短距离无线微波链路降雨反演模型研究

利用商用微波链路进行降雨反演是一种新型的降雨监测手段,且随着通信技术的发展,高密度的商用微波链路网络可提供更高空间分辨率的降雨空间反演结果。目前,幂律模型被广泛用于研究微波衰减与雨率的关系,该模型对长度超过1 km的链路反演精度较高,但在反演短链路(长度<1 km)雨强时出现显著的降雨强度过高估计问题。针对此问题,本文基于ITU-R P.530-16建议书中长期雨衰减公式,建立了雨强反演模型。在瑞典哥德堡地区对该模型进行了验证,并对比分析了本文模型与幂律模型降雨反演结果。结果表明,相比于幂律模型,本文模型在对短链路进行雨强反演时更稳定、精确,确定性系数提升了55.3%,标准化均方根误差下降了76.2%,累计降雨量误差下降了92.4%。本文研究结果为短链路在反演降雨时出现的过高估计问题提供了一个解决思路。

基于复合机器学习模型的无线微波降雨反演研究

为实现精细化的无线微波水文气象密集监测,提出基于无线微波链路的降雨增强反演方案。利用极值梯度提升(XGBoost)算法进行干湿判别,并结合支持向量回归机(SVR)和高斯过程回归(GPR)两种机器学习算法,构建XG_SVR与XG_GPR复合反演模型,与传统ITU-R模型反演结果比较分析。实验结果表明,XGBoost算法的干湿判别结果优于滑动标准差法,平均分类准确率为88%,1 h以下高时间分辨率的准确率可达90%以上;两种复合模型整体反演效果良好,XG_SVR与ITU-R模型均适用于高时间分辨率,相关性系数均值皆高于0.80;而XG_GPR模型在反演1 h及以上低时间分辨率降雨时有显著优势,相关性系数为0.95左右,且均方误差远小于其他两种模型。利用复合机器学习模型改进传统无线微波测雨的方案具有可行性及发展潜力。

春天是一本书

春天是一本音乐书。天上的候鸟唧唧喳喳地从南方飞来，一路欢歌，唱蓝了天空。唱绿了树木。小河被温暖的春风吹得解冻。河水“哗哗”地流向远方，活泼又轻快。从远处听，水声又变成了“叮叮咚咚”的乐章，那么优美，那么动人。一阵风吹来，树叶儿摇晃着脑袋。“沙沙、沙沙”，是那么有节奏，那么好听!这是大自然的音符。