I/Q 数据信号，由于地区降雨分布的不均匀，筛选得出的降雨期间的频谱数据共有 100 G 大小.按照不同 的 降 雨 时 间、降 雨 率 进 行 数 据 分 类，再 按 照832 将数据分为训练集、验证集、测试集，传入网络进行训练.本文实验配置环境为 Windows 10 操作系统，基础配置为 Anaconda3，CPU 为 Intel Core i7-10875H，GPU 为 NVIDIA GTX 3060，RAM 16 GB，使用的深度学习框架为 Pyorch，安装 cuda11.3 加速计算.在完成数据预处理工作后，就接收端电平的变化进行有关实验，使用 2021-08-15 降雨环境下所采集到的频谱数据以及降雨前后相同时长区间的未发生降雨环境的频谱数据作为数据集，对接收到的信号电平变化进行分析，结果如图 7 所示.1110987605101520信号数据/个104接收电平/dB图 7 降雨期间接收电平变化图Fig.7 Receiving signal level change during rainfall 从图 7 可以发现：在降雨发生前，接收的信号电平总体呈现稳定状态；而在降雨发生时，电平出现下降趋势，且随着降雨的进行，电平下降达到最值，而后又逐渐上升；在降雨结束后，信号电平又恢复至降雨前的水平，且呈现稳定状态.总体来说，信号电平的变化趋势与周围环境的变化高度一致，因此本文团队猜测，引起信号变化的原因即为降雨.为了验证这一猜想，本文就晴朗天下的无线电信号进行分析实验，使用 2021-08-16 接收到的频谱 458电波科学学报第 38 卷信号作为实验对象，在完成数据预处理与分割后，分析其信号电平的变化.参照 2021-08-15 对信号电平的分析方法，展开有关实验，结果如图 8 所示.1110987605101520信号数据/个104接收电平/dB图 8 晴朗天下接收电平变化图Fig.8 Receiving signal level change during clear weather 图 8 说明：在晴朗天气环境下，信号的电平总体呈现稳定趋势，未发生变化.也就是说，信号未受到其他因素干扰，进一步验证了降雨对信号的传输有一定的影响.本文尝试使用深度学习这一具有强大学习能力以及细微分类能力的工具，帮助人类区分不同环境下的信号电平变化，达到降雨监测的目的.将 2021-08-17 晴朗天下的无线电频谱信号数据作为对照组，使用分类神经网络进行二分类实验，验证不同时间相同环境对频谱信号是否有影响.使用传统的四种 CNN 模型(ResNet50，ResNet152，VGG16，VGG19)进行实验，实验设置学习率为 0.1104，批大小为 16，迭代次数为 100，结果如图 9 所示.0.650.600.550.50验证集准确率255075100迭代次数模型ResNet50ResNet152VGG16VGG19图 9 晴郎天下的验证集准确率变化Fig.9 Accuracy in validation set for clear weather 从图 9 可以得出，验证集的准确率是呈现不规律变化的，说明四种神经网络并不能成功区别出2021-08-16 与 2021-08-17 晴朗天所采集到的频谱数据，证明神经网络不能识别出 2021-08-16 与 2021-08-17 晴朗天下的频谱信号变化特征.为了验证降雨对信号传输是否有影响，选用2021-08-30T19:4220:42 发生的 2.6 mm/h 降雨环境下及 2021-08-29 晴天环境下的频谱信号数据作为数据集，做二分类实验探究.学习率设置为 0.4104，批次大小为 16，迭代次数为 100，结果如图 10 所示.0.90.80.70.60.5验证集准确率255075100迭代次数模型ResNet50ResNet152VGG16VGG19图 10 晴天雨天下的验证集准确率变化Fig.10 Accuracy in validation set for clear and rainy days 从图 10 可以得出，验证集的准确率是逐渐上升的，且相比于其他模型，ResNet50 网络模型可以较为准确地识别出环境中有无发生降雨，其验证集的识别准确率可达 90%左右.说明 ResNet50 网络模型跟训练集有较好的一致性，可以借助神经网络模型来学习降雨衰减特征.在此基础上，本实验拟采用 ResNet50 来学习不同降雨率环境下的信号衰减特征.使用 2021-08-15T2:403:40 发生的 1.0 mm/h 降雨率环境和 2021-09-03T7:088:08 发生的 8.2 mm/h 降雨率环境下的频谱数据作为实验数据集.根据中心气象台提供的分钟级降雨信息，将信号数据按照分钟降雨进行分类预处理，挑选分钟降雨信息为 0.1 mm/min 与 0.2mm/min 的频谱信号数据进行分类计算，实验设置学习率为 0.4104，批大小为 8，迭代次数为 100，实验结果如表 5 所示.表 5 0.1 mm/min 与 0.2 mm/min 降雨率下的数据二分类计算结果Tab.5 Classifications of 0.1 mm/min and 0.2 mm/min迭代次数训练集损失值验证集损失值验证集准确率/%10.630.6949.99250.510.5355.24500.480.4274.47750.270.2489.541000.110.1090.01 从表 5 可以得出，使用深度学习算法模型可以较为准确地识别出 0.1 mm/min 与 0.2 mm/min 降雨率环境下的信号衰减特征，其识别准确率可达 90%.第 3 期敏捷，等：基于深度学习的无线电传播链路降水环境识别分析459 这说明，神经网络可以较为优秀地识别出不同降雨率环境下的信号衰减特征.为了验证改进后的模型识别准确率是否优于传统 模 型，使 用 改 进 的 模 型(RD-Net)、ResNet50、ResNet152 进行对比实验，选取兰州地区 2021-08-15T2:403:40 发生的 1.0 mm/h 降雨率环境、2021-09-03T7:08 8:08 发 生 的 8.2 mm/h 降 雨 率 环 境、2021-08-30T19:4220:42 发生的 2.6 mm/h 降雨率环境下的频谱信号作为数据集，挑选降雨相对比较集中的 0.2 mm/h 与 0.3 mm/h 作为实验数据，实验设置学习率为 0.3104，批大小为 16，迭代次数为 100，实验结果如图 11 所示.0.90.80.70.60.5验证集准确率255075100迭代次数模型ResNet50ResNet152RD-Net图 11 不同降雨率下验证集准确率变化Fig.11 Accuracy in validation set for different rain rates 从图 11 可以得出，在经历 50 次迭代后，验证集的准确率渐渐稳定，说明神经网络是逐步收敛的，直至训练的损失、验证的准确率稳定.改进后的模型(RD-Net)识别准确率可达 92%，优于传统的 ResNet50和 ResNet152 模型，说明改进后的模型更能学习到雨衰减特征.同时，实验也反映出一些问题：在发生降雨的前期，使用本文所提出的方法计算降雨率时，得出的准确率一直偏低；随着降雨的持续发生，即便是在没有降雨的时间，神经网络也将其归为有降雨环境，推测可能是由于空气中的湿度升高、地面等建筑物表面湿润，导致无线电在传播过程中出现了折射现象，这也在 ITU-R P.45341以及 P.67617中得到了验证.为此，本文展开了相关实验，搭建视距链路信道，使用 GNU Radio 与 HankRF One 发射 2.4 GHz 频段的信号，信道长度为 20 m，模拟降雨结束后的湿润环境对信道环境分别进行干燥与加湿处理，接收不同环境下的频谱信号.按照上述深度学习实验条件对频谱数据进行分割、预处理，设置学习率为 5103，批大小为8，迭代次数为100，实验结果如图12 所示.0.80.70.60.5验证集准确率255075100迭代次数(a)验证集准确率(a)Accuracy in validation set for different channels0.70.60.40.5验证集损失值255075100迭代次数(b)训练集损失值(b)Training loss value for different channels图 12 不同信道二分类验证集准确率与训练集损失值变化Fig.12 Accuracy in validation set and training loss value forbinary classification from different channels 从图 12 可以得出，验证集上的准确率是不断上升的，其准确率可达 88%左右，同时训练集的损失值(loss in train)是逐渐下降的，其损失值最小为 0.4，说明使用神经网络模型基本可以识别出两种环境下的频谱信号，说明湿润的链路对信号的传输也存在一定的干扰.4 结论与未来工作 4.1 实验结论使用无线电链路结合人工智能的方法进行降雨监测是一种新型的降雨测量方法，具有一定的研究意义.无线电由于在大气中传播，受到雨滴的吸收与散射等影响，使得无线电在传输过程中产生了衰减，不同降雨率条件下的衰减是不同的.本文使用无线电链路结合深度神经网络的方法提出一种改进的 ResNet50 深度学习算法，以不同降雨率环境下的频谱信号作为研究对象，Pytorch 为深度学习框架，在经典 ResNet50 基础上，增加 33 全连接神经网络，对不同降雨率的信号衰减特征进行了分类识别，证明了使用深度学习+商用微波链路的方法可以识别到不同降雨率所带来的衰减特征，进而分析出不同的降雨环境.在一些气象监测站未设立的地方，可以使用本文提出的方法进行监测，这就使 460电波科学学报第 38 卷得降雨监测的范围更为广阔.论文主要结论如下：1)使用传统的 ResNet50 深度学习算法，对晴天与 2.6 mm/h 降雨率环境下的频谱信号进行识别分析实验，学习率为 0.4104，批次大小为 16，迭代次数为 100，最终分类识别准确率可达 90%，说明降雨对信号存在一定的影响.2)使用 ResNet50 网络模型来学习不同降雨率环境下信号衰减特征，以 0.1 mm/min 与 0.2 mm/min 的频谱信号数据作为数据集，分析了不同降雨率条件下频谱信号所携带的雨衰减特征，最终对不同降雨率环境下的频谱信号识别准确率达到 90%，说明不同的降雨率对频谱信号的影响也是不同的.3)相比于传统 ResNet 网络模型，改进的 ResNet50网络模型(RD-Net)对不同降雨率环境下的频谱信号衰减特征更为敏感，其识别准确率可达 92%，验证了改进 ResNet50 模型(RD-Net)的性能优越.同时，针对不同的降水相态，诸如降雪、冰雹等可能对无线电传输存在一定的影响，为了验证这个想法，本文团队在冬季前往甘肃省甘南地区进行了初步实验研究，以 2021-02-10 以及 02-19 发生的两次降雪作为研究对象，将采集到的降雪期间频谱数据与晴朗天气下的频谱数据按照上述实验设置，分为训练集、测试集、验证集，设置学习率为 0.1104，批次大小为 16，迭代次数为 100.实验发现，使用训练好的网络模型在进行验证集验证时其识别准确率最高可达 93%，这就表明，降雪对无线电信号传播具有一定的影响，实验结果如表 6 所示.表 6 降雪环境分类计算结果Tab.6 Calculation results of snow environment classifications迭代次数训练集损失值验证集损失值验证集准确率/%10.521.48951.52250.090.26066.14500.040.67079.75750.030.58085.561000.020.42093.61 4.2 未来工作本文研究的是使用深度学习+商用微波链路的方法进行降雨监测，现如今气象研究的痛点问题在于短期临时的强降雨预测.在后续的研究中，我们可以尝试以本文所提出的监测方法为基础，结合用于回归预测的拟合类深度学习模型，针对短期临时的强降雨进行降雨率的预测，使得降雨监测与预测的研究更为精确化、智能化.参考文献 刘斌涛,陶和平,宋春风,等.我国西南山区降雨侵蚀力时1空变化趋势研究J.地球科学进展，2012，27（5）：499-509.LIU B T,TAO H P,SONG C F,et al.Temporal and spa-tial variations of rainfall erosivity in