- 新系统利用声音传感器和机器学习技术测量降雨量,无需移动部件。
- 该系统提供低维护的替代方案,扩展气象监测网络。
- 研究人员希望收集更多数据,优化系统以应对强降雨事件。
- 更密集的降雨传感器网络可改善局部降雨的实时监测。
科学家们开发了一种系统,利用结构传播声音传感器和机器学习技术来测量降雨量,无需任何移动部件。这项技术可作为传统雨量计的补充。该系统的平均误差为每小时 1.88 毫米。由德国弗劳恩霍夫数字媒体技术研究所(Fraunhofer IDMT)和 Pan Acoustics GmbH 的研究人员开发的这种新型人工智能(AI)降雨监测系统,可以以每小时仅 1.88 毫米的平均误差来估计轻微降雨量。
这种新方法通过分析雨滴撞击太阳能电池板时产生的微小震动,提供了一种低维护的替代方案,以扩展气象监测网络。
新系统的工作原理
该系统利用结构传播声音传感器和机器学习来测量降雨量,无需移动部件。这项技术能够通过创建密集的低成本测量点,捕捉高度局部化的降雨量,从而补充传统雨量计。研究人员通过最近完成的 lokalRAIN 项目展示了这一方法,并在实验室实验和户外安装中测试该系统。他们目前正在寻求行业合作伙伴,以进行额外的试点部署,以评估该技术在更广泛操作条件下的表现。
弗劳恩霍夫 IDMT 项目的科学总监雅各布·贝尔格纳(Jakob Bergner)表示:“我们已经证明了我们的方法对轻微降雨的可行性。现在我们希望收集更多数据,以便处理较少发生的强降雨事件,并优化不同操作条件下的程序。”该系统将结构传播声音传感器安装在光伏(PV)模块上。每一滴击中面板的雨滴都会产生微观震动,形成随降雨强度变化的独特声学特征。
该系统不将原始传感器数据发送到远程服务器,而是使用运行在节能微控制器上的 AI 模型直接在测量现场处理信息。仅计算出的降雨值被传输,显著降低了功耗和无线频宽需求。Pan Acoustics 为无线通信网络开发了硬件和软件。在现场测试中,该系统在城市环境中的传输范围约为 2.5 英里(4 公里),在视线不受阻碍的农村地区则达到 22 英里(35 公里)。从多个传感器节点收集的数据随后被整合到中央数据基础设施中,以生成局部降水图。
传统监测的挑战
传统的降水监测依赖于装备有专用雨量计的气象站,这些雨量计的安装和维护成本昂贵。因此,许多地区的监测网络相对稀疏,难以捕捉局部暴雨,因为在短距离内降雨量可能会有剧烈变化。为了验证这种新方法,研究人员首先在雨水模拟器内进行实验,测试不同的雨滴大小、降雨强度、光伏模块和传感器安装位置。之后,他们在弗劳恩霍夫 IDMT 的伊尔梅瑙(Ilmenau)、Pan Acoustics 的沃尔芬比特尔(Wolfenbüttel)以及伊尔梅瑙工业大学的气象花园安装了三个户外测量系统。
收集到的数据与参考雨量测量进行比较,以训练和验证机器学习模型。
对于每小时 2 至 5 毫米的降雨率,该系统的平均误差为每小时 1.88 毫米,符合世界气象组织(WMO)对低强度降水测量的 C 级准确性要求。研究人员强调,该技术旨在补充而非取代高精度降水计。更密集的降雨传感器网络可以改善对局部降雨的实时监测,并为城市数字双胞胎提供有价值的数据,使城市和基础设施运营商能更快地应对洪水风险。这些信息还可支持排水规划、保险风险评估和气象预测模型。
弗劳恩霍夫 IDMT 还通过另一个项目探索农业应用,将传感器网络整合到农光系统中,使农民能够利用特定地点的降雨数据做出更具针对性的灌溉决策。在商业部署之前,研究人员计划进行额外的试点安装,以便在强降雨事件中收集更多数据,并进一步完善传感器外壳、电子设备和生产就绪系统所需的质量保证流程。
新技术如何改善降雨监测
这项新技术通过声音传感器和机器学习,提供了一种低成本且低维护的降雨监测方法,能够捕捉局部降雨的变化。传统的降水监测系统因为安装和维护成本高,导致许多地区的监测网络稀疏,无法有效应对局部暴雨。新系统的出现,将有助于改善气象数据的准确性,并为城市基础设施提供即时的降雨信息,进一步提升洪水风险管理能力。

