Online-Seminarserie: Künstliche Intelligenz in der Hydrometeorologie

Julius Polz (KIT)

KI-Anwendungen für die Niederschlagsmessung mit kommerziellen Richtfunkstrecken – Von Qualitätskontrolle bis Interpolation

Zusammenfassung (english below)

Kommerzielle Richtfunkstrecken (CMLs) haben sich als wertvolle Quelle opportunistischer Niederschlagsbeobachtungen etabliert. Das grundlegende Prinzip ihrer Nutzung in der Hydrometeorologie ist die nahezu lineare Beziehung zwischen Niederschlagsrate und der Dämpfung von Mikrowellensignalen, die zwischen Mobilfunkmasten übertragen werden. Niederschlag entlang eines CML Pfads führt zu einer messbaren Abschwächung des Signals, die zur Schätzung von Niederschlagsraten mit hoher zeitlicher und räumlicher Auflösung genutzt werden kann. Die Rohsignale der CMLs unterliegen jedoch einer Vielzahl von Umwelt- und technischen Einflüssen, die eine umfassende Qualitätskontrolle erfordern, bevor verlässliche Niederschlagsinformationen extrahiert werden können.

Diese Präsentation stellt eine Reihe von Methoden der künstlichen Intelligenz (KI) vor, die entwickelt wurden, um die besonderen Herausforderungen der quantitativen Niederschlagsschätzung (QPE) mit CML-Daten zu adressieren. Im Fokus stehen zunächst zeitreihenbasierte Mustererkennungsmethoden für eine robuste Erkennung von Regenereignissen und die automatisierte Qualitätskontrolle der Rohsignale.

Darauf aufbauend wird die Integration von CML-basierter QPE mit klassischen Wetterradarprodukten beleuchtet. Residual-Neural Networks werden eingesetzt, um Radar- und CML-basierte Niederschlagsschätzungen anzueichen und zu kombinieren, wobei die komplementären Stärken beider Sensortypen genutzt werden.

Abschließend wird der Einsatz generativer KI-Modelle zur Rekonstruktion und Interpolation von Niederschlagsfeldern hervorgehoben. Diese Modelle, wie beispielsweise conditional generative adversarial networks (cGANs), sind in der Lage, hochaufgelöste, physikalisch konsistente Niederschlagskarten aus spärlichen und heterogenen Sensornetzwerken zu erzeugen.

Zusammenfassend zeigt die vorgestellte Arbeit, wie fortschrittliche KI-Methoden das volle Potenzial kommerzieller Richtfunknetzwerke für das Niederschlagsmonitoring erschließen können. Durch die Bewältigung der Herausforderungen in den Bereichen Datenqualität, Sensorfusion und räumliche Interpolation ebnen diese Ansätze den Weg für genauere, verlässlichere und zeitnähere Niederschlagsinformationen – mit bedeutenden Vorteilen für Wettervorhersage, Hochwasserwarnung und das Wassermanagement.

Biografie

Julius Polz ist PostDoc am Karlsruher Institut für Technologie, Institut für Meteorologie und Klimaforschung. Er hat einen Masterabschluss in Mathematik von der Ludwig-Maximilians-Universität München und promovierte 2024 an der Universität Augsburg im Bereich Klima- und Umweltwissenschaften, wobei seine Dissertation sich auf Deep-Learning-Ansätze zur Verbesserung von Niederschlagsinformationen aus kommerziellen Richtfunkstrecken und Wetterradar konzentrierte. Seine Forschungsexpertise liegt in der Anwendung von künstlicher Intelligenz in der Wetter- und Klimawissenschaft, einschließlich Ereigniserkennung in Sensordaten, Korrektur systematischer Beobachtungsfehler, Downscaling von Klimainformationen, saisonaler Vorhersage und großskaligem Repräsentationslernen für Klimasimulationen.

Als Projektwissenschaftler hat er zum Helmholtz Foundation Model Initiative (HFMI) Projekt „Helmholtz Representation Model for Climate Science (HClimRep)“ und zur DFG-Forschungsgruppe „Near-Realtime Quantitative Precipitation Estimation and Prediction (RealPEP)“ beigetragen. Seine aktuellen Forschungsarbeiten umfassen unter anderem interpretierbare Qualitätskontrolle von Umweltsensornetzwerken, Regenereigniserkennung mittels neuronaler Netze und die raum-zeitliche Verfeinerung von Niederschlagsfeldern. Derzeit konzentriert er sich auf den Einsatz generativer KI und fortgeschrittener maschineller Lernverfahren zur Weiterentwicklung der Klimadatenanalyse und -vorhersage.

AI Applications for Rainfall Estimation with Commercial Microwave Links – From Quality Control to Interpolation

Abstract

Commercial microwave links (CMLs), which form the backbone of modern cellphone networks, have emerged as a valuable source of opportunistic rainfall observations. The fundamental principle behind their use in hydrometeorology is the near-linear relationship between rainfall rate and the attenuation of microwave signals transmitted between cellular towers. As rain passes through the path of a CML, it causes a measurable reduction in signal strength, which can be exploited to estimate precipitation rates with high temporal and spatial resolution. However, the raw signal level time series from CMLs are subject to a variety of environmental and technical influences which necessitate extensive quality control before reliable rainfall information can be extracted.
This presentation introduces a suite of artificial intelligence (AI) techniques designed to address the unique challenges of quantitative precipitation estimation (QPE) using CML data. The first focus is on time-series pattern recognition methods, particularly those based on graph neural networks and interpretable machine learning, for robust rain event detection and automated quality control of the raw CML signal.
Building on this foundation, the presentation explores the integration of CML-derived QPE with traditional weather radar products. Residual neural networks are employed to adjust and combine radar-based and CML-based precipitation estimates, leveraging the complementary strengths of both sensor types.
Finally, the talk highlights the application of generative AI models for the reconstruction and interpolation of rainfall fields. These models, such as conditional generative adversarial networks (cGANs), are capable of producing high-resolution, physically consistent precipitation maps from sparse and heterogeneous sensor networks.
In summary, the presented work demonstrates how advanced AI methods can unlock the full potential of commercial microwave link networks for precipitation monitoring. By addressing the challenges of data quality, sensor fusion, and spatial interpolation, these approaches pave the way for more accurate, reliable, and timely rainfall information, with significant benefits for weather forecasting, flood warning, and water resource management.

Biography

Julius Polz is a PostDoc at the Karlsruhe Institute of Technology, Institute of Meteorology and Climate Research. He holds a Master’s degree in Mathematics from Ludwig-Maximilians-Universität München and received his Ph.D. in Climate and Environmental Sciences from the University of Augsburg in 2024, where his dissertation focused on deep learning approaches for improving precipitation information derived from commercial microwave links and weather radar. His research expertise lies in the application of artificial intelligence and neural network architectures to weather and climate science, including event detection in sensor data, correction of systematic observation errors, downscaling of climate information, seasonal forecasting, and large-scale representation learning for climate scenario simulations.
As a project scientist, he has contributed to the Helmholtz Foundation Model Initiative (HFMI) Project “Helmholtz Representation Model for Climate Science (HClimRep)” and the DFG Research Unit “Near-Realtime Quantitative Precipitation Estimation and Prediction (RealPEP).” His recent research articles contain notable work on interpretable quality control of environmental sensor networks, rain event detection using neural networks, and spatio-temporal downscaling of rainfall fields. His recent efforts focus on leveraging generative AI and advanced machine learning techniques to advance climate data analysis and prediction.