TabGRU: KI-gestützte Regenintensitätsmessung mit Mikrowellenverbindungen

Mit der raschen Urbanisierung und der Zunahme extremer Wetterereignisse wird eine hochauflösende Regenüberwachung in Städten immer wichtiger. Der Einsatz von kommerziellen Mikrowellenverbindungen (CMLs) bietet hierfür ein vielversprechendes, kostengünstiges Dateninstrument, das bislang jedoch von physikbasierten Modellen begrenzt war.

Die Autoren stellen TabGRU vor, ein hybrides Deep‑Learning‑Modell, das die Stärken von Transformern und bidirektionalen Gated Recurrent Units (BiGRU) kombiniert. Durch ein lernbares Positions‑Embedding und ein Attention‑Pooling‑Mechanismus kann TabGRU sowohl langfristige Abhängigkeiten als auch lokale Sequenzmerkmale der CML‑Signale erfassen und so die Dynamik der Regenintensität besser extrahieren.

Die Leistung des Modells wurde an einem öffentlichen Benchmark‑Datensatz aus Göteborg (Juni–September 2015) getestet. Mit 12 Unterverbindungen zweier Regenmesser (Torp und Barl) über einen Testzeitraum von zehn Regenereignissen erzielte TabGRU R²‑Werte von 0,91 und 0,96 – deutlich höher als bei herkömmlichen Deep‑Learning‑Baselines und physikbasierten Ansätzen. Besonders hervorzuheben ist die verbesserte Genauigkeit bei der Reduktion von Signal‑Rauschen.

Diese Ergebnisse zeigen, dass TabGRU die Genauigkeit der städtischen Regenintensitätsmessung erheblich steigern kann. Damit eröffnet sich ein neuer Ansatz für die Entwicklung widerstandsfähiger Smart‑Cities, die auf präzisen, Echtzeit‑Wetterdaten basieren.