Machine learning based radiometric prediction of tropospheric attenuation affecting earth-space links

This thesis presents a data-driven approach for predicting atmospheric attenuation under rainy conditions in Ka- and W-band from radiometric measurements. A feed-forward artificial neural network (ANN) model was developed to predict the mean radiating temperature (Tmr) using collocated radiometric and meteorological observations collected in Rome, NY, at 23.80, 31.40, 72.50, and 82.50 GHz. The predicted Tmr values were subsequently converted into path attenuation, allowing a comprehensive evaluation of the model’s ability to reproduce both temporal and statistical fade behavior. The proposed two-layer ANN architecture was optimized through a systematic grid search with early stopping and validation ratio tuning. The resulting models show robust generalization across all frequency channels, with test R2 values exceeding 0.98 and RMSE below 1 dB-equivalent for attenuation. Sensitivity analysis revealed that the rain flag (RF) was the dominant input variable, followed by surface temperature and either pressure or relative humidity depending on the frequency band. These findings confirm that the neural model captures physically consistent dependencies between hydrometeor presence, thermodynamic state, and attenuation behavior. Finally, complementary cumulative distribution function (CCDF) analysis demonstrated that the predicted attenuation distributions closely matched empirical measurements, validating the network’s generalization capability under diverse rain intensities. Future extensions may include the use of reanalysis datasets for climate-generalized training, sequence-based neural architectures (e.g., LSTM) for temporal modeling, and multifrequency joint learning for inter-band consistency.

Questa tesi propone un approccio basato sui dati radiometrici per la stima dell’attenuazione atmosferica in condizioni di pioggia nelle bande Ka e W. È stato sviluppato un modello di rete neurale artificiale (ANN) di tipo feed-forward per stimare la temperatura di radiazione media (Tmr) utilizzando osservazioni radiometriche e meteorologiche raccolte a Rome (NY) alle frequenze di 23.80, 31.40, 72.50 e 82.50 GHz. I valori previsti di Tmr sono stati successivamente convertiti in attenuazione lungo la tratta per canali spazio- Terra, consentendo una valutazione completa della capacità del modello di riprodurre il comportamento temporale e statistico dei fenomeni di fading. L’architettura proposta, composta da due strati nascosti, è stata ottimizzata tramite una ricerca a griglia sistematica con early stopping e variazione del rapporto di validazione. I modelli risultanti hanno raggiunto prestazioni predittive eccellenti in tutte le bande di frequenza, con valori di R2 superiori a 0.98 e RMSE inferiori a 1 dB-equivalente per l’attenuazione. L’analisi di sensibilità ha mostrato che il parametro di input più influente è il flag di pioggia (RF), seguito dalla temperatura superficiale e dalla pressione o umidità relativa, a seconda della banda considerata. Questi risultati confermano che il modello neurale cattura relazioni fisicamente coerenti tra la presenza di idrometeore, lo stato termodinamico e il comportamento dell’attenuazione. Infine, l’analisi della funzione di distribuzione cumulativa complementare (CCDF) ha dimostrato un’eccellente corrispondenza tra le attenuazioni previste e quelle misurate, validando la capacità di generalizzazione del modello in presenza di diverse intensità di pioggia. Lavori futuri potrebbero includere l’utilizzo di dati di rianalisi meteorologica per l’addestramento in condizioni climatiche più varie, l’impiego di architetture ricorrenti (ad es. LSTM) per la modellazione temporale e l’apprendimento congiunto multifrequenza per garantire coerenza inter-banda.