Predikce intenzity deště z útlumového signálu sítě mikrovlnných spojů

Abstract

Odhad množství spadlého deště z komerečních mikrovlnných je metodou jejíž potenciální využití je pro doplnění odhadů stávající srážkoměrové sítě či využití v případě její absence. Metoda je předmětem vědeckého zkomumání a byla vyvinutá celá řada přístupů některé z nich jsou založeny na fyzikálních modelech jiné na neuronových sítích. V této práci se zabýváme otestováním několika nových metod pro úlohy klasifikace do tříd prší/neprší a pro úlohu odhadu srážkové intenzity. Prvně testujeme jednotlivé metody na vybrané skupině spojů a následně nejlepší metodu rozšíříme pro použití na všech spojích. Dále zkoumáme možnost využití radarových snímku z meteorologického radaru namísto srážkoměrů jako refereční dat, protože meteorologické radary pokrývají větší území než srážkoměry. Naším závěrem je, že zatímco pro klasifikaci prší/neprší funguje lépe neuronová síť P. Novoty, tak pro odhad srážkové intenzity ze všech spojů funguje lépe námi představená rekurentní síť inspirovaná Habi et al.

Rainfall estimation from commercial microwave links is a method whose potential use is to supplement the estimates of the existing rain gauge network or to be used in case of its absence. This method is the subject of scientific research, and many approaches have been developed, some of them are based on physics models and others on neural networks. In this work, we focus on testing several new methods for the task of wet/dry classification and for the task of rainfall intensity estimation. First, we test individual methods on the selected group of links and then extend the best-performing method for use on all links. Furthermore, we investigate the usage of weather radar snapshots instead of rain gauges as reference, because weather radars cover a larger area than rain gauges. We concluded that for the task of wet/dry classification neural network of P. Novota is better, however for the rainfall estimation task from all links our recurrent network inspired by Habi et al. obtains better results.