Detekce dešťové aktivity pomocí dat z mikrovlnných spojů a strojového učení

Abstract

Tato práce pojednává o implementaci modelu konvoluční neuronové sítě (CNN) pro detekci dešťových srážek s využitím útlumu signálu komerčního mikrovlnného spoje (CML). Studie rozebírá teoretické aspekty CML, včetně vztahu mezi útlumem spoje a úhrnem srážek, efektu mokré antény (WAA) a principů strojového učení, spolu s přehledem předchozích implementací strojového učení k detekci dešťové aktivity na základě dat z CML. V rámci práce byl implementován model CNN, který byl trénován a testován na rozsáhlé datové sadě sbírané na území České republiky, která obsahovala celoroční data ze 100 CML, srovnaná s referenčním úhrnem srážek naměřeným srážkoměry. Přestože model svou úspěšností překonal zvolené referenční metody s celkovou přesností detekce mokrých období TPR = 0,65 a suchých období TNR = 0,97, jeho výkon se při použití na českých datech výrazně snížil (TPR = 0,33 a TNR = 0,93). Výsledky práce naznačují, že současný model CNN je vhodný pro robustní detekci deště, ale je třeba zlepšit kvalitu a dostupné metody sběru dat z CML.

This thesis presents an implementation of a Convolutional Neural Network (CNN) model for rain event detection, using signal loss from Commercial Microwave Link (CML). The study combines theoretical aspects of CMLs, including their attenuation-rainfall k-R relationship, Wet Antenna Attenuation (WAA), and machine learning principles, alongside a review of prior ML-based CML rain detection implementations. The CNN model was trained and evaluated on a large dataset from the Czech Republic, containing a full year of data from 100 CMLs, aligned with rain gauge-measured rain rate as a reference. Even though the model outperformed chosen reference state-of-the-art methods, achieving overall TPR of 0.65 and TNR of 0.97, its performance strongly decreased (TPR = 0.33 and TNR = 0.93) when used on the Czech data. This outcome suggests that the current CNN model is well-suited for robust rain detection, but the CML data quality and available data collection methods have to be improved.