基于6G回传网络的分级式降雨强度反演方法及系统

本发明涉及降雨强度反演，具体的说是一种基于6g回传网络的分级式降雨强度反演方法及系统。

背景技术：

1、准确及时的降雨量估算对城市预警、水资源管理和数值天气预报至关重要。传统监测依赖雨量计和气象雷达，但雨量计密度不足，雷达低空探测受限，在城市密集区尤为突出，难以满足高分辨率低成本监测需求。

2、随着6g与物联网人工智能发展，集成传感与通信成为下一代网络关键技术。基于通信链路的微波链路监测技术利用现有通信设施实现连续大气监测，无需新增硬件，其降雨监测原理清晰：雨滴衰减微波信号，反演衰减即可估算路径平均雨强。其中，e波段因广泛用于5g回传和智慧城市，成为城市降雨监测的有力传感资源。尽管该频段信号易受植被和降雨衰减，但在城市中需密集部署，反而带来高空间分辨率优势，同时不会增加硬件成本。然而，高灵敏度也使信号易受湿天线衰减、基线漂移等非平稳干扰，有效分离降雨信号与噪声仍是一大难题。

3、现有估算方法可以分为模型驱动与数据驱动两类。模型驱动以幂律模型为主，物理明确但需准确分离雨致衰减与基线变化，后者易受多种因素干扰难以标定。数据驱动方法利用深度学习等从数据中学习映射，已采用树模型、lstm、cnn及注意力机制等，但在实际预测中仍面临两个根本挑战。

4、其一，干湿边界模糊。微量降雨衰减常低于噪声基底，加之湿天线效应和量化误差，基线波动导致极高误检率。现有分类模型依赖硬标签，强制在模糊处二元判断，忽视物理连续性，引入标签噪声。

5、其二，峰值低估。路径长度达数公里时，衰减值为空间平均，平滑局部强降水，导致训练样本呈极端长尾分布，高强度事件占比极低。全局优化如mse使模型趋向均值回归，强降雨时幅值系统性偏低，且响应滞后，影响预警实效。

6、综上所述，现有技术主要不足在于：缺乏有效的干湿判别机制，难以可靠区分无雨与微量降雨，误报率高；无法克服路径平滑效应和长尾分布导致的高强度降雨峰值系统性低估；模型响应延迟，无法满足城市暴雨预警对准确性和时效性的要求，限制了其实际应用价值。

技术实现思路

1、为了解决现有技术中的不足，本发明提供一种基于6g回传网络的分级式降雨强度反演方法及系统，反演结果的精度更高，能够显著降低极端降雨漏报的概率。

2、为了实现上述目的，本发明采用的具体方案为：基于6g回传网络的分级式降雨强度反演方法，包括：

3、获取6g回传网络中的微波测量向量，并且对微波测量向量进行前置处理生成原始特征向量；

4、将原始特征向量输入预先训练好的综合反演模型中进行处理得到降雨强度反演结果，综合反演模型包括回归模型、门控触发器、峰值处理模块和决策输出模块，其中回归模型包括利用软标签机制训练得到的状态检测分支和基于概率加权融合策略构建的分级估计分支，综合反演模型对原始特征向量进行处理的方法包括：

5、利用回归模型的状态检测分支根据原始特征向量确定多个降雨等级概率，并且利用回归模型的分级估计分支基于多个降雨等级概率确定基础降雨估计值；

6、利用门控触发器根据基础降雨估计值判断是否发生极端峰值降雨；

7、在发生极端峰值降雨时，利用峰值处理模块对基础降雨估计值中的峰值部分进行处理得到优化估计过程值；

8、利用决策输出模块根据优化估计过程值生成降雨强度反演结果。

9、作为上述基于6g回传网络的分级式降雨强度反演方法的进一步优化：所述微波测量向量包括第一频段衰减值、第二频段衰减值、第一频段载波干扰噪声比和第二频段载波干扰噪声比。

10、作为上述基于6g回传网络的分级式降雨强度反演方法的进一步优化：对微波测量向量进行前置处理生成原始特征向量的方法包括：

11、根据当前时刻及当前时刻之前第一时间窗口内的微波测量向量，计算第一时间窗口内的滚动统计特征；

12、计算所述微波测量向量中不同维度数据之间的交叉特征；

13、根据当前时刻之前第二时间窗口内的微波测量向量，将同一维度数据在当前时刻与历史时刻的测量值作差得到差分特征；

14、对当前时刻的微波测量向量进行特征提取，得到原始信号特征；

15、获取当前时刻的时间编码信息，得到时间编码特征；

16、将所述滚动统计特征、所述原始信号特征、所述交叉特征、所述差分特征和所述时间编码特征进行融合，生成所述原始特征向量。

17、作为上述基于6g回传网络的分级式降雨强度反演方法的进一步优化：所述软标签机制用于基于真实降雨强度数据与预定阈值集合的比较结果生成三级软标签，三级软标签包括表示干态的第一标签值、表示干湿过渡态的第二标签值和表示湿态的第三标签值；

18、在训练所述回归模型的过程中以所述三级软标签作为监督目标对所述状态检测分支进行训练，并且通过优化算法动态校准所述预定阈值，优化算法以误报率、检测概率和均方误差的加权和作为适应度函数对预定阈值进行联合搜索优化。

19、作为上述基于6g回传网络的分级式降雨强度反演方法的进一步优化：所述分级估计分支包括多个分级回归单元，并且分级回归单元与降雨等级概率相对应，分级估计分支基于所述多个降雨等级概率确定基础降雨估计值的方法包括：

20、将所述原始特征向量分别输入多个所述分级回归单元进行处理，得到多个降雨强度估计子值；

21、以降雨等级概率作为权重对降雨强度估计子值进行加权求和得到基础降雨估计值。

22、作为上述基于6g回传网络的分级式降雨强度反演方法的进一步优化：所述利用门控触发器根据基础降雨估计值判断是否发生极端峰值降雨的方法包括：

23、获取当前时刻之前预定时间段内的多个历史基础降雨估计值；

24、对所述多个历史基础降雨估计值进行差分运算，得到时序变化量；

25、对所述多个历史基础降雨估计值进行累加运算，得到累积估计量；

26、获取所述多个降雨等级概率中的最高等级概率或最高两个等级概率之和作为高强度降雨概率；

27、将所述高强度降雨概率、所述时序变化量和所述累积估计量输入预先训练的二分类器，得到触发标志；

28、当所述触发标志为第一状态时，判定发生极端峰值降雨；当所述触发标志为第二状态时，判定未发生极端峰值降雨。

29、作为上述基于6g回传网络的分级式降雨强度反演方法的进一步优化：所述峰值处理模块包括时序残差校正单元和自适应融合单元；

30、在发生极端峰值降雨时利用峰值处理模块对基础降雨估计值中的峰值部分进行处理得到优化估计过程值的方法包括：

31、利用所述时序残差校正单元对当前时刻之前预定时间窗口内的历史特征序列进行状态空间建模，提取时序依赖关系并输出残差校正量；

32、将所述残差校正量与所述基础降雨估计值叠加，得到校正后的降雨估计值；

33、利用所述自适应融合单元对所述校正后的降雨估计值进行多分支非线性映射和自适应融合，得到所述优化估计过程值；

34、所述历史特征序列包括当前时刻之前预定时间窗口内各历史时刻的原始特征向量、以及各历史时刻对应的基础降雨估计值。

35、作为上述基于6g回传网络的分级式降雨强度反演方法的进一步优化：所述时序残差校正单元基于mamba状态空间模型构建；

36、所述mamba状态空间模型对输入的历史特征序列进行因果序列建模，通过选择性扫描机制根据输入内容动态调节状态转移，以提取长程时序依赖关系并且输出残差校正量；

37、所述自适应融合单元包括深度分支、宽度分支和残差分支；

38、所述深度分支通过级联的全连接层对输入进行非线性变换，所述宽度分支通过单层全连接层对输入进行线性变换，所述残差分支用于保留输入特征的原始信息；

39、所述自适应融合单元通过可学习的门控权重对所述深度分支、所述宽度分支和所述残差分支的输出进行加权融合。

40、作为上述基于6g回传网络的分级式降雨强度反演方法的进一步优化：当所述门控触发器判定未发生极端峰值降雨时，决策输出模块将所述基础降雨估计值作为所述降雨强度反演结果输出；当所述门控触发器判定发生极端峰值降雨时，决策输出模块将所述优化估计过程值作为所述降雨强度反演结果输出。

41、基于6g回传网络的分级式降雨强度反演系统，用于实现上述的基于6g回传网络的分级式降雨强度反演方法，所述系统包括：

42、数据获取模块，用于获取6g回传网络中的微波测量向量；

43、数据处理模块，用于对微波测量向量进行前置处理生成原始特征向量，以及利用预先训练好的综合反演模型对原始特征向量进行处理得到降雨强度反演结果；

44、人机交互模块，用于展示降雨强度反演结果。

45、有益效果：

46、第一，本发明通过引入三级软标签机制替代传统二元硬标签，将干态、干湿过渡态和湿态表示为连续化的标签值，使模型能够在干湿边界模糊区间学习不确定性而非被迫做出确定性决策，配合优化算法以误报率、检测概率和均方误差的加权和为适应度函数对边界阈值进行动态校准，有效解决了现有技术中微量降雨与噪声难以区分导致误报率高的技术问题；

47、第二，本发明通过采用mamba状态空间模型构建时序残差校正单元，利用其选择性扫描机制对历史特征序列进行线性复杂度的因果序列建模，提取长程时序依赖关系并输出残差校正量以补偿基础降雨估计值的峰值部分，配合门控触发器根据高强度降雨概率、时序变化量和累积估计量判断是否触发峰值处理，有效解决了现有技术中路径平滑效应和长尾分布导致高强度降雨峰值系统性低估的技术问题；

48、第三，本发明通过构建包含深度分支、宽度分支和残差分支的自适应融合单元，以可学习的门控权重动态决定各分支输出的融合比例，使模型在稳定或小雨条件下由宽度分支主导以保证计算效率，在极端降雨条件下自动激活深度分支以处理复杂信号突变，结合决策输出模块根据门控触发器的判断结果选择输出基础降雨估计值或优化估计过程值，使得约95%的非峰值时段保持轻量化计算，仅在极端事件中激活高复杂度模块，兼顾了估计精度与计算效率。