一种基于电平时序动态记忆的天线沾湿损耗确定方法
文献发布时间:2023-06-19 11:49:09
技术领域
本发明属于降水信息微波遥感测量技术领域,特别是涉及一种基于电平时序动态记忆的天线沾湿损耗实时确定方法。
背景技术
由于水资源危机以及极端降水灾害日趋频繁,对降水准确监测的需求越来越迫切。然而传统的降水监测手段还难以实现大范围、高时空分辨率、近地面降水信息监测:雨量计和雨滴谱仪可以精准测量降水量和降水谱分布,但是空间代表性差;天气雷达可以探测三维云雨信息,但受地面杂波影响无法实现近地面降水信息监测;测雨卫星可以实现全球范围内降水信息监测,但其时空分辨率低,无法满足精确降水信息监测的需求。
近年来随着通信技术的发展,关于微波链路的降水信息监测技术越来越受到关注,该方法具有成本低、时空分辨率高、采样对象近地面等优点,已成为传统降水探测手段的有效补充手段。微波链路测量降水的主要原理是从微波链路总衰减中提取出雨致衰减部分,进而实现降水强度、谱分布、降水类型等信息的探测。然而,微波链路的衰减除了雨致衰减,还会由于降雨沾湿了微波天线而带来额外损耗。其次,微波天线上沾湿水层的厚度、时间不同,沾湿损耗也各不相同,现有微波链路测雨方法中尚未考虑这一损耗,从而给降雨反演带来一定的误差。为了保证微波链路反演降雨的准确性,有必要确定并剔除天线沾湿带来的额外损耗。
因此,寻找一种能够剔除天线沾湿带来的额外损耗,实现大范围、高时空分辨率、近地面降水信息监测的方法成为研究人员关注的问题。
发明内容
为了解决上述技术问题,本发明提供一种基于电平时序动态记忆的天线沾湿损耗确定方法,实现对天线沾湿损耗效应的动态监测,该方法仅需单链路微波衰减信息,即可准确测量天线沾湿损耗的实时变化情况,进而提高路径雨致衰减的测量精度,可广泛应用于微波链路定量降水监测等气象信息遥感领域。
为实现上述目的,本发明提出一种基于电平时序动态记忆的天线沾湿损耗确定方法,具体包括以下步骤:
S1、利用微波链路的电平信号,得到降雨相关衰减、干湿期指数和天线沾湿损耗;
S2、基于所述降雨相关衰减和干湿期指数的时序数据,得到天线沾湿损耗的特征量;基于所述沾湿损耗的时序数据,得到天线沾湿损耗的真值;
S3、将多次降水事件的天线沾湿损耗的特征量和天线沾湿损耗的真值进行结合,构建天线沾湿损耗确定模型的训练集;
S4、基于时序动态记忆算法,构建天线沾湿损耗确定模型,对天线沾湿损耗效应进行实时动态监测。
优选地,所述步骤S1具体为:
S11、设置微波链路参数,并采集第k分钟时发射机所发出的平均发射功率和接收机所接收的平均接收功率;
S12、基于所述平均发射功率和所述平均接收功率,得到第k分钟的微波链路总衰减;
S13、基于基线衰减确定方法,剔除第k分钟时所述微波链路总衰减中的非降雨因素相关衰减,得到第k分钟的降雨相关衰减;
S14、基于干湿期区分方法,得到第k分钟的干湿期指数;
S15、剔除第k分钟时所述微波链路总衰减中的路径雨致衰减,得到第k分钟的天线沾湿损耗。
优选地,所述步骤S1.1中的微波链路参数包括频率、长度和极化方式,且均为定值。
优选地,所述步骤S13中的基线衰减确定方法包括但不限于动态基线确定法;
所述动态基线确定法具体为:
S13.1、选取过去n分钟内微波链路总衰减的最小值作为第k分钟的基线衰减:
A
其中,A
S13.2、将第k分钟基线衰减从微波链路总衰减中剔除,得到第k分钟的降雨相关衰减:
A
其中,A
优选地,所述步骤S14具体为:
根据过去n分钟内的微波链路总衰减的标准差判断第k分钟的干湿期指数DW(k),其表达式为:
其中,σ
优选地,所述步骤S3具体为:
S31、将m次降水事件的降雨相关衰减和干湿期指数的时序数据作为训练集的特征量X
S32、对训练集特征量X
S33、将m次降水事件的天线沾湿损耗值作为训练集的真值Y
S34、将m次降水过程得到的[X
优选地,所述步骤S4具体为:
S41、利用长短时神经网络LSTM建立天线沾湿损耗确定模型;
S42、将所述训练集数据代入所述天线沾湿损耗确定模型中,对该模型进行训练,用测试集数据评价该模型性能;
S43、对该模型参数、改变网络架构方式进行优化,直至满足预期性能,对天线沾湿损耗效应进行实时动态监测。
优选地,所述时序数据的时间分辨率包括但不限于1min。
优选地,所述n分钟为10~30min。
与现有技术相比,本发明的有益效果在于:
本发明充分利用了天线沾湿损耗连续变化的特点,实现对天线沾湿损耗的实时精准测量;同时,该方法在应用过程中只需根据微波链路自身记录的时序电平参量即可确定实时天线沾湿损耗变化情况,进而极大地降低了雨致衰减提取过程中的不确定性,有助于进一步提高微波链路定量降水反演的精度,可广泛应用于微波链路定量降水监测等气象信息遥感领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图;
图2是本发明实施例中的动态记忆模型训练优化图;
图3位本发明实施例中的动态记忆模型内部构造图;
图4是本发明实例中的模型测试结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参照图1所示,本发明提出一种基于电平时序动态记忆的天线沾湿损耗确定方法,具体包括如下步骤:
S1、利用微波链路的电平信号,得到降雨相关衰减、干湿期指数以及天线沾湿损耗;
S11、首先,选定某一固定的频率、长度和极化方式的微波链路,随即发射机向接收机定向发射微波信号(电平信号),微波信号穿过水平路径降水空间后被接收机所接收。记录第k分钟时发射机所发出的平均发射功率,记为P
S12、根据上述测得的微波链路第k分钟的平均发射功率P
A
其中,A
S13、基于基线衰减确定方法,去除非降雨因素相关衰减得到第k分钟的降雨相关衰减;(所述基线衰减确定方法包括但不限于动态基线确定法。)
具体为:
S13.1、选取过去某一段时间(n分钟)内微波链路总衰减的最小值作为第k分钟的基线衰减:
A
其中,A
将第k分钟基线衰减从微波链路总衰减中剔除,以去除非降雨因素相关衰减(如干空气、水汽、污染物等),得到第k分钟的降雨相关衰减:
A
其中,A
S14、基于干湿期区分方法,确定第k分钟的干湿期指数,具体为:(所述干湿期区分方法包括但不限于总衰减标准差阈值法。)
根据过去n分钟(约10-30min)内的微波链路总衰减的标准差判断第k分钟的干湿期指数:
其中,σ
S15、根据路径雨致衰减,得到第k分钟的天线沾湿损耗。
S15.1、计算第k分钟的路径雨致衰减:
A
其中,R(k)(mm h
其中,各参数值详见《Word-ITU-R P.838-3建议书》(参考网址:https://max.book118.com/html/2015/0527/17808626.shtm),此处为现有技术,在此不再赘述。
S15.2、将第k分钟路径雨致衰减从第k分钟的降雨相关衰减中剔除,得到第k分钟的天线沾湿损耗:
A
其中,A
S2、基于所述降雨相关衰减和干湿期指数的时序数据,得到天线沾湿损耗的特征量;基于所述沾湿损耗,得到天线沾湿损耗的真值;
S21、将降雨相关衰减和干湿期指数的时序数据作为确定天线沾湿损耗的特征量X,其表达式为:
X={[A
其中,X为天线沾湿损耗的特征量,A
S22、将降水过程中天线沾湿损耗的时序数据作为天线沾湿损耗的真值Y,其表达式为:
Y=[A
其中,Y为天线沾湿损耗的真值,A
S3、将多次降水事件的天线沾湿损耗的特征量和天线沾湿损耗的真值进行结合,构建天线沾湿损耗确定模型的训练集;
S31、将获取m次降水事件的时序降雨相关衰减和干湿期指数数据作为训练集的特征量X
X
其中,i=1,2,…,m;A
S32、对训练集特征量X
S33、获取m次降水事件的天线沾湿损耗值作为训练集的真值Y
Y
其中,A
S34、将m次降水过程得到的[X
S4、基于时序动态记忆算法,构建天线沾湿损耗确定模型,对天线沾湿损耗效应进行实时动态监测。
S41、利用长短时神经网络(LSTM)建立天线沾湿损耗确定模型;(所述时序记忆动态算法包括但不限于利用长短时神经网络。)
S42、将训练集数据代入模型中,然后对模型进行训练,用测试集数据评价模型性能,参照图2所示;
S43、通过调整模型参数、改变网络架构等方式不断地优化模型,最终得到满足预期性能的模型,从而能够剔除天线沾湿带来的额外损耗,实现大范围、高时空分辨率、近地面降水信息监测。
在实际应用过程中,通过直接输入当前分钟的特征量[A
为了验证本发明的技术效果,本发明选定频率为72.75GHz、极化方式为垂直极化、长度为1.164km的微波链路为例,对天线沾湿损耗模型的性能进行测试,其接收机的电平量化分辨率0.1dBm;
(1)记录微波链路第k分钟的平均发射功率P
(2)计算第k分钟微波链路总衰减:
A
(4)取过去15-min内最小链路总衰减为第k分钟的基线衰减:
A
(5)去除非降水因素,得到第k分钟的降雨相关衰减:
A
(6)根据过去15-min链路总衰减的标准差判断第k分钟的干湿期指数:
(7)将时序降雨相关衰减和干湿期指数数据作为确定天线沾湿损耗的特征量{[A
(8)计算第k分钟的路径雨致衰减:
A
(9)计算第k分钟的天线沾湿损耗真值:
A
(10)将时序天线沾湿损耗作为真值[A
(11)将多次降水事件的天线沾湿损耗的特征量和天线沾湿损耗的真值进行结合,构建天线沾湿损耗确定模型的测试集;
(12)将测试集代入训练好的模型中进行验证,其测试结果参照图4所示:
结果表明,该模型计算的湿天线衰减与真值具有很好的一致性,由此说明,本发明的湿天线衰减模型可以实时准确的获取湿天线衰减,进而获得实时准确的雨致衰减值,从而保证利用微波链路雨衰进行降雨强度反演的准确性。
综上,本发明充分利用了天线沾湿损耗连续变化的特点,实现对天线沾湿损耗的实时精准测量;同时,该方法在应用过程中只需根据微波链路自身记录的时序电平参量即可确定实时天线沾湿损耗变化情况,进而极大地降低了雨致衰减提取过程中的不确定性,有助于进一步提高微波链路定量降水反演的精度,可广泛应用于微波链路定量降水监测等气象信息遥感领域。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
- 一种基于电平时序动态记忆的天线沾湿损耗确定方法
- 一种基于电平时序动态记忆的天线沾湿损耗确定方法