CN109697323B - 一种融合卫星遥感和移动通信基站信号的降雨观测方法 - Google Patents

一种融合卫星遥感和移动通信基站信号的降雨观测方法 Download PDF

Info

Publication number
CN109697323B
CN109697323B CN201811608784.0A CN201811608784A CN109697323B CN 109697323 B CN109697323 B CN 109697323B CN 201811608784 A CN201811608784 A CN 201811608784A CN 109697323 B CN109697323 B CN 109697323B
Authority
CN
China
Prior art keywords
rain
rainfall
attenuation
link
intensity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811608784.0A
Other languages
English (en)
Other versions
CN109697323A (zh
Inventor
刘德地
尹家波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201811608784.0A priority Critical patent/CN109697323B/zh
Publication of CN109697323A publication Critical patent/CN109697323A/zh
Application granted granted Critical
Publication of CN109697323B publication Critical patent/CN109697323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Abstract

本发明公开了一种融合卫星遥感和移动通信基站信号的降雨观测方法，包括对于目标区域内的每一个微波链路，均采用不同的雨衰雨强模型分别建立雨衰与雨强的联系，并推求相应的链路降雨强度；对目标区域划分网格，推求历史时期不同雨衰雨强模型下的区域降雨量；通过卫星遥感的历史时期的大尺度观测数据优选雨衰雨强模型；采用优选的雨衰雨强模型，基于移动通信基站的实时动态雨衰数据，观测高空间分辨率的实时雨强信息。本发明充分发挥卫星遥感观测降雨技术和微波链路实时观测雨强技术的优势，提供了实时、动态、高精度的降雨观测模式，可为防洪减灾和流域规划提供重要且可操作性强的参考依据。

Description

一种融合卫星遥感和移动通信基站信号的降雨观测方法
技术领域
本发明涉及降雨观测技术领域，具体地说涉及一种融合卫星遥感和移动通信基站信号的降雨观测方法。
背景技术
降雨是农林、水利、水文、采矿等许多行业或领域重要的气象监测数据，对于工农业生产、水利开发、江河防洪和工程管理等方面具有重要意义。当前，降雨观测数据的合理精度是城市规划、水资源开发、防洪预警等许多领域的重要需求，关系到生态环境的健康稳定和经济社会可持续发展。
中国目前的降雨数据主要依赖卫星遥感、雷达和地面雨量站三种，但是它们在降雨观测方面存在诸多不足。卫星遥感主要通过气象卫星的搭载传感器，实现对空中降雨的测量，但是卫星遥感技术存在空间分辨率低的问题，难以满足实际要求；雷达测量也受到地形遮挡、雷达射线抬升的影响，而且需要定期维护、费用高昂，难以全面推广使用；地面雨量站能够提供高精度的地面点观测降水，但是使用寿命短、价格昂贵、安装维护复杂，难以在偏远地区大批量使用。我国水利气象农林各领域迫切需要实时降雨信息的方法，尤其是在偏远地区，降雨基础数据的严重缺乏制约了水资源开发和生态环境维护。
微波信号在近地层大气中传播时会受到大气介质的影响而发生吸收、衰减、散射、极化以及传播路径的弯曲等,其中雨、雪等降水粒子对微波的影响尤为明显。近年来，随着移动通信技术的深入发展，移动通信基站具有高密度、低成本的优势，有学者提出了利用微波信号的衰减特征反演降雨强度的方法。
例如：杨红卫，何晨，诸鸿文等发表的基于人工神经网络的毫米波雨衰减预报[J].上海交通大学学报，2001,35(1):13-16；在考虑电波雨衰减与工作频率、仰角、降雨率、极化角等多个参数的综合非线性映射的基础上，建立了人工神经网络的毫米波雨衰减预报模型。
印敏、姜世泰、高太长等发表的微波雨衰特性在降雨测量中的应用[J].气象科技，2015,43(1):1-7；进行了15～20GHz频段链路测量降雨的试验研究，通过实际接收电平与基准接收电平的雨衰减差值反演了计算实际降雨量。
然而，现有文献通常仅能获得通信路径上沿链路的降雨值，而水文气象领域需要区域性降雨数据，现有方法难以满足要求；同时，由于缺乏测量验证数据，现有方法只能主观地选取一种模型来建立雨强与雨衰的关系，存在较大的不确定性和任意性，不能解决区域性降雨观测问题。
发明内容
本发明的目的是克服现有技术存在的不足，基于移动通信基站的微波链路雨衰反演路径降雨值，再通过网格加权链路法获得区域降雨量，并通过卫星遥感的历史时期的大尺度观测数据优选雨衰雨强模型，提供一种融合卫星遥感和移动通信基站信号的降雨观测方法。
为解决上述技术问题，本发明采用的技术方案为一种融合卫星遥感和移动通信基站信号的降雨观测方法，包括以下步骤，
步骤1，对于目标区域内的每一个微波链路，均采用不同的雨衰雨强模型分别建立雨衰与雨强的联系，并推求相应的链路降雨强度；
步骤2，对目标区域划分网格，推求历史时期不同雨衰雨强模型下的区域降雨量；
步骤3，通过卫星遥感的历史时期的大尺度观测数据优选雨衰雨强模型；
步骤4，采用优选的雨衰雨强模型，基于移动通信基站的实时动态雨衰数据，观测高空间分辨率的实时雨强信息。
而且，步骤1包括以下子步骤，
步骤1.1，基于相邻基站接收功率和发射功率推求链路平均雨衰减率
Figure BDA0001924217290000021
包括根据长度为L的链路上的接收功率P(L)与发射功率P0(L)，推求得到链路平均雨衰减率
Figure BDA0001924217290000022
如下，
Figure BDA0001924217290000023
步骤1.2，采用不同的雨衰雨强模型分别建立雨衰与雨强的联系，根据链路平均雨衰减率推求不同雨衰雨强模型下的链路降雨强度。
而且，步骤2包括以下子步骤，
步骤2.1，将观测区域划分网格；
步骤2.2，对于步骤1中建立的每一种雨衰雨强模型，求取各个网格对应的降雨量，实现方式如下，
对每一个网格，如果包含微波链路，在不同的雨衰雨强模型下，分别提取网格中包括的历史时期的微波链路信息，采用加权链路法得到该网格的降雨量如下，
设某网格Gr内包含M条微波链路，每一条微波链路在该网格中的长度记为Lj，j＝1,...,M，每一条链路的链路平均雨强表示为Rj，该网格的降雨量Prep为：
Figure BDA0001924217290000031
式中，sumL为网格中的各微波链路在该网格中的长度Lj之和；
如果不包含微波链路，搜索半径阈值内的微波链路，再采用倒距离权重法求得该网格的降雨量；
步骤2.3，对于步骤1中建立的每一种雨衰雨强模型，求取对应的历史时期区域降雨量。
而且，步骤3包括以下子步骤，
步骤3.1，依据区域地理信息，提取卫星遥感数据在该区域测量的大尺度降雨值；
步骤3.2，以历史时期的卫星遥感数据大尺度降雨作为观测真值，以步骤2.4中采用历史时期雨衰数据推求的不同雨衰雨强模型对应的区域降雨作为模拟值，采用设定的评价指标，优选得到最佳的雨衰雨强模型。
与现有技术相比，本发明的有益效果在于：
1、科学合理、贴近工程实际；
本发明充分发挥卫星遥感观测降雨技术和微波链路实时观测雨强技术的优势，克服卫星观测空间分辨率低、微波链路观测数据难以验证的不足，通过融合卫星遥感和移动通信基站信号，提供了实时、动态、高精度的降雨观测模式。
2、可为防洪减灾和流域规划提供重要且可操作性强的参考依据。
本发明将历史时期的雨衰信息作为输入，通过不同的雨衰雨强模型得到相应的历史时期降雨模拟系列，再由加权链路法推求不同雨衰雨强模型下的区域降雨量，通过历史时期的卫星遥感大尺度降雨数据优选最佳的雨衰雨强模型，最后采用优选的雨衰雨强模型以实时移动信号作为输入，推求小网格和区域的实时降雨信息，更具实用性。
附图说明
图1为本发明实施例的流程示意图。
图2为移动通信基站空间分布的示意图；
图3为本发明实施例中观测区域划分为的小网格及微波链路的示意图；
图4为本发明实施例中小网格内包含微波链路的示意图；
图5为本发明实施例中小网格内不包含微波链路的示意图。
具体实施方式
为使本发明目的、技术方案及有益效果更加清楚明白，下面将结合附图及实施例，进一步说明本发明。
本发明实施例基于移动通信基站的微波链路雨衰反演路径降雨值，再通过网格加权链路法获得区域降雨量，并通过卫星遥感的历史时期的大尺度观测数据优选雨衰雨强模型，提供一种融合卫星遥感和移动通信基站信号的降雨观测方法，其具体流程详见图1。
步骤1，对于目标区域内的每一个微波链路，均采用不同的雨衰雨强模型同时建立雨衰与雨强的联系，并推求不同雨衰雨强模型下的链路降雨强度；
实施例中，步骤1进一步包括以下子步骤：
(1.1)如图2所示，基站之间一般呈蜂窝状分布，基站与基站之间的距离一般在10km 范围内，由于中心基站与周围基站的空间分布较为均匀，一般通过周围基站与中心基站建立微波链路，也可以根据需要对相邻的周围基站之间建立微波链路；基于相邻基站接收功率和发射功率推求链路平均雨衰减率
Figure BDA0001924217290000047
长度为L的链路上的接收功率P(L)与发射功率P0(L)与雨衰减率γR的关系为：
Figure BDA0001924217290000041
其中，dl表示长度上的积分。
由上式，可推求得到链路平均雨衰减率
Figure BDA0001924217290000042
为：
Figure BDA0001924217290000043
(1.2)建立雨衰雨强模型(即雨衰雨强关系模型)并推求链路平均雨强R；
现有技术中，不同的雨衰雨强模型分别适用于不同频段和不同体制的地地链路和地空链路，在通过大尺度卫星遥感数据评估前难以确定合适的雨衰雨强模型，故采用国内外提出的不同模型同时建立雨衰与雨强的关系；例如可采用Crane Global模型、AssisEinloft Improved 模型、SAM模型、DAH模型、ITU.R模型、China模型、ITU-R模型(国际电联推荐模型) 共7个不同模型分别建立雨衰与雨强的关系，即链路平均雨衰减率
Figure BDA0001924217290000044
和链路平均雨强R的关系，并分别推求链路平均雨强R；
例如，通过ITU-R模型建立雨衰与雨强的关系，如下式：
Figure BDA0001924217290000045
式中，k和α为参数，可采用国际电联报告推荐的现有方法估计。根据上式，通过链路平均雨衰减率
Figure BDA0001924217290000046
反推得到链路平均雨强R，即实现通过ITU-R模型推求链路平均雨强。
具体实施时，建立雨衰与雨强的关系，根据具体选择的模型实现即可，本发明不予赘述。
步骤2，对目标区域划分小网格，并通过加权链路法推求历史时期不同雨衰雨强模型下的区域降雨量；
步骤2进一步包括以下子步骤：
(2.1)如图3所示，考虑区域的地理条件、基站布置密度等可用性信息，将观测区域合理地划分为适当尺度的网格，假设本实施例中将区域划分为G个相同的网格；图3中以一条微波链路为例，F点为信号发射基站，Z点为信号接收基站，构成了一个单一的微波链路。
(2.2)对于步骤1中建立的每一种雨衰雨强模型，均可求得不同模型下，各个网格对应的降雨量：
如图4所示，对每一个网格，如果包含微波链路，在不同的雨衰雨强模型下，基于相应链路平均雨强均可提取网格中包括的历史时期的微波链路信息；例如，某网格Gr内包含M条微波链路，每一条微波链路在该网格中的长度记为Lj(j＝1,...,M)，每一条链路在步骤1.2中求出的链路平均雨强表示为Rj(j＝1,...,M)，采用加权链路法得到该网格的降雨量Prep为：
Figure BDA0001924217290000051
式中，sumL为网格中的各微波链路在该网格中的长度Lj之和。
如图5所示，区域的某些网格内未包含微波链路，对此类网格，选定合理的半径阈值，搜索半径阈值内的微波链路，再采用倒距离权重法求得该网格的降雨量；例如，在某网格的半径阈值内搜索得到M条微波链路，网格中心点到每条链路的垂直距离为S j(j＝1,...,M)，则可通过倒距离权重法求得该网格的降雨量Prep为：
Figure BDA0001924217290000052
式中，sumS为网格中的
Figure BDA0001924217290000053
之和。
图5中，在某网格G0的半径阈值内搜索得到3条微波链路，网格中心点到每条链路的垂直距离为S1、S2、S3，该网格的降雨量
Figure BDA0001924217290000054
(2.3)对于步骤1中建立的每一种雨衰雨强模型，均可求得不同模型下，对应的历史时期区域降雨量；
令雨衰雨强模型数量为N，网格数量为G，设步骤2.2中第g个网格通过第i(i＝1,...,N)个雨衰雨强模型求得的网格降雨量为
Figure BDA0001924217290000061
则可求得第i个雨衰雨强模型对应的历史时期区域降雨量ARi为：
Figure BDA0001924217290000062
步骤3，通过卫星遥感的历史时期的大尺度观测数据优选雨衰雨强模型；
步骤3进一步包括以下子步骤：
(3.1)依据区域地理信息，提取卫星遥感数据在该区域测量的大尺度降雨值；
卫星数据具有覆盖广泛的特点，但是空间分辨率低，可以提供大尺度(一般为十千米级以上的网格)的降雨信息，本发明充分通过卫星遥感降雨测量的大尺度信息来优选雨衰雨强模型，然后通过最优雨衰雨强模型实现高分辨率的降雨测量；
进一步地，为了获得观测区域的大尺度降雨数据，可使用本领域常规技术提取卫星由美国宇航局和日本航空探测署研发的TRMM降水卫星数据或GPM(全球降水观测计划)的降水卫星数据。
(3.2)以历史时期的卫星遥感数据大尺度降雨作为观测真值，以步骤2.4中采用历史时期雨衰数据推求的不同雨衰雨强模型对应的区域降雨作为模拟值，采用Nash(纳西效率系数)、RMSE(均方根误差)和线性相关系数作为评价指标，从而优选得到最佳的雨衰雨强模型。
步骤4，采用优选的雨衰雨强模型，基于移动通信基站的实时动态雨衰数据，观测高空间分辨率的实时雨强信息；
不同于步骤2中采用的是历史时期的雨衰信息，步骤4中采用移动通信基站的实时动态雨衰数据，以步骤3中优选的雨衰雨强模型作为实时的微波链路降雨观测模型，基于优选所得雨衰与雨强的关系，可以推求各微波链路的实时雨强信息，同时可以按照和步骤2.2一致的方式推求出小网格和区域降雨数据。
本实施例的发明思路为：将历史时期的雨衰信息作为输入，通过不同的雨衰雨强模型得到相应的历史时期降雨模拟系列，再由加权链路法推求不同雨衰雨强模型下的区域降雨量，通过历史时期的卫星遥感大尺度降雨数据优选最佳的雨衰雨强模型，最后采用优选的雨衰雨强模型以实时移动信号作为输入，推求小网格和区域的实时降雨信息。
具体实施时，以上流程可采用计算机软件方式实现自动运行流程。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (3)

1.一种融合卫星遥感和移动通信基站信号的降雨观测方法，其特征在于：包括以下步骤，
步骤1，对于目标区域内的每一个移动通信基站的微波链路，均采用不同的雨衰雨强模型分别建立雨衰与雨强的联系，并推求相应的链路降雨强度；
步骤2，对目标区域划分网格，推求历史时期不同雨衰雨强模型下的区域降雨量；
步骤2包括以下子步骤，
步骤2.1，将观测区域划分网格；
步骤2.2，对于步骤1中建立的每一种雨衰雨强模型，求取各个网格对应的降雨量，实现方式如下，
对每一个网格，如果包含微波链路，在不同的雨衰雨强模型下，分别提取网格中包括的历史时期的微波链路信息，采用加权链路法得到该网格的降雨量如下，
设某网格Gr内包含M条微波链路，每一条微波链路在该网格中的长度记为Lj，j＝1,...,M，每一条链路的链路平均雨强表示为Rj，该网格的降雨量Prep为：
Figure FDA0003689848910000011
式中，sumL为网格中的各微波链路在该网格中的长度Lj之和；
如果不包含微波链路，搜索半径阈值内的微波链路，再采用倒距离权重法求得该网格的降雨量；
步骤2.3，对于步骤1中建立的每一种雨衰雨强模型，求取对应的历史时期区域降雨量；
步骤3，通过卫星遥感的历史时期的大尺度观测数据优选雨衰雨强模型，包括通过采用历史时期雨衰数据推求的不同雨衰雨强模型对应的区域降雨作为模拟值，优选得到最佳的雨衰雨强模型；
步骤4，采用优选的雨衰雨强模型，基于移动通信基站的实时动态雨衰数据，观测高空间分辨率的实时雨强信息，同时按照和步骤2.2一致的方式推求出小网格和区域降雨数据。
2.根据权利要求1所述融合卫星遥感和移动通信基站信号的降雨观测方法，其特征在于：步骤1包括以下子步骤，
步骤1.1，基于相邻基站接收功率和发射功率推求链路平均雨衰减率
Figure FDA0003689848910000012
包括根据长度为L的链路上的接收功率P(L)与发射功率P0(L)，推求得到链路平均雨衰减率
Figure FDA0003689848910000013
如下，
Figure FDA0003689848910000014
步骤1.2，采用不同的雨衰雨强模型分别建立雨衰与雨强的联系，根据链路平均雨衰减率推求不同雨衰雨强模型下的链路降雨强度。
3.根据权利要求1或2所述融合卫星遥感和移动通信基站信号的降雨观测方法，其特征在于：步骤3包括以下子步骤，
步骤3.1，依据区域地理信息，提取卫星遥感数据在该区域测量的大尺度降雨值；
步骤3.2，以历史时期的卫星遥感数据大尺度降雨作为观测真值，以步骤2.3中采用历史时期雨衰数据推求的不同雨衰雨强模型对应的区域降雨作为模拟值，采用设定的评价指标，优选得到最佳的雨衰雨强模型。
CN201811608784.0A 2018-12-27 2018-12-27 一种融合卫星遥感和移动通信基站信号的降雨观测方法 Active CN109697323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811608784.0A CN109697323B (zh) 2018-12-27 2018-12-27 一种融合卫星遥感和移动通信基站信号的降雨观测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811608784.0A CN109697323B (zh) 2018-12-27 2018-12-27 一种融合卫星遥感和移动通信基站信号的降雨观测方法

Publications (2)

Publication Number Publication Date
CN109697323A CN109697323A (zh) 2019-04-30
CN109697323B true CN109697323B (zh) 2022-08-16

Family

ID=66232919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811608784.0A Active CN109697323B (zh) 2018-12-27 2018-12-27 一种融合卫星遥感和移动通信基站信号的降雨观测方法

Country Status (1)

Country Link
CN (1) CN109697323B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533233B (zh) * 2019-08-20 2020-07-31 河海大学 基于适应度优化的无线微波测雨链路规划方法
CN110766795B (zh) * 2019-10-11 2023-05-12 中国人民解放军国防科技大学 一种三维星地链路密织网探测三维降雨场的方法及系统
CN110850510B (zh) * 2019-11-05 2021-11-12 中国人民解放军国防科技大学 基于星地链路扫描重构垂直降雨场的方法
CN111104640A (zh) * 2019-11-14 2020-05-05 河海大学 一种基于层次分析法的降雨观测评价方法及系统
CN111257884B (zh) * 2020-02-18 2020-10-16 河海大学 链路长短可调的微波雨衰规律人工降雨实验方法
CN111505739B (zh) * 2020-03-30 2022-07-22 中国人民解放军国防科技大学 利用高频星地链路多特征量进行晴雨时刻判定的方法
CN111611541B (zh) * 2020-04-26 2022-05-20 武汉大学 基于Copula函数的无资料地区降水数据推求方法及系统
CN112114386B (zh) * 2020-08-31 2022-03-29 邹明忠 高时空分辨率微波降雨监测方法
CN112131989B (zh) * 2020-09-15 2021-07-23 河海大学 一种基于空间降雨数据的毫米波测雨模型参数获取方法
CN113177360B (zh) * 2021-05-06 2022-04-29 中国人民解放军国防科技大学 一种基于聚类雨衰关系的雨强自适应估计系统及方法
CN113672864B (zh) * 2021-07-15 2023-08-15 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种应用于雨衰减统计预测的年平均雨顶高度的加权算法
CN113962083B (zh) * 2021-10-21 2022-11-11 中国人民解放军国防科技大学 一种基于稀疏表示的微波贫信息降雨场构建方法
CN114779370B (zh) * 2022-04-19 2023-10-13 中国民用航空华东地区空中交通管理局 一种结合卫星云图与数值评估的降水预报方法及系统
CN115291304B (zh) * 2022-08-03 2023-06-16 河海大学 全向天线轴辐式微波密集降雨监测网络部署方法
CN116383701B (zh) * 2023-04-13 2024-01-26 中国人民解放军国防科技大学 一种基于学习重构的微波链路雨期检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004354080A (ja) * 2003-05-27 2004-12-16 Nippon Telegr & Teleph Corp <Ntt> 雨量観測装置
CN104656163A (zh) * 2015-02-04 2015-05-27 中国人民解放军理工大学 一种基于大数据的移动通信网降水分布及动态测量方法
CN106548613A (zh) * 2016-11-02 2017-03-29 中国人民解放军理工大学 用于降水测量的区域微波链路组网信号采集装置及方法
US9927517B1 (en) * 2016-12-06 2018-03-27 At&T Intellectual Property I, L.P. Apparatus and methods for sensing rainfall
CN108761574A (zh) * 2018-05-07 2018-11-06 中国电建集团北京勘测设计研究院有限公司 基于多源信息融合的降雨量估算方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090160700A1 (en) * 2005-07-13 2009-06-25 Hagit Messer-Yaron Monitoring and Mapping of Atmospheric Phenomena
US10078155B2 (en) * 2016-06-24 2018-09-18 Climacell Inc. Real-time precipitation forecasting system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004354080A (ja) * 2003-05-27 2004-12-16 Nippon Telegr & Teleph Corp <Ntt> 雨量観測装置
CN104656163A (zh) * 2015-02-04 2015-05-27 中国人民解放军理工大学 一种基于大数据的移动通信网降水分布及动态测量方法
CN106548613A (zh) * 2016-11-02 2017-03-29 中国人民解放军理工大学 用于降水测量的区域微波链路组网信号采集装置及方法
US9927517B1 (en) * 2016-12-06 2018-03-27 At&T Intellectual Property I, L.P. Apparatus and methods for sensing rainfall
CN108761574A (zh) * 2018-05-07 2018-11-06 中国电建集团北京勘测设计研究院有限公司 基于多源信息融合的降雨量估算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Ka波段卫星通信雨衰问题的研究;梅妍等;《舰船电子对抗》;20160625(第03期);第49-53页 *
Rainfall Estimation Based on the Intensity of the Received Signal in a LTE/4G Mobile Terminal by Using a Probabilistic Neural Network;FRANCESCO BERITELLI等;《IEEE Access》;20180626;第30865-30873页 *

Also Published As

Publication number Publication date
CN109697323A (zh) 2019-04-30

Similar Documents

Publication Publication Date Title
CN109697323B (zh) 一种融合卫星遥感和移动通信基站信号的降雨观测方法
US11662502B2 (en) Real-time precipitation forecasting system
CN111651885A (zh) 一种智慧型海绵城市洪涝预报方法
Messer et al. Environmental sensor networks using existing wireless communication systems for rainfall and wind velocity measurements
CN109709577A (zh) 一种基于WRF-Chem模式的气溶胶激光雷达反演PM2.5的三维变分同化方法
CN104199126B (zh) 一种通过微波链路网络监测雨区分布的方法
CN112051576B (zh) 一种智能多频微波降雨监测方法
CN107169645B (zh) 一种计及暴雨灾害影响的输电线路故障概率在线评估方法
CN113222283B (zh) 一种基于数字孪生的山洪预报预警方法及系统
CN110674467A (zh) 基于swat模型的水文过程对气候变化的响应监测方法
JP4369816B2 (ja) 全国合成レーダ雨量情報提供システム
Colli et al. Rainfall fields monitoring based on satellite microwave down-links and traditional techniques in the city of Genoa
Ojo et al. NECOP propagation experiment: Rain-rate distributions observations and prediction model comparisons
CN112114386B (zh) 高时空分辨率微波降雨监测方法
CN111898296A (zh) 一种核物质大气扩散及沉降多尺度模拟方法及系统
Liu et al. Rainfall estimation using measurement report data from time-division long term evolution networks
CN103617452B (zh) 一种大型光伏基地区域测光网络布局方法
Acierto et al. Development of a hydrological telemetry system in Bago River
Asadollah et al. Estimation of soil moisture from remote sensing products using an ensemble machine learning model: a case study of Lake Urmia Basin, Iran
Ahlawat Space-time variation in rainfall and runoff: upper Betwa catchment
Li et al. Atmospheric environmental impact and communication signal processing optimization in coastal areas
Sun et al. Inversion of tropospheric temperature and humidity profile based on atmospheric empirical database
CN117808134A (zh) 一种农业干旱程度的预测方法及系统
Hussain et al. Surface Refractivity Profile Construction on One-Fourth Kilometer Square Area for 1800 to 1900 Mhz Frequency
Sun et al. Research Status and Development Trend of Photogrammetry and Remote Sensing in Urban Flood Disasters

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant