近年来，一种利用通信网络中的微波链路信号的衰减来测量降水的新技术受到了广泛关注。传统的降水测量方法主要包括雨量计、天气雷达、气象测雨卫星。雷达和卫星对于近地面降水监测的精确度有限，而雨量计虽然测量精度高，但其空间代表性较弱。当前的观测方法存在空间分辨率低、时效性差等问题，因此，全时空、高精度的降水监测仍存在盲点。基于无线网络中的微波链路信号在大气传播时因降雨衰减的原理，通过提取信号强度变化中的衰减信息，可以反演出链路上的平均降雨强度。这一技术不仅适用于全球超千万级商用微波链路，还可利用广播电视、港航、海事、油田监控、军事、安防、电力等领域的专用微波链路。
本文提出一种结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的深度学习模型，利用毫米波通信链路的接收信号强度在降雨的发生发展过程中的衰减变化的信息，实现高精度降雨监测。研究数据来自中国科学院大气物理研究所香河观测站和南京实验场（原中国人民解放军理工大学校区），分别采用28GHz的Ka波段单频链路和71/81GHz 的E波段双频链路。通过多项式特征生成和滚动时间窗构建等预处理步骤，从而提升模型的性能与泛化能力。实验结果表明，该模型在不同气候区域的数据集测试中，均呈现出很好的反演结果。香河数据集整体预测的均方根误差（RMSE）为0.5812，决定系数（R²）达0.8949；南京数据集RMSE为0.2153，R²为0.8237；合并数据集预测介于两者之间，验证了模型对不同气候条件的适应性。
本研究所构建的模型能够捕捉降雨强度的动态变化趋势，但在强降雨极值的探测上存在低估现象。这可能与复杂气象因素的非线性相互作用有关以及强降雨的样本数较少有关。对比发现，河北香河的（大陆性季风气候区）的观测站点，由于数据分布稳定，模型表现更优；而在江苏南京（亚热带季风气候）的站点，其复杂降水机制则对模型泛化能力提出了更高要求。本研究在现有基于传统国际电信联盟无线电规则（ITU-R）幂律模型进行降雨反演的基础上，利用大数据分析方法实现了更高精度的降雨反演结果。本研究提出的降水探测方法能够为暴雨预警等应急管理提供高时空分辨率的技术支持。未来研究将致力于优化模型架构，融合多源气象数据，并探索跨区域预测的泛化能力提升路径。

降雨测量,毫米波,微波链路,卷积神经网络,长短期记忆网络