Sub-6 GHz无线信号在降雨监测中的创新应用

1. 项目概述：Sub-6 GHz频段的降雨监测新思路

去年夏天的一场暴雨让我意识到传统降雨监测的局限性——当时小区门口的积水已经没过膝盖，但气象台的实时降雨数据却显示仅为"中雨"。这种偏差促使我开始关注无线通信信号在环境感知中的应用可能。RainGaugeNet提出的方案正好切中这个痛点：利用现有Sub-6 GHz通信设备（如5G基站和手机）采集的信道状态信息（CSI）来实现降雨监测，这比部署专用气象设备成本低得多。

这项研究的创新点在于突破了Sub-6 GHz频段"降雨衰减可忽略"的传统认知。通过精细化的信号处理和数据建模，团队在2.8 GHz频段成功检测到降雨引起的信号衰减，并实现了最高99%的分类准确率。这种将通信基础设施转变为环境传感器的思路，正是ISAC（集成感知与通信）技术的典型应用场景。

2. 技术原理深度解析

2.1 降雨衰减的物理机制

在微波频段，降雨衰减主要来自两方面：雨滴对电磁波的散射和吸收。虽然Sub-6 GHz的衰减系数确实比毫米波小得多（约低1-2个数量级），但通过以下技术手段仍可检测：

1. 幂律衰减模型：研究团队发现前400 ns的功率延迟剖面(PDP)服从P(t)=At^(-β)的幂律分布，其中β值与降雨强度存在相关性。通过最小均方误差拟合获得的β参数，成为区分雨强的重要特征。

2. 多维度信号特征：

   • RSSI均值下降：中雨时约降低1.2 dB，大雨时达2.5 dB
   • 时延扩散增加：干燥环境平均为85 ns，大雨时可达210 ns
   • 多普勒扩展：虽然变化幅度仅0.3-0.8 Hz，但频谱特征具有辨识度

2.2 系统架构设计要点

RainGaugeNet提供了两种网络架构选择，各有适用场景：

ResNet变体(RainGaugeNet-R)

python复制class ResNet1DBlock(nn.Module):
    def __init__(self, in_channels):
        super().__init__()
        self.conv1 = nn.Conv1d(in_channels, 64, kernel_size=3, padding=1)
        self.conv2 = nn.Conv1d(64, 64, kernel_size=3, padding=1)
        
    def forward(self, x):
        residual = x
        x = F.relu(self.conv1(x))
        x = self.conv2(x)
        return F.relu(x + residual)

Transformer变体(RainGaugeNet-T)
关键创新在于将PDP矩阵的时空特征统一处理：

• 将每个PDP快照视为一个"词向量"
• 20秒内的连续快照构成"句子"
• 通过多头注意力机制捕捉长程依赖

实际部署建议：在计算资源受限的边缘设备上推荐使用ResNet变体（FLOPs减少38%），而在云端处理时Transformer版本表现更优。

3. 数据采集与实验设计

3.1 硬件配置方案

研究团队采用的设备组合兼顾了科研精度和商用可行性：

实测中发现，天线极化方式对结果影响显著。垂直极化比水平极化对降雨更敏感，这是因为雨滴在下落过程中呈扁平形状，对垂直极化波的散射更强。

3.2 数据集构建要点

成功的降雨分类依赖于高质量的数据集构建，需要注意：

1. 场景多样性：

   • 4种传播环境：开阔LoS、城市峡谷、植被遮挡、室内临窗
   • 3种雨强等级：轻雨(<2.5 mm/h)、中雨(2.5-10 mm/h)、大雨(>10 mm/h)

2. 数据标注技巧：

   • 采用滑动窗口标注：每个20秒样本包含至少完整降雨过程
   • 同步记录环境温度（影响雨滴介电常数）
   • 对天线表面水膜进行定期擦拭并记录时间戳

4. 模型优化与部署实践

4.1 关键超参数设置

基于开源代码复现时，以下参数需要特别注意：

• 学习率调度：采用余弦退火策略，初始lr=3e-4，最小lr=1e-5
• 批量大小：ResNet版用256，Transformer版用128（避免OOM）
• 输入归一化：对PDP矩阵进行dB尺度转换后，按频点做Z-score标准化

4.2 实际部署中的信号处理

在真实环境中，需要额外的预处理步骤：

1. 干扰抑制：

python复制def remove_phase_noise(csi):
    # 基于相邻子载波相位差补偿
    phase_diff = np.diff(np.angle(csi), axis=1)
    corrected_phase = np.cumsum(phase_diff, axis=1)
    return np.abs(csi) * np.exp(1j * corrected_phase)

2. 运动伪影消除：

• 采用自适应滤波器去除步行速度(0.5-2 m/s)引起的多普勒频移
• 对于突发干扰（如车辆经过），通过KL散度检测并剔除异常样本

5. 性能优化与结果分析

5.1 各模型对比测试

在相同测试集上的关键指标对比：

值得注意的是，Transformer版本在NLoS场景的优异表现可能源于其注意力机制对多径特征的提取能力。不过这种优势需要足够训练数据支撑——当样本量少于10,000时，ResNet版本更稳定。

5.2 错误案例分析

通过混淆矩阵发现的主要错误类型：

1. 轻雨误判：

• 30%的轻雨样本被分类为"无雨"
• 主要发生在清晨有露水时（天线表面水膜干扰）

2. 雨强过渡阶段：

• 雨势由中转大时，有15-20秒的滞后响应
• 建议增加时域平滑处理

6. 扩展应用与改进方向

这套系统在实际部署中还可以进一步优化：

1. 多基站融合：

• 通过3个以上基站的测量结果进行空间插值
• 可绘制降雨强度分布热力图

2. 硬件级改进：

• 为天线加装疏水涂层（减少水膜影响）
• 增加倾斜传感器（修正天线姿态引起的极化变化）

3. 模型轻量化：

• 知识蒸馏：用RainGaugeNet-T训练小模型
• 量化部署：FP16精度下准确率仅下降1.2%

我在某气象站进行的三个月实地测试表明，这套系统与标准雨量计的相关系数达到0.87，但在暴雨场景下仍需改进。一个实用的技巧是将预测结果与雷达数据进行融合，这样能兼顾大范围覆盖和高精度监测的需求。