Neural network based atmospheric path attenuation estimation from radiometric measurements

The development of satellite communication systems foresees operations at higher fre quency bands, due to larger bandwidth requirements. Current High Throughput Systems (HTS) operates at Ka-Band, where W-Band is likely to be the next evolution. Therefore, it is essential to retrieve attenuation profiles since high frequency channels are characterized by higher atmospheric attenuation. Three significant factors of atmospheric attenuation are atmospheric gasses, clouds and rain. Especially, the latter enforces very high attenu ation levels, which may severely limit signal. The ideal scenario would be using a beacon source at the interested frequency, for characterizing the propagation channel and atten uation profile. However, currently no active system operates at W-Band frequency. An alternative strategy could be using radiometric measurements and implementing ad hoc methods for attenuation retrieval. Furthermore, these measurements could be exploited by machine learning algorithms, particularly neural networks, for forecasting attenuation pro files at high frequency bands. This work aims to design an artificial neural network (ANN) model, which takes radiometric & meteorological measurements as input, and estimates attenuation profiles at four different frequency channels: 23.84 & 31.40 GHz (Ka-Band) and 72.50 & 82.50 GHz (W-Band). Particular attention will be given to rainy day scenar ios, where the attenuation may elevate to very high levels. The theoretical background of radiometry and two pioneer techniques for attenuation retrieval, Cosmic Background (CB) and Sun Tracking (ST) will be introduced along with their advantages and drawbacks. The mathematical theory behind the ANN and the steps for data preparation will be underlined. The ANN based forecast will be compared by radiometry-based techniques, and the drawbacks will be discussed by presenting error scores. Furthermore, statistical approach in terms of Complementary Cumulative Distribution Functions (CCDF) will be under discussion, to demonstrate the network performance with respect to radiometric techniques. Finally, a sky status indicator (SSI) based threshold anaylsis will be proposed for using ANN for overcome the difficulties in CB mode during rain events.

Lo sviluppo dei sistemi di comunicazione satellitare prevede operazioni a frequenze più elevate bande di frequenza, a causa dei maggiori requisiti di larghezza di banda. Attuali sistemi ad alto rendimento (HTS) opera in banda Ka, dove è probabile che la banda W rappresenti la prossima evoluzione. Pertanto, esso è essenziale recuperare i profili di attenuazione poiché i canali ad alta frequenza sono caratterizzati da una maggiore at tenuazione atmosferica. Tre fattori significativi di attenuazione atmosferica sono i gas atmosferici, le nuvole e la pioggia. In particolare, quest’ultima impone un’attenuazione molto elevata livelli di trasmissione, che possono limitare notevolmente il segnale. Lo sce nario ideale sarebbe usare un faro sorgente alla frequenza interessata, per caratterizzare il canale di propagazione e l’atten- profilo di uazione. Tuttavia, attualmente nessun sistema attivo funziona alla frequenza della banda W. Una strategia alternativa potrebbe essere l’utilizzo di misurazioni radiometriche e l’implementazione ad hoc metodi per il recupero dell’attenuazione. Inoltre, queste misurazioni potrebbero essere sfruttate da algoritmi di apprendimento automatico, in particolare reti neurali, per la previsione dell’attenuazione profili alle bande ad alta frequenza. Lo scopo di questo lavoro è progettare un neurale artificiale modello di rete (ANN), che prende come input misurazioni radiometriche e me teorologiche, e stima i profili di attenuazione su quattro diversi canali di frequenza: 23.84 e 31.40 GHz (banda Ka) e 72,50 e 82,50 GHz (banda W). Particolare attenzione sarà data a scenari di giornate piovose, dove l’attenuazione può elevarsi a livelli molto elevati. Il teo- background pratico della radiometria, tecniche esistenti e background matematico di ANN sarà introdotto. Saranno sottolineati i passaggi per la preparazione dei dati. L’ANN le previsioni basate saranno confrontate con tecniche basate sulla radiometria, e gli svan taggi sì essere discussi presentando i punteggi di errore. Inoltre, l’approccio statistico in termini di Le funzioni di distribuzione cumulativa complementare (CCDF) saranno in discussione, a dimostrare le prestazioni della rete rispetto alle tecniche radiometriche.