Slow and fast fading components on a FSO link

This thesis studies the relationship between the slow and fast fading components of atmospheric attenuation in a FSO link. More specifically, it is tried to parametrize the relationship between the fast fades standard deviation and the slow fades mean value. The fog events occurring during a 7-consecutive months period, from September 2005 to March 2006, are identified and studied in detail. An MA low-pass filter is applied to the attenuation series in order to separate the slow and fast fading components for each event. After finding out that the slow fades show a log-normal statistical distribution and the fast fades a normal (or Gaussian) one, a scatter plot putting fast fading standard deviation vs. slow fading mean values is created. Several functions are used to curve fitting our data. The conclusions show that the best fit is represented by a power series (2 terms) function of the form: $f(x)=ax^b+c$, for both scenarios, the one considering all the identified events and the one with the events with rain and/or snow precipitations removed (fog only events left).

Questo lavoro si concentra sullo studio della relazione tra le componenti di affievolimento lenti e veloci che compongono l'attenuazione atmosferica in un collegamento FSO. Si è cercato di parametrizzare la relazione tra il valore della deviazione standard delle componenti veloci e il valore medio di quelle lenti. Gli eventi di nebbia durante un periodo di 7 mesi consecutivi, da Settembre 2005 a Marzo 2006, vengono identificati e studiati in dettaglio. Un filtro passa-basso a media mobile (MA) viene applicato sulla serie delle attenuazioni in modo da separare le componenti lenti da quelle veloci. Dopo che si è trovato che le componenti lenti hanno una distribuzione statistica log-normale e quelle veloci una distribuzione normale (o Gaussiana), si costruisce un grafico di dispersione che mette la deviazione standard delle componenti veloci vs. il valore medio di quelle lenti. Diversi funzioni si usano per il curve fitting sui nostri dati. Le conclusioni dimostrano che la migliore scelta è la funzione delle serie di potenze (con 2 termini) della forma: $f(x)=ax^b+c$, per entrambi i scenari, quello che considera tutti gli eventi identificati e quello che rimuove gli eventi con pioggia e/o neve e lascia solo quelli di solo nebbia.