Stanovení hustoty deště z dat CML spojů

Abstract

Od roku 2006 se díky rozvoje telekomunikačních sítí snaží výzkumníci nalézt účinný model pro odhad hustoty deště z útlumu signálu komerčních mikrovlnných spojů. Původ této myšlenky se datuje až do roku 1977. Po dlouhou dobu byly vytvářeny modely založené na mocninné funkci. Nejnovější výzkum ukázal, že modely založené na rekurentní neuronové síti dosahují lepších výsledků. Naším cílem je prozkoumat výkonost modelu založeném na konvoluční neuronové síti (KNS). Nejprve jsem postavili model klasifikující data do třídy prší a neprší a analyzovali jsme jeho přesnost na reálných datech z 28 CML nacházejících se v Praze. Naše analýza ukazuje že F1-skóre dosahuje hodnoty 0.98 pro intenzity deště I, I > 2mm/hr a že má stále prostor pro zlepšení pro 0mm/hr < I <= 2mm/hr. Dále jsme tento model porovnali s obdobným návrhem prezentovaným Polz et al a dosáhli jsme rovnocenných výsledků. Ve druhé části jsme konvoluční síť upravili tak, aby odhadovala hustotu deště. Její výsledky jsou srovnatelné s nejmodernější neuronovou sítí postavené na architektuře GRU představené Habi et al. Představujeme různé varianty modelu a srovnáváme jejich výsledky. Náš výzkum ukazuje, že KNS modely jsou dalším slibným kandidátem při hledání výkonného, na CML nezávislém modelu pro odhad hustoty srážek.

Since 2006 researches are trying to find a good model for rain intensity estimation based on commercial microwave links (CMLs) signal attenuation data. For a long time models were using a power-law based algorithm. Recent development showed that a recurrent neural network based model can outperform them. Our goal is to investigate different, on neural network based, concept, namely the convolutional neural network (CNN). We build a wet-dry classification model and analyzed its performance on real data retrieved over 3 years from 28 CMLs located in Prague. Our analysis shows that it can reach F1-scores over 0.98 for rain intensities I, I > 2mm/hr and that it has still room for improvement for $0mm/hr < I <= 2mm/hr. Our results are also comparable to the recently published CML model by Polz et al. In the second part we build a CNN based rain estimation model and its results are competitive with the latest state-of-the-art GRU driven model introduced by Habi et al. We present different variations of our approach and compare all results. Our research shows that a CNN based model is another promising candidate in the search of an all-round, well performing and CML independent rain estimating model.