Rain event identification along Ka-/Q-band Earth-space links: assessment of two procedures

New generations of satellite links will make use of higher frequencies and as a result will be more subject to rain attenuation than are modern systems. Exploiting the data provided by the Alphasat satellite payload, this thesis develops a neural network, belonging to the U-Net type, capable of identifying rain events along the signal path, receiving as input the power signal from the satellite in two frequencies, 19.7 and 39.4 GHz. Furthermore, the accuracy of the predictions made by the network are compared with the results given by the application of a more traditional method, that exploits the brightness temperatures retrieved at 23.8 and 31.4 GHz by a microwave radiometer. The F1 scores of both methods as well as their general characteristics are analysed with the aim to determine if a machine learning approach can produce a step forward in the identification of rain events.

Le nuove generazioni di collegamenti satellitari utilizzeranno frequenze più elevate e, di conseguenza, saranno più soggette all'attenuazione della pioggia rispetto ai sistemi odierni. Sfruttando i dati forniti dal satellite Alphasat e dalla stazione di Spino d'Adda, questa tesi elabora una rete neurale di tipo U-Net in grado di identificare eventi di pioggia lungo il tratto di segnale, ricevendo in ingresso la potenza ricevuta dal satellite in due frequenze, 19.7 e 39.4GHz. Inoltre, la precisione delle previsioni effettuate dalla rete viene confrontata con i risultati dati dall'applicazione di un metodo più tradizionale, che sfrutta le temperature di brillanza rilevate a 23.8 e 31.4 GHz da un radiometro a microonde. I valori del parametro statistico F1 riferito ad entrambi i metodi e le loro caratteristiche generali vengono analizzati con l'obiettivo di determinare se un approccio di tipo machine learning può produrre un passo avanti nell'identificazione degli eventi di pioggia.