來源：DeepTech深科技
降雨量和手機移動網(wǎng)絡之間有什么聯(lián)系？
來自德國卡爾斯魯厄理工學院與奧格斯堡大學的研究人員，通過研究降水與移動網(wǎng)絡中的商用微波鏈路（commercial microwave link，簡稱 CML）之間的關系，成功繪制了全德國的降雨量地圖。
該研究相關成果發(fā)表在學術期刊《水文與地球系統(tǒng)科學》和《大氣測量技術》上。
某個區(qū)域內的降水數(shù)據(jù)對氣象學、水文學和農(nóng)業(yè)的意義巨大，而獲得準確的基于時間和空間的降水數(shù)據(jù)是一件困難的事情。從全球范圍來看，因為成本問題，很多地區(qū)的降雨量數(shù)據(jù)不夠精確而且更新不及時。
不僅如此，在當前所有的獲取降雨量數(shù)據(jù)的方法上，多多少少都存在一定的缺陷。
一般來講，目前主流的降雨量監(jiān)測方法有 3 種。
第一種，放置雨量器。
雨量器只能收集一個點的數(shù)據(jù)，這是最大的問題。也就是說，無法獲得該地區(qū)廣泛的、和基于時間的連續(xù)數(shù)據(jù)。此外，風、降雪（非液體降水）和蒸發(fā)都會對雨量器產(chǎn)生干擾。
第二種，基于氣象雷達。
氣象雷達雖然克服了時空的限制，但是帶來了其他誤差問題。首先，其不是直接監(jiān)測降雨量，而是通過降雨量與雷達反射率之間的關系間接測量，這種關系建立在雨滴粒徑分布的基礎上，因此導致了很大的不確定性。
除此之外，地面的其他電波信號、雷達測量位置的選擇，都會對結果產(chǎn)生影響。
第三種，利用衛(wèi)星。
雖然衛(wèi)星聽起來非常高科技，但是其在時空覆蓋上具有局限性。對于地球同步衛(wèi)星，它能夠一直盯著地表同一個地方拍攝，因此得到數(shù)據(jù)的采樣率很高。但問題在于，降雨量的測量往往需要可見光和紅外波段，這兩個條件不是隨時都具備的。
低軌道衛(wèi)星問題就更大了。它們掃略同一片區(qū)域的次數(shù)受到軌道的限制。也就是說，沒辦法一直盯著一片區(qū)域，即便使用好幾顆衛(wèi)星聯(lián)合監(jiān)測，依然無法滿足要求。
正是基于這種背景，德國的研究小組開啟了一項 " 古老 " 的技術。
說它古老，是因為該技術 10 年前就在以色列和荷蘭被提起過，但由于存在技術難題，一直未能取得良好的效果。
新方法的原理并不難懂。來自手機蜂窩網(wǎng)絡中的商用微波鏈路（CML），因為受到降水的影響而衰減，即降雨量越大，CML 衰減越厲害。
因此，通過測試 CML 的衰減情況，反向可以推測該地區(qū)降雨量，而且根據(jù)數(shù)據(jù)收集頻率的不同，獲得降雨量分布地圖分辨率也不同。
CML 裝在移動電話的信號桿上，用來進行遠距離信號傳輸。相比于雨量器和氣象雷達，CML 的分布更加廣泛而且都是現(xiàn)成的，這項技術如能成功應用，可以大大降低降雨量監(jiān)測成本以及獲得經(jīng)濟不發(fā)達地區(qū)的降水數(shù)據(jù)。
研究小組收集了 4000 個 CML 在一年內的數(shù)據(jù)，分辨率為 1 分鐘。用小組成員 Chwala 博士的話說就是：" 如此大的數(shù)據(jù)量與如此小的分辨率都是獨一無二的。
最終的結果讓人振奮。通過對 CML 信號衰減的處理得到的全德國降雨量地圖，與德國氣象局提供的數(shù)據(jù)比對，二者具有很高的相似性，并且 CML 法分辨率更高。
圖 | 氣象雷達獲取降雨量地圖（a）與 CML 法（b）獲取的地圖
其實，正如前文所說，CML 衰減和降雨量的關系在十年前就被提出來了。為什么一直沒有得到較好的應用？
因為其中存在兩個難以修正的問題。
第一是如何從采集到的 CML 數(shù)據(jù)中區(qū)分當?shù)靥幵谟昙具€是旱季。因為不同的季節(jié)衰減數(shù)據(jù)有不同的波動性。
第二個問題更加棘手，當空氣過于潮濕，CML 天線上會凝結水滴，這些水滴引起了對當?shù)亟涤炅康母吖?。說的直白一些，凝結水滴讓 CML 信號進一步衰減，但它們并不是降水引起的。
對于這兩個問題的處理，涉及到非常復雜的動力學分析和數(shù)據(jù)分析。一般來說，通過對比某地和相鄰地區(qū)的 CML 數(shù)據(jù)，或者對單個 CML 時間序列進行處理，可以基本分辨出雨季和旱季的問題。更關鍵的問題在于這種判別的精細度上。
而 " 濕天線 " 問題則需要補償。即通過一系列計算，決定補償多少的 CML 衰減幅度，才不會因此高估了降雨量。
除此之外，該研究還借助了人工智能（AI）進行數(shù)據(jù)分析。在獲取的 CML 衰減數(shù)據(jù)中，存在大量的 " 噪聲 "。
這里要解釋一下，在數(shù)字信號處理中，我們把想要獲得的信號之外的干擾數(shù)據(jù)，都叫做 " 噪聲 "。去除噪聲是一件非常麻煩的事情，科研人員往往會陷入兩難境地：噪聲去除不干凈，有效信號則不夠純凈，后續(xù)處理誤差較大；但過于強力的去除噪聲，會傷害有效信號，損失數(shù)據(jù)。
然而，借助 AI，通過對 AI 的訓練，可以做到傳統(tǒng)的數(shù)據(jù)處理方法做不到或者做不好的事。
研究小組中另一名科學家 Julius Polz 說，" 引起 CML 信號衰減的因素很多，比如陽光、風。我們需要知道哪些衰減是降水引起的，而借助 AI 可以濾除那些干擾數(shù)據(jù)。"
經(jīng)過多次訓練的 AI 可以完成這種任務，并且再次使用該系統(tǒng)處理新的數(shù)據(jù)時，無需校準系統(tǒng)。
從今年夏天開始，該研究小組在缺乏降雨量數(shù)據(jù)的西非地區(qū)開始 CML 數(shù)據(jù)收集，并且準備用這一套 AI 系統(tǒng)進行處理。
但是，至少到現(xiàn)在為止，CML 法測量降雨量不是完美的。
雨夾雪和凍雨引起的 CML 信號衰減比常溫液態(tài)降水更大。而降雪，即固態(tài)降水則無法通過 CML 法測出。
這也就是說，CML 法至少要選擇在沒有降雪的地方。
