下雨減弱手機訊號，科學家以此反推德國降雨量分佈圖

降雨量和手機行動網路之間有什麼聯絡？

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，透過研究降水與行動網路中的商用微波鏈路（commercial microwave link，簡稱 CML）之間的關係，成功繪製了全德國的降雨量地圖。

該研究相關成果發表在學術期刊《水文與地球系統科學》和《大氣測量技術》上。

某個區域內的降水資料對氣象學、水文學和農業的意義巨大，而獲得準確的基於時間和空間的降水資料是一件困難的事情。從全球範圍來看，因為成本問題，很多地區的降雨量資料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資料的方法上，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資料，這是最大的問題。也就是說，無法獲得該地區廣泛的、和基於時間的連續資料。此外，風、降雪（非液體降水）和蒸發都會對雨量器產生干擾。

第二種，基於氣象雷達。

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，其不是直接監測降雨量，而是透過降雨量與雷達反射率之間的關係間接測量，這種關係建立在雨滴粒徑分佈的基礎上，因此導致了很大的不確定性。

除此之外，地面的其他電波訊號、雷達測量位置的選擇，都會對結果產生影響。

第三種，利用衛星。

雖然衛星聽起來非常高科技，但是其在時空覆蓋上具有侷限性。對於地球同步衛星，它能夠一直盯著地表同一個地方拍攝，因此得到資料的取樣率很高。但問題在於，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。

低軌道衛星問題就更大了。它們掃略同一片區域的次數受到軌道的限制。也就是說，沒辦法一直盯著一片區域，即便使用好幾顆衛星聯合監測，依然無法滿足要求。

正是基於這種背景，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，但由於存在技術難題，一直未能取得良好的效果。

新方法的原理並不難懂。來自手機蜂窩網路中的商用微波鏈路（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，透過測試 CML 的衰減情況，反向可以推測該地區降雨量，而且根據資料收集頻率的不同，獲得降雨量分佈地圖解析度也不同。

CML 裝在行動電話的訊號杆上，用來進行遠距離訊號傳輸。相比於雨量器和氣象雷達，CML 的分佈更加廣泛而且都是現成的，這項技術如能成功應用，可以大大降低降雨量監測成本以及獲得經濟不發達地區的降水資料。

研究小組收集了 4000 個 CML 在一年內的資料，解析度為 1 分鐘。用小組成員 Chwala 博士的話說就是：“如此大的資料量與如此小的解析度都是獨一無二的。

最終的結果讓人振奮。透過對 CML 訊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資料比對，二者具有很高的相似性，並且 CML 法解析度更高。

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 衰減和降雨量的關係在十年前就被提出來了。為什麼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。

第一是如何從採集到的 CML 資料中區分當地處在雨季還是旱季。因為不同的季節衰減資料有不同的波動性。

第二個問題更加棘手，當空氣過於潮溼，CML 天線上會凝結水滴，這些水滴引起了對當地降雨量的高估。說的直白一些，凝結水滴讓 CML 訊號進一步衰減，但它們並不是降水引起的。

對於這兩個問題的處理，涉及到非常複雜的動力學分析和資料分析。一般來說，透過對比某地和相鄰地區的 CML 資料，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。更關鍵的問題在於這種判別的精細度上。

而 “溼天線” 問題則需要補償。即透過一系列計算，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，該研究還藉助了人工智慧（AI）進行資料分析。在獲取的 CML 衰減資料中，存在大量的“噪聲”。

這裡要解釋一下，在數字訊號處理中，我們把想要獲得的訊號之外的干擾資料，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：噪聲去除不乾淨，有效訊號則不夠純淨，後續處理誤差較大；但過於強力的去除噪聲，會傷害有效訊號，損失資料。

然而，藉助 AI，透過對 AI 的訓練，可以做到傳統的資料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 訊號衰減的因素很多，比如陽光、風。我們需要知道哪些衰減是降水引起的，而藉助 AI 可以濾除那些干擾資料。”

經過多次訓練的 AI 可以完成這種任務，並且再次使用該系統處理新的資料時，無需校準系統。

從今年夏天開始，該研究小組在缺乏降雨量資料的西非地區開始 CML 資料收集，並且準備用這一套 AI 系統進行處理。

但是，至少到現在為止，CML 法測量降雨量不是完美的。

雨夾雪和凍雨引起的 CML 訊號衰減比常溫液態降水更大。而降雪，即固態降水則無法透過 CML 法測出。

這也就是說，CML 法至少要選擇在沒有降雪的地方。