下雨减弱手机信号， 科学家以此反推德国降雨量分布图

来源：DeepTech深 科技

降雨量和 手机 移动网络之间有什么联系？

来自德国卡尔斯鲁厄理工学院与奥格斯堡大学的研究人员，通过研究降水与移动网络中的商用微波链路（commercial microwave link，简称 CML）之间的关系，成功绘制了全德国的降雨量地图。

该研究相关成果发表在学术期刊《水文与地球系统科学》和《大气测量技术》上。

某个区域内的降水数据对气象学、水文学和农业的意义巨大，而获得准确的基于时间和空间的降水数据是一件困难的事情。从全球范围来看，因为成本问题，很多地区的降雨量数据不够精确而且更新不及时。

不仅如此，在当前所有的获取降雨量数据的方法上，多多少少都存在一定的缺陷。

一般来讲，目前主流的降雨量监测方法有 3 种。

第一种，放置雨量器。

雨量器只能收集一个点的数据，这是最大的问题。也就是说，无法获得该地区广泛的、和基于时间的连续数据。此外，风、降雪（非液体降水）和蒸发都会对雨量器产生干扰。

第二种，基于气象雷达。

气象雷达虽然克服了时空的限制，但是带来了其他误差问题。首先，其不是直接监测降雨量，而是通过降雨量与雷达反射率之间的关系间接测量，这种关系建立在雨滴粒径分布的基础上，因此导致了很大的不确定性。

除此之外，地面的其他电波信号、雷达测量位置的选择，都会对结果产生影响。

第三种，利用卫星。

虽然卫星听起来非常高科技，但是其在时空覆盖上具有局限性。对于地球同步卫星，它能够一直盯着地表同一个地方拍摄，因此得到数据的采样率很高。但问题在于，降雨量的测量往往需要可见光和红外波段，这两个条件不是随时都具备的。

低轨道卫星问题就更大了。它们扫略同一片区域的次数受到轨道的限制。也就是说，没办法一直盯着一片区域，即便使用好几颗卫星联合监测，依然无法满足要求。

正是基于这种背景，德国的研究小组开启了一项 " 古老 " 的技术。

说它古老，是因为该技术 10 年前就在以色列和荷兰被提起过，但由于存在技术难题，一直未能取得良好的效果。

新方法的原理并不难懂。来自手机蜂窝网络中的商用微波链路（CML），因为受到降水的影响而衰减，即降雨量越大，CML 衰减越厉害。

因此，通过测试 CML 的衰减情况，反向可以推测该地区降雨量，而且根据数据收集频率的不同，获得降雨量分布地图分辨率也不同。

CML 装在移动电话的信号杆上，用来进行远距离信号传输。相比于雨量器和气象雷达，CML 的分布更加广泛而且都是现成的，这项技术如能成功应用，可以大大降低降雨量监测成本以及获得 经济 不发达地区的降水数据。

研究小组收集了 4000 个 CML 在一年内的数据，分辨率为 1 分钟。用小组成员 Chwala 博士的话说就是：" 如此大的数据量与如此小的分辨率都是独一无二的。

最终的结果让人振奋。通过对 CML 信号衰减的处理得到的全德国降雨量地图，与德国气象局提供的数据比对，二者具有很高的相似性，并且 CML 法分辨率更高。

图 | 气象雷达获取降雨量地图（a）与 CML 法（b）获取的地图

其实，正如前文所说，CML 衰减和降雨量的关系在十年前就被提出来了。为什么一直没有得到较好的应用？

因为其中存在两个难以修正的问题。

第一是如何从采集到的 CML 数据中区分当地处在雨季还是旱季。因为不同的季节衰减数据有不同的波动性。

第二个问题更加棘手，当空气过于潮湿，CML 天线上会凝结水滴，这些水滴引起了对当地降雨量的高估。说的直白一些，凝结水滴让 CML 信号进一步衰减，但它们并不是降水引起的。

对于这两个问题的处理，涉及到非常复杂的动力学分析和数据分析。一般来说，通过对比某地和相邻地区的 CML 数据，或者对单个 CML 时间序列进行处理，可以基本分辨出雨季和旱季的问题。更关键的问题在于这种判别的精细度上。

而 " 湿天线 " 问题则需要补偿。即通过一系列计算，决定补偿多少的 CML 衰减幅度，才不会因此高估了降雨量。

除此之外，该研究还借助了人工智能（AI）进行数据分析。在获取的 CML 衰减数据中，存在大量的 " 噪声 "。

这里要解释一下，在数字信号处理中，我们把想要获得的信号之外的干扰数据，都叫做 " 噪声 "。去除噪声是一件非常麻烦的事情，科研人员往往会陷入两难境地：噪声去除不干净，有效信号则不够纯净，后续处理误差较大；但过于强力的去除噪声，会伤害有效信号，损失数据 。

然而，借助 AI，通过对 AI 的训练，可以做到传统的数据处理方法做不到或者做不好的事。

研究小组中另一名科学家 Julius Polz 说，" 引起 CML 信号衰减的因素很多，比如阳光、风。我们需要知道哪些衰减是降水引起的，而借助 AI 可以滤除那些干扰数据。"

经过多次训练的 AI 可以完成这种任务，并且再次使用该系统处理新的数据时，无需校准系统。

从今年夏天开始，该研究小组在缺乏降雨量数据的西非地区开始 CML 数据收集，并且准备用这一套 AI 系统进行处理。

但是，至少到现在为止，CML 法测量降雨量不是完美的。

雨夹雪和冻雨引起的 CML 信号衰减比常温液态降水更大。而降雪，即固态降水则无法通过 CML 法测出。

这也就是说，CML 法至少要选择在没有降雪的地方。