Survey of Satellite-ground Channel Models for Low Earth Orbit Satellites
-
摘要: 低轨卫星(LEO)具备通信时延低、部署成本低、覆盖范围广的特点,已经成为了建设未来空天地一体化网络的重要组成部分。然而卫星通信中端到端传播距离长、经历衰落复杂、终端移动速度快,其信道特性与地面蜂窝网络信道具有很大差异。基于此,为了对低轨卫星星地信道特性以及信道模型有较为全面的认识,该文总结了目前国际标准组织对星地信道的标准化进展,讨论了星地信道在不同传播位置处的衰落特性,根据建模方法对已有的重要信道模型进行了划分与阐述,最后对未来的工作提出了展望。Abstract: Low Earth Orbit (LEO) satellite has the characteristics of low communication delay, low deployment cost and wide coverage, and has become an important part of the construction of the future space earth integrated network. However, satellite communication has large end-to-end propagation distance, complex fading and fast terminal movement speed, thus the channel characteristics are very different from the terrestrial cellular network. Based on this, in order to have a more comprehensive understanding of the characteristics and channel model of LEO satellite-ground channel, the current standardization progress of the satellite-ground channel by the international standards organization are summarized, the fading characteristics of the satellite ground channel at different propagation positions are discussed, the existing important channel models are classified and shown according to the modeling method, and finally the prospects for future work are proposed.
-
1. 引言
在未来6G时代,通信网络将不局限于陆地,而是要打造空天地一体化全场景无缝覆盖的智慧网络[1]。目前陆地移动蜂窝系统的发展已经较为完善,基站覆盖率在人口密集的城区也较高,但是在如山区、峡谷等偏远或者自然环境恶劣的地区,基站建设难度大,且自然灾害频繁,仍然存在大范围的覆盖盲区。此外,陆地面积仅占地球表面积的约29%,在其余面积占比约71%的广阔海洋上也缺少基站覆盖,这就对6G建设全场景无缝覆盖的网络提出了挑战。卫星通信具备覆盖范围广的特点,目前逐渐朝着高容量、大带宽、承载业务多样化的方向发展。根据轨道高度的不同,卫星可以分为高度约35 786 km的地球静止轨道卫星(GEostationary Orbit, GEO)、高度为8 000~20 000 km的中地球轨道卫星(Middle Earth Orbit, MEO)和高度为500~2 000 km的低轨卫星(Low Earth Orbit, LEO),其中MEO卫星与GEO卫星在覆盖范围上具有较大优势,但是其发射成本、传输时延、传输损耗均较高,难以大量部署与应用时延敏感业务[2]。相比之下,LEO卫星距离地面较近,拥有较小的传输时延与路径损耗,有利于终端的小型化,降低发射成本,并进行大范围部署以满足全球覆盖的需求,逐渐成为了关注的热点,被认为是建设6G空天地一体化的关键技术[3]。
从1987年开始,美国便进行了首个低轨卫星星座的部署—Iridium系统,并于2017年开始了Iridium NEXT的发射,具备对地成像、导航增强、空间监视等功能[4]。此外,全球星 (Globalstar)、一网 (OneWeb)、星链 (Starlink)也均已在太空中部署了大量的LEO卫星。其中Starlink是由美国Space X公司提出的低轨卫星星座计划,其从2019年开始进行部署,截止到目前已发射超5 200颗卫星,并最终计划部署超10 000颗卫星,为全球提供低时延高带宽的通信服务[5]。在最近的俄乌战争中,Starlink为乌克兰前线部队提供天基通信支持,使其能不受地面基站被破坏的影响,验证了LEO在未来国防军事、应急保障等领域的应用潜力。在国内,航天科技与航天科工集团从2015年开始建设我国的低轨卫星系统“鸿雁星座”与“虹云工程”[6],2020年卫星互联网成为我国“新基建”信息基础设施,并于2021年成立了新央企中国卫星网络集团有限公司,标志着我国加速建设卫星互联网的决心。此外,商业航天公司如银河航天也开始了自己的低轨卫星星座部署,助力我国卫星互联网的建设。
无线信道作为信息传输的通道,是无线通信系统中最基础的部分,其特性将会很大程度上影响通信系统的性能,因此无线信道的研究是部署任何一个无线通信系统的前提条件。为了保证卫星通信系统的准确性和可靠性,对其信道特性进行研究并建模非常必要。不同于陆地移动蜂窝通信系统,LEO星地信道具有如下特点[7,8]:
(1) 信道环境更复杂。LEO位于距离地表数百至数千公里的高空,卫星信号在传播过程中会经过大气层,这就使得其信道特性十分复杂。具体地,卫星信号不仅会受到长距离传播带来的严重路径损耗,还会受到大气层中气体分子带来的吸收损耗、水滴和冰滴带来的降雨损耗以及电离层电子密度不均衡带来的闪烁效应等影响。卫星信号到达地面段后,接收端周围的植被与建筑物也会使信号产生阴影遮挡与多径传播现象;
(2) 工作频段更高。一方面,卫星信号需要穿过穿透大气中的电离层,另一方面,低频段的频谱资源日益紧张,难以提供大带宽用于卫星网络,这就导致未来卫星互联网将会朝着Q/V等高频段部署,使得信号传播时更加容易受到气候影响,在地面接收端附近的穿透和绕射能力也较差;
(3) 终端移动性更高。LEO卫星的移动速度超过5 700 m/s,在距离地面550 km左右的轨道高度上,一颗LEO的过顶时间只有大约10 min,此外在一些“动中通”场景中,地面接收端同样在高速运动,使得接收端周围的环境快速变化,这种双移动性会导致信道具备非平稳特性,也会产生更大的多普勒频移,影响接收端的正确接收。
基于以上特点,LEO信道建模面临着测试成本高、单次可测试时间短、信道影响因素多变的困难。目前国内外均已开展大量LEO信道建模工作。国际标准组织如国际电信联盟(International Telecommunication Union, ITU)、第3代合作伙伴计划(the 3rd Generation Partnership Project, 3GPP)以及欧盟通信国家标准联合会(European Telecommunications Standards Institute, ETSI)均对星地信道开展了研究,其中ITU对星地信道传播过程中经历的多种损耗预测方法进行了详细规定;3GPP从Release 15开始就着手研究卫星网络与地面网络的融合,并在Release 17正式形成标准;ETSI具有应用最广泛的卫星电视广播协议,并在最新的标准中依靠更丰富的调制编码方式以及甚低信噪比传输模式来对抗复杂多变的星地信道环境。除了标准组织的研究以外,从上世纪90年代左右开始,就已经有国内外学者开始研究LEO的信道模型,其中以经验路边阴影(Empirical Roadside Shadowing, ERS)模型、Loo模型、Lutz模型等最具有代表性,后续的大量研究均是基于这些经典模型进行改进。近年来,随着机器学习的兴起,基于机器学习方法进行信道建模的工作也越来越多,其中使用长短期记忆网络(Long Short-Term Memory, LSTM)进行建模的工作较多。
综上所述,LEO为实现空天地一体化的重要解决方案,研究其星地信道特性为部署卫星通信系统的前提和基础。因此,为了充分了解LEO星地信道特性与信道模型,本文对目前已有的星地链路信道模型进行了调研与综述。图1给出了全文主要章节的架构图。首先,在第2节介绍了星地链路信道的标准化进展,对国际标准组织关于LEO星地信道特性以及信道模型的研究做了阐述;其次,在第3节对LEO星地信道衰落特性进行了介绍,包括了大气吸收损耗、雨衰、高动态下的多普勒频偏等;之后,第4节对星地信道的测量工作以及建模方法进行了综述,包括了经验性模型、统计性模型、几何随机性模型以及基于机器学习的模型;在第5节对未来所需要做的工作以及低轨卫星信道建模存在的挑战进行了展望;最后在第6节总结了全文。
2. 星地信道标准化进展
2.1 ITU相关标准
ITU为主管信息通信技术的联合国机构,其负责了全球无线电频谱以及卫星轨道资源的分配与管理,在星地信道的研究方面具有最深入和全面的研究。ITU从1986年开始就致力于研究地对空与空对地通信系统中无线电波传输损耗的计算方法,并推出了被广泛使用的ITU-R P.618建议书。ITU-R P.618建议书制定了能预测在规划星地传播系统过程中所需的最重要的传播参数的方法,并与现有的测试数据进行了对比,结果表明该建议书中给出的方法可以满足绝大部分现有系统对星地信道传播损耗的预测需求。
截止到2023年8月,ITU-R P.618建议书已经迭代到了第14个版本,其中详细规定了星地信号传播中所经历的最重要的几种传播损耗的计算方法,如气体吸收衰减、降雨和云雾引起的衰减、电离层闪烁等。依据ITU-R P.618的内容,大气气体引起的衰减预测方法可用于最高至350 GHz的频率范围,并在ITU-R P.676建议书中对该方法进行了完整描述;降雨和云雾引起的衰减预测方法可用于最高至55 GHz的频率范围;电离层效应对10 GHz以下尤其是1 GHz以下的星地信道有显著影响。此外还给出了一种适用于在移动终端附近存在路旁建筑的城区遮蔽模型[9]。该模型能够根据移动终端和建筑物高度,以及卫星的仰角与方位角信息计算出由建筑物引起的遮蔽概率。
在对由地面建筑物引起的损耗方面,ITU于ITU-R P.2108建议书中给出了该损耗的预测方法,并称为地物损耗[10]。不同于阴影衰落,地物损耗中地物指的是地球表面包括建筑物和植被在内的各种物体,综合考虑了建筑物引起的反散射、绕射以及遮挡等因素。该建议书认为,对于地面终端没有明显障碍物的LEO通信场景,可认为地物损耗为0。该建议书的适用频率范围为10~100 GHz,作为收发端的两个终端分别位于地物内与地面以上的卫星、飞机或者其他平台,可用于毫米波等高频段的信道建模。
在ITU-R P.681建议书中,ITU针对陆地移动卫星系统(Land Mobile Satellite System, LMSS)给出了适用于窄带系统和宽带系统的信道模型,该模型考虑了由建筑物以及植被引起的遮蔽与反散射,并给出了不同场景下的模型参数集。其中窄带模型使用两状态马尔可夫链进行建模,适用于1.5~20 GHz场景;宽带模型基于德国慕尼黑附近城市和郊区场景实测值的基础上发展而来,适用于1~2 GHz的频率范围,可用于城市车辆与行人、郊区车辆与行人多个场景。此外,ITU-R P.681还提供了一个宽带卫星到室内的信道传播模型,但是只适用于发射机静态、接收段除接收机以外均静态且房间中至少有一面墙面对发射机的场景。
从以上的介绍中可以看到,ITU作为国际上最重要的通信标准组织,在对星地信道的传播特性上已经做了广泛的工作,对星地信道所经历的主要损耗的预测方法均进行了标准化。此外,其中大气吸收引起的衰减、降雨和云雾引起的衰减以及地物损耗的预测方法均可用于毫米波频段,但可适用的频率上限为55~350 GHz不等,因此对于更高频段如上百GHz的星地信道建模,仍需要对现有的方法进行进一步改进。
2.2 3GPP相关标准
3GPP目前致力于探索和推动5G网络与卫星互联网融合的可能性与方法,使地基网络与天基网络形成统一的整体,并将能够满足5G技术要求的卫星网络命名为非地面网络(Non-Terrestrial Networks, NTN)[11]。
在Release 14期间,3GPP就开始对NTN进行探索。Release 15期间进一步强调5G与卫星融合的重要性,并推出了技术报告TR 38.811,其中详细定义了NTN的部署场景,包括8种增强型移动宽带场景与2种大规模机器类通信场景[12]。此外还定义了一些关键系统参数,如信道模型、轨道高度、载波频点、带宽等。针对信道模型,TR 38.811对卫星通信的时延以及多普勒频移进行了评估,所使用的方法参考了ITU-R P.618建议书。此外,采用了ITU-R P.681建议书中定义的窄带模型作为3GPP所使用的窄带信道模型,采用了3GPP TR 38.901中的模型作为其宽带模型[13],可支持普通城区、密集城区、郊区、农村、空旷地区5个场景,并给出了对应的抽头延时线(Tapped Delay Line, TDL)与簇延时线(Clustered Delay Line, CDL)模型,但是该模型只是简单地对陆地信道模型进行了改进。
Release 16期间,3GPP正式启动了NTN的研究工作。推出了技术报告TR 38.821[14],对NTN网络与5G融合所需要对各协议层的改进进行了详细阐述,定义了在S与Ka频段下进行星地链路级仿真的参数。在Release 17期间,3GPP开始对NTN进行标准制定[15],并在Release 18中对NTN的标准进一步进行完善。
2.3 ETSI相关标准
ETSI于1994年发布了卫星数字电视广播标准(Digital Video Broadcast-Satellite, DVB-S),这是卫星通信早期使用的数字卫星广播标准,其具备一套完整的面向卫星通信系统的协议体系,包含长短帧技术、自适应调制编码技术等。2005年,ETSI发布了第2代卫星通信协议DVB-S2,其在相同的传输条件下相比DVB-S协议具备更高的传输容量,提高了频谱效率,优化了信道编码方案。2014年,ETSI进一步发布了DVB-S2X协议,以应对更高的通信需求,DVB-S2X在DVB-S2协议的基础上进行了扩展,加入了更多的调制编码方式、更低的滚降系数,此外还提供了在甚低信噪比场景下的通信方案,能够有效克服恶劣的星地信道环境,实现低信噪比传输。经过多年的发展,DVB-S系列标准已经较为完善,通过其丰富的调制编码方式、自适应编码技术以及甚低信噪比传输方案,能够有效满足超高清视频传输以及恶劣信道条件下的信号传输,成为了广泛使用的卫星通信系统协议。但是该标准主要对卫星系统的物理层与链路层进行了规定,没有提出传播过程中的损耗计算方法,标准中无差错接收时对信噪比的要求也仅是在加性高斯白噪声(Additive White Gaussian Noise, AWGN)信道条件下给出。
表1对目前各标准组织提出标准的特点与不足进行了汇总与对比,可以看到,目前各标准组织提出的信道模型适用场景并不全面,且大部分模型均只考虑了星地链路中的部分损耗,没有将空间段与地面段的损耗联合起来考虑。
标准组织 标准名称 标准特点 标准不足 ITU ITU-R P.618 大气吸收衰减、降雨和云雾衰减、闪烁效应等 仅支持城区,只考虑了遮蔽概率 ITU-R P.2108 地物损耗的计算 只支持城区和郊区,只考虑了地面段植被与建筑物的遮挡 ITU-R P.681 适用于陆地移动卫星(Land Mobile Satellite, LMS)的宽带和窄带信道模型,以及卫星到室内的信道模型 3GPP 3GPP TR 38.811 自由空间损耗、大气吸收损耗、降雨和云雾损耗、闪烁效应、多普勒频偏和变化率等,提出了TDL与CDL模型 基于5G蜂窝信道模型的改进,适用于低频段,没有考虑高移动性以及大气损耗 3GPP TR 38.821 规定了星地链路仿真参数配置、新空口(New Radio, NR)为支持NTN需要做出的调整等 ETSI DVB-S2 卫星广播技术帧结构、调制和信道编码方案、物理层组帧、基带信号成形等 仅对AWGN信道进行了优化 DVB-S2X 更完善的调制和信道编码方案、甚低信噪比通信方案等 3. 星地信道电波传播特征
3.1 大气吸收衰减
卫星信号在穿过大气层的过程中,会同时受到降雨、云雾、大气吸收等多种因素共同作用,随着卫星链路所使用的频段逐渐增高,尤其是在作为未来6G关键技术之一的太赫兹通信场景下,大气吸收所造成的影响不可忽视。在晴空条件下,大气吸收主要产生于大气中氧气分子和水汽分子对电磁波的吸收作用,该衰减值与卫星仰角、通信频率、压强、温度等因素有关。
目前被广泛使用的大气吸收衰减计算方法为ITU-R P.676建议书中提供的方法[16]。该建议书共提供了两种计算方法:方法1可用于计算1~1000 GHz频率范围内在任意确知压力、温度和水蒸气高度分布下的倾斜路径气体吸收衰减值;方法2可用于估算1~350 GHz频率范围内倾斜路径气体吸收的衰减值,该方法中使用的压力、温度、水蒸气密度可使用当地数据,如气象站或者历史数据,对应于ITU的建议,我国也发布了相关标准《卫星通信链路大气和降雨衰减计算方法》[17]。该建议书首先定义了氧气分子与水汽分子的比衰减,即将大气均匀划分为具有一定厚度的多个层,每层依据压力、温度和水蒸气密度对氧气和水蒸气的谱线进行叠加得到各自的比衰减,单位为dB/km。随后计算出卫星信号穿过大气层的倾斜路径长度,与氧气和水蒸气的比衰减相乘累加,即可得到总的气体吸收衰减,图2为卫星信号穿过大气层的路径示意图。该建议书认为,大气气体引起的衰减在10 GHz以下的频率通常可以忽略,但是在10 GHz以上的频率时,其重要性逐渐增大,且在低仰角时更为重要。
3.2 降雨和云雾引起的衰减
前文提到的大气吸收衰减在太赫兹频段会产生较为严重的影响,然而传统的卫星通信链路一般使用微波频段,此时气体吸收损耗较小,而由于降雨和云雾引起的损耗无论在微波频段还是太赫兹频段均较为严重,因此也得到了研究者的广泛关注。
该损耗主要是由降水和云中存在的水和冰滴等产生的吸收、散射和去极,以及吸收介质的发射噪声导致的。同样地,ITU在ITU-R P.618建议书中给出了对该损耗的预测方法[9],该方法也被3GPP采用,纳入了3GPP TR38.811标准中,并认为该损耗在6 GHz以下的高仰角场景可以忽略,但是在1 GHz左右低仰角场景和10 GHz以上的场景时尤其重要。ITU-R P.618给出了利用单点降雨量预测长期雨衰数据的方法,其通过降雨衰减率与卫星信号穿过降雨区的有效路径长度来计算,其损耗值与地面终端所处地区、卫星仰角、载波频率以及该地年均降雨量均有关系,如式(1)所示
A0.01=γRLE (1) 其中,γR为降雨衰减率,单位为dB/km,可由ITU-R P.838建议书给出的频率相关系数查表得到;LE为卫星信号穿过降雨区的有效路径长度,可由仰角、载频、雨量以及地面终端位于平均海平面以上的高度计算得到。图3给出了空间段各种大尺度损耗与频率的关系,包括不同雨量导致的衰减、大气吸收衰减以及自由空间损耗。
除了ITU给出的预测方法,Maseng-Bakken模型在文献[18]中被提出,该模型基于随机微分方程对Ka和Q/V频段的雨衰进行建模,认为雨衰遵循对数正态分布,且降雨衰减的变化率与降雨衰减的瞬时值成比例,并被纳入了ITU-R P. 1853标准。Panagopoulos等人[19]和Livieratos等人[20]提出降雨衰减也可以建模为Weibull分布,且文献[19]对ITU-R数据库以及其他文献中的数据进行了大量测试,证明所提出的模型相比ITU-R模型具有更好的性能。Kanellopoulos等人[21]基于Maseng-Bakken模型进行改进,使用Weibull分布对降雨衰减建模,所提出的模型可用于10 GHz以上的星地信道。Kourogiorgas等人[22]基于Ka及以上频段,研究了面向LEO与MEO的雨衰模型,其对Maseng-Bakken模型进行改进,考虑了多信道上降雨的空间相关性,使用多维随机微分方程进行建模。然而,上述方法均需要复杂的数学计算,文献[23–25]基于机器学习,使用人工神经网络与长短期记忆网络来预测降雨衰减,避免了求解复杂的数学模型。此外,由于不同地区的年平均降雨量不同,因此一个地区的降雨衰减预测模型并不一定能适用于其他地区。文献[26]基于我国国内58个地面站参数,计算了ITU-R标准中在Ka频段下,适用于中国地区的雨衰频率因子,验证了该因子在中国的预测效果优于ITU-R标准中提供的数值。
3.3 地物损耗
地物损耗是星地链路传输中损耗的重要组成部分,是由地面接收终端附近的建筑物以及自然环境所产生的遮挡与散射导致的。同样地,ITU给出了计算地物损耗的建议方法,并于ITU-R P.2108建议书中进行了详细阐述。该建议书共给出了3种计算方法,分别对应3种频率和终端周围的环境,适用于星地链路的地物损耗计算方法在该建议书的3.3节中给出。
ITU给出的方法是一种用于计算地物损耗统计分布的公式,适用于城市和郊区环境,频率范围为10~100 GHz,仰角范围为0º~90°,如式(2)所示
CL={−93f0.175[ln(1−p100)]⋅cot[0.05(1−θ90)+πθ180]}[0.5(90−θ)/90]−1−0.6Q−1(p/100) (2) 其中,f和θ分别为载波频率与从地面站观测到的卫星仰角,Q−1(⋅)为逆补正态分布函数,p为位置百分比,即在所有具有相同仰角的地面站中,有p%数量的地面站的地物损耗小于由式(2)得出的CL。该计算方法同样被3GPP TR 38.811标准采纳,并利用该方法计算了10º~90°仰角,S和Ka频段下城区和郊区场景的地物损耗参考值,如表2所示。
仰角(º) S频段 Ka频段 城区 郊区 城区 郊区 10 34.3 19.52 44.3 29.5 20 30.9 18.17 39.9 24.6 30 29.0 18.42 37.5 21.9 40 27.7 18.28 35.8 20.0 50 26.8 18.63 34.6 18.7 60 26.2 17.68 33.8 17.8 70 25.8 16.50 33.3 17.2 80 25.5 16.30 33.0 16.9 90 25.5 16.30 32.9 16.8 然而,ITU给出的计算方法只能根据统计模型预测结果,无法给出确定性的地物损耗预测,当接收终端位置固定时,其周围环境信息也较为固定,此时利用确定性模型计算地物损耗更为精确,文献[27]根据接收端周围建筑物的高度、宽度和传播路径和建筑物的夹角等环境特征提出了一种确定性模型,并且认为接收信号最强的方向不是正对发射端的方向,而是沿着建筑物间隙的方向,同时考虑了过屋顶的绕射与建筑物的侧向绕射进行建模,但是该模型只考虑了距离接收端最近的建筑物的影响,模型预测结果与实际数据的一致性也没有进行验证。文献[28]研究了地物损耗与卫星仰角的关系,提出了一种地物损耗与仰角的平方成反比例关系的计算模型。针对ITU给出的模型只适用于10~100 GHz的问题,加拿大爱立信公司进行了选取水泥、石膏板、木材和玻璃4种材料,在多个频率下测试了无线电波从空气入射到不同材料中的反射系数和透射系数,发现1~10 GHz的结果与10~100 GHz的结果几乎没有差异,因此认为ITU模型的使用范围可以扩展至1~100 GHz[29]。文献[30]在26 GHz和40 GHz频段下,利用谷歌地图的数据对城区场景进行建模,采用射线追踪方法生成了地物损耗数据,并与文献[31]中的实测数据进行了对比,结果表明二者具有良好的一致性。
3.4 多普勒频偏及其变化率
由于卫星的高速运动,使得星地信道具有高动态特点,接收信号会产生较大的多普勒频偏,严重影响接收端对信号的载波同步,因此对星地信道多普勒频偏的特性进行研究与建模非常重要。
文献[32]推导了地球倾斜轨道上LEO运动所导致的多普勒频偏随时间变化的关系式,此外还给出了卫星可见时间与最大仰角之间的关系式,但是该文献只推导了最大仰角情况下的多普勒频偏,没有考虑可变仰角的场景。文献[33]根据星地链路的动态变化关系,考虑不同仰角场景,给出了随卫星角速度与卫星仰角变化的多普勒频移表达式。如式(3)所示
fdoppler (t)=f0ω0REccosθ(t) (3) 其中,f0为载波频率,ω0为卫星运动角速度,RE为地球半径,c为光速,θ(t)为卫星仰角,随时间而变化。从式(3)可以看到,星地多普勒频偏会随时间发生变化,具有时变性,因此多普勒变化率也是受到关注的一个参数。对fdoppler (t)进行求导,可以得到相应的多普勒变化率
d(fdoppler (t))dt=−f0ω0REc(sinθ(t))⋅d(θ(t))dt (4) 图4为多普勒频偏随仰角和频率的变化关系,可以看到在卫星的整个过顶时间范围内,多普勒频偏呈现逐渐减小的特征,在经过地面站正上方时多普勒变化率最大。3GPP TR 38.811指出,在载波频率为30 GHz, LEO卫星距离地面高度为600 km的条件下,最大多普勒频偏为720 kHz,最大多普勒变化率可达到8.16 kHz/s,因此星地信道的多普勒频偏在实际应用中不可忽略,应采用高效的算法对其进行估计。
基于NTN网络星地一体化的目标,文献[34]提出了一种NTN网络中利用多个频率位置的参考信号来联合估计多普勒频偏的方法,并通过链路级仿真验证了该方法的可行性,同时该方法也适用于高移动场景,如高速铁路等。文献[35]利用随机几何方法研究了多普勒频移的统计特征,其利用Matern分簇方法将LEO卫星服务的地面用户分为多个互不重叠的簇,并假设所有用户都在一个平面上,推导了每个簇内的多普勒频移表达式,仿真结果表明多普勒频移的大小往往与簇的大小呈反比,且多普勒频移的累积分布函数(Cumulative Distribution Function, CDF)随着卫星远离簇的中心而降低,随着卫星高度的增加而增加。文献[36]使用最大后验概率估计法对多普勒频移进行估计,将多普勒频移建模为时间与最大仰角的函数,仿真结果表明提出的估计算法相比传统算法具有更好的性能,并且在高移动场景中具有更高的估计精度。利用深度学习,文献[37]提出了一种基于卷积神经网络的多普勒频移估计模型,使用均方误差(Normalized Mean Square Error, NMSE)准则来训练卷积层,结果表明该模型可以从多个信道快照信息中提取多普勒频偏。
3.5 电离层闪烁
电离层是地球大气中由于宇宙射线、太阳高能电磁辐射和沉降粒子而被电离的一个区域,处于地球高层大气中,其中的带电成分将会显著影响无线电波的振幅、相位、传播方向等特性。电离层闪烁是指在紫外线、中性风等作用下电离层的平衡被破坏,形成多个尺度不同的电子密度不规则体,从而导致穿过其中的无线电波产生振幅、相位以及偏振方向等快速随机起伏的现象。
ITU指出,对于星地信道传播损耗,通常只有气体衰减、雨和云衰减以及可能的闪烁影响较为显著,因此电离层闪烁效应也应当作为卫星信号传播过程中所经历的一种损耗开展研究。在ITU-R P.618建议书中,给出了预测闪烁损耗的计算方法,该方法由3部分组成:(1)预测自由空间仰角小于5°且小于25 dB的损耗;(2)预测预测自由空间仰角小于5°且大于25 dB的损耗;(3)预测自由空间仰角大于等于5°的损耗[9]。文献[38]对目前已有的电离层闪烁效应建模方法进行了综述,重点关注了基于单相屏理论与多相屏理论的建模,并基于已有的模型提出了一套通用的闪烁效应建模方法。此外,ITU认为电离层闪烁效应在赤道地区以及极光带地区较为严重,在中纬度地区较小,且随着频率的增加也会逐渐减小,一般认为当频率高于10 GHz时,就很少有闪烁效应产生,因此随着LEO卫星使用Ka,Ku以及Q/V等高频段,电离层闪烁导致的损耗将可以逐渐忽略。然而在实际部署卫星通信系统时,还应根据所处的地理位置以及采用的频段来合理考虑电离层闪烁。
3.6 多径传播与多径衰落
卫星信号到达地面段后,在到达接收端附近时,会由于在其传播路径上存在的各种建筑物、树木、起伏的地形等因素引起无线电波的反射、散射和绕射,使得接收端接收到从各个方向传播来的众多反射波,最终合成接收信号,即多径传播。各个反射波在接收端进行叠加,由于到达的时间不尽相同,因此叠加时各个多径分量的相位也不尽相同,造成部分信号同相叠加增强,部分信号反相叠加减弱,从而导致叠加后的信道幅度急剧变化,即多径衰落。在卫星通信中,接收终端一般为全向天线,会接收来自各方的多径信号,因此多径衰落是不可忽视的一个衰落因素。与地面蜂窝网络不同的是,星地信道本身传播距离较长,路径损耗严重,因此由距离接收端很远的障碍物产生的多径信号到达接收端时功率很小,可认为是背景噪声。
对于卫星多径信道的建模,3GPP 在其技术报告TR 38.811中,在仰角为50°的场景下,分别定义了4种TDL模型与4种CDL模型。TDL模型分别为TDL-A, TDL-B, TDL-C和TDL-D,这4种TDL模型均是在假设接收端为各向同性天线的情况下,根据3GPP TR 38.901协议中的模型改进而来。TDL-A与TDL-B均用于表示非视距 (Non-Line Of Sight, NLOS)信道,分别有3条与4条多径,衰落分布均为瑞利分布;TDL-C与TDL-D均用于表示LOS信道,除直射径外分别有1条与2条多径,直射径服从莱斯分布,散射径服从瑞利分布。CDL模型分别为CDL-A, CDL-B, CDL-C和CDL-D, CDL模型引入了散射簇的概念,即将具有相似离开角、到达角与时延的多径的集合认为是一个簇,其中CDL-A, CDL-B用来表征NLOS信道,CDL-C与CDL-D用来表征LOS信道。与TDL模型相比,CDL模型除了具有时延与功率两个参数外,还增加了离开方位角(Azimuth angle Of Departure, AOD)、到达方位角(Azimuth angle Of Arrival, AOA)、离开天顶角(Zenith angle Of Departure, ZOD)与到达天顶角(Zenith angle Of Arrival, ZOA)4个参数,可用于描述信道的空间特性。
4. 星地信道测量与建模方法
信道测量可以获得信道数据,从而获得如传播损耗、时延等信道特性,是了解信道特性最直接的方法,可为信道建模提供数据参考,验证信道模型的准确性。传统的卫星移动信道建模方法可分为3类:经验性模型、统计性模型和几何随机性模型。经验性模型和统计性模型均属于确定性建模,需要通过大量实测数据来对模型进行提取,对场景依赖度较高,其中经验性模型使用数学拟合的方法对测量数据进行处理,使用符合测量数据的数学公式来描述特定场景的信道特点,统计性模型则通过统计分析,使用不同概率密度函数组合来模拟特定环境下接收信号的统计特性。除了进行实地测试以外,对仿真场景进行3维建模,使用射线追踪法得到仿真数据也是确定性建模的常用方法。几何随机性模型属于随机性建模,其通过对某一类场景中的障碍物及散射体的分布特征进行假设,通过散射理论来描述信道传播特性,建模复杂度比确定性建模低,场景泛化性强。但相应的,针对某一具体场景,几何随机性模型对其无线信道传播特征的预测准确度低于经验性模型以及统计性模型。除了传统的建模方法外,基于机器学习的星地信道建模近年来也得到了广泛研究。
4.1 星地信道测量工作
从20世纪80年代前后开始,国外研究团队就已经开始了卫星移动信道的测量工作,如欧洲航天局(European Space Agency, ESA)通过其“PROSTA”和“Archimedes”项目组织了十余个欧洲国家参与了MARECS卫星的信道测量,主要参与的国家为西欧和北欧的国家,测量的频段包含了UHF, L, S, Ka,场景包括了城区、郊区、乡村以及移动的列车;美国国家航空航天局(National Aeronautics and Space Administration, NASA)利用ATS6卫星、MARECS卫星、直升机模拟卫星等对UHF, L, S频段的信道进行了大量测量,测量地点位于美国,场景包含了接收终端静止和移动状态下的公路、乡村、丘陵等;日本通信研究实验室与澳大利亚电信研究所利用ETS-V卫星,在东京以及澳大利亚东南部对L频段下多个不同地形及仰角场景进行了测量,如住宅区、路旁有树的乡村和郊区等;加拿大国家通信研究中心(Communications Research centre Canada, CRC)利用MARECS卫星、热气球、直升机等发射平台,对移动场景下UHF, L频段的郊区以及乡村信道进行了测量。
以上介绍了国际上一些大型科研团队与组织对卫星移动信道的测量,测量频段多集中在L与S频段,场景囊括了城区、乡村、郊区、公路4个典型场景,但大多采用的是同步轨道卫星、直升飞机、热气球等作为信号发射平台,对LEO的测量较少。对于LEO,中国科学院上海微系统与信息技术研究所联合中国科学院微小卫星创新研究院,于2010年在上海使用LEO模拟器在UHF频段下进行了测量,该测试将发射机放置在高层建筑上,并使用LEO模拟器生成LEO信号,接收端分别位于密集城区、上海郊区以及有草坪和湖泊的开放地区,并对各个场景的多径传播特性进行了分析[39];2021年,美国加利福尼亚大学使用软件无线电(Universal Software Radio Peripheral, USRP)对Orbcomm卫星以及Iridium NEXT进行了测量,分析了其多普勒特性[40];2022年, Zhu等人[41]使用无人机模拟LEO,对Ka频段下的信道进行了测量,场景包括密集城区、乡村、山地场景。
表3对上述各测量进行了汇总与对比,由于同步轨道卫星与地球相对静止,因此对其进行测试相对容易,目前所存在的大部分测试也是针对于同步轨道卫星。对于LEO卫星,其快速运动、过顶时间短的特点对测试造成了困难,目前对LEO卫星进行测试的主要方法为使用LEO卫星模拟器生成信号、使用飞艇以及无人机模拟LEO卫星等。
测量组织 频段 场景 测量卫星 ESA UHF/L/S/Ka 城区、郊区、乡村、移动列车等 MARECS、直升机模拟 NASA UHF/L/S 公路、乡村、丘陵等 ATS6, MARECS、直升机模拟 日本通信研究实验室 L 城区、公路、郊区、乡村 ETS-V 澳大利亚电信研究所 L 郊区、乡村 ETS-V CRC UHF/L 郊区、乡村 MARECS、热气球、直升机模拟 中国科学院 UHF 密集城区、郊区、草坪湖泊等空旷地区 LEO模拟器模拟 加利福尼亚大学 L 城区 Orbcomm, ridium NEXT 德国联邦国防军慕尼黑大学 Ka 密集城区、乡村、山地 无人机模拟 4.2 经验性信道模型
星地信道的经验性模型通过数学拟合方法对实测数据进行处理,得到一个用于计算链路衰落的计算公式,该公式与卫星链路的载波频率、仰角、天线特性、树叶密度、季节特点等因素有关[42]。Barts等人[43]考虑到接收端周围的植被对卫星视距(Line Of Sight, LOS)路径的遮挡,提出了一种用于预测接收端周围植被引起的阴影衰落的经验性模型。Barts等人建立的模型是基于美国约翰霍普金斯大学的Goldhirsh教授和德克萨斯大学的Vogel教授的测试数据进行的建模,Goldhirsh和Vogel[44–48]在上世纪90年代前后在美国和澳大利亚针对陆地移动卫星信道进行了一系列广泛的测量,该系列测试的发射端位于卫星、直升机以及行驶的汽车上,接收端天线位于一辆可移动的篷车顶端。基于上述测量数据,Goldhirsh和Vogel建立了经验路边阴影(Empirical Roadside Shadowing, ERS)模型。该模型适用于1.5 GHz频段且仰角在20º~60°范围的信道,可用于计算由于接收端周围环境遮挡造成衰落所应当预留的衰落余量,如式(5)所示
F(θ,P)=−M(θ)ln(P)+B(θ) (5) 其中,F(θ,P)代表衰落余量,是θ与P的函数,θ代表仰角,P代表在接收端移动过程中衰落值超过衰落余量的距离百分比,范围为1%~20%。M(θ)与B(θ)满足式(6)和式(7)
M(θ)=3.44+0.0975θ−0.002θ2 (6) B(θ)=−0.443θ+34.76 (7) 基于ERS模型可用频率范围和可用仰角范围均较窄的问题,有很多模型对其进行了修正。ESA保留ERS模型的基本形式,基于自身开展的测试对M(θ)与B(θ)的系数进行了调整,得到了修正的经验路边阴影模型(Modified Empirical Roadside Shadowing, MERS)[49],MERS的可用仰角扩大至了20º~80°。为了增大ERS模型的可用频率范围,文献[50]提出了一个适用于1.5~10.5 GHz的经验衰落模型(Empirical Fading Model, EFM),但其只适用于郊区高仰角场景,且仰角范围较小,为60º~80°。文献[51]提出了一个综合的EFM模型(Combined Empirical Fading Model, CEFM),该模型综合了ERS模型与EFM模型,适用于郊区和乡村场景,可用于L和S频段,仰角范围为20º~80°。
上述模型均为对ERS模型进行的修正,然而对于ERS模型不适用的场景,直接对卫星进行测试去建立信道模型具有一定困难,文献[52]注意到无人机的空对地信道与卫星的星地信道具有相似性,因此基于无人机的经验性模型建立了一个城区场景下的星地链路路径损耗计算模型,并在0º~80°仰角范围内进行了测试,验证了模型数据与实测数据之间良好的一致性。由于经验性模型只能根据实测数据建立简单的数学模型,能描述某一参数的特性,而无法揭示信号的传播特性,因此近年来关于卫星信道的经验性模型研究也较少。表4对上述提到的经验性模型特点进行了汇总与对比。
4.3 统计性信道模型
不同于经验性模型无法揭示传播过程的物理本质的特点,统计性模型对实际环境做了简化假设,建立了对整个传播过程的理解,是目前星地信道建模中的主流方法。星地信道的统计性模型主要可以分为单状态模型与多状态模型。单状态模型假设接收端信号的包络服从一个确定的概率分布,适用于窄带平稳信道,多状态模型则是基于马尔科夫过程,将整个信道分为多个状态,每个状态使用不同的概率分布进行建模,适用于宽带非平稳信道。
4.3.1 单状态信道模型
最早进行单状态模型研究的是加拿大学者Loo,他在1985年根据加拿大通信技术研究中心对L频段的星地信道测量数据的基础上,在乡村场景下提出了一种针对LMS的单状态模型,被称为Loo模型[53,54]。该模型认为接收信号由受到阴影遮挡的直射分量和不受阴影遮挡的多径分量共同组成,因此也被称为部分阴影模型,之后大量的星地信道统计性模型均是由Loo模型衍生而来的。Loo模型中接收信号的包络服从如式(8)的概率密度函数
p(r)=rb0√2πd0∞∫01z⋅exp[−(lnz−μ)22d0−(r2+z2)2b0]I0(rzb0)dz (8) 其中,b0是多径的平均功率,z是信号直射分量的幅度,√d0和μ是lnz的方差和均值,I0(⋅)是第1类0阶贝塞尔函数。此外,Loo模型认为,当接收端只存在多径分量时,接收信号包络服从Rayleigh分布,当接收端只存在受遮挡的直射分量时,接收信号包络服从Lognormal分布。基于Loo模型,Corazza等人假设Loo模型中的直射分量与多径分量均受到服从Lognormal分布的阴影遮挡的作用,提出了Corazza模型[55],该模型利用ESA在L频段下的测量数据进行建模,可适用于公路、乡村、城区以及郊区场景。然而Corazza模型中规定直射分量与多径分量服从同分布的阴影衰落,因此Hwang等人[56]提出了一种直射分量与多径分量独立经历阴影衰落的模型。文献[57]基于Loo模型所采用的参数,将阴影衰落由Lognormal分布改进为Nakagami分布,该模型提供了信道统计特征的闭合表达式,相比Loo模型具有更低的计算复杂度,并将此类模型定义为阴影莱斯(Shadowed-Rice, SR)模型。文献[58]在直射分量不变的情况下,对多径衰落建模为Beckmann分布。文献[59]综合了上述的各种改进模型,提出了一种新的Lognormal-Rice-Rayleigh模型,也称为LR2模型,该模型适用于L至Ka频段,并且可以推导为其他经典模型。文献[60,61]基于文献[57]提出的SR模型,考虑了分集通信系统下的接收端信号,并将其建模为独立不相关的平方阴影莱斯模型(Squared Shadowed-Rice, SSR)。
以上介绍了典型的窄带单状态卫星统计性信道模型,然而由于卫星通信系统朝着大带宽的方向发展,单状态模型已经逐渐无法正确描述宽带卫星信道特性,基于马尔科夫过程建模的多状态信道模型具备更好的性能。
4.3.2 多状态信道模型
多状态模型的建模方法主要是根据马尔科夫过程,将信道分为多个不同状态进行建模,能够描述宽带下终端快速移动的非平稳信道特性,是目前星地信道统计性模型的主流方案。最早的多状态模型是Lutz等人[62]于1991年提出的Lutz模型,它是一个两状态马尔可夫模型,分别为存在直射分量的“好状态”和不存在直射分量的“坏状态”,对“好状态”信道建模为Rician分布,对“坏状态”信道建模为Rayleigh-Lognormal分布。
文献[63]基于Lutz模型,提出了一种基于仰角的两状态模型,该模型可根据环境、仰角以及用户移动速度判断当前应当采用“好状态”还是“坏状态”模型,提高了Lutz模型在状态切换时的灵活性与自适应性。Fontan等人[64]考虑到实际的通信场景不只存在极端的“好状态”或者极端的“坏状态”,还可能存在一种中间态,因此提出了一种3状态马尔可夫模型。该模型在传统两状态模型中添加了一个过渡态作为第3种状态,即主要由植被引起的较轻的阴影遮挡状态,且所有状态均用Loo模型建模。文献[65]提出了一种类似于Fontan模型的3状态模型,但是使用了Lutz模型来描述全阴影状态和非阴影状态,使用莱斯分布的M次幂来描述部分阴影状态,即RM分布。上述模型主要适用于窄带信道,随着宽带通信需求的增加,文献[66]在城区、郊区、乡村、树林4个场景开展了宽带卫星信道测量,通过利用传统窄带3状态模型对Ku频段和X频段的宽带测试数据进行分析,验证了传统的窄带3状态模型同样也适用于宽带信道的描述。
随着两状态与3状态马尔可夫模型的发展,研究者们认为由于卫星的快速移动,星地信道的信道环境在时刻变化,应当建立更多状态的马尔科夫模型来更加精确地描述信道特性。文献[67]基于信道场景的不同,提出了一种多状态马尔可夫模型,该模型对整个测试场景进行划分,分为城区、郊区、乡村、空旷地带,将每种细分场景视为马尔可夫链的一个状态进行建模。文献[68]基于Lutz模型划分的两种信道状态,依据阴影遮挡的程度,对“好状态”和“坏状态”分别细分为3个子状态,建立了一个6状态马尔可夫模型,如图5所示,其中状态1为零阴影状态,状态6为全阴影状态。传统的多状态马尔可夫模型需要提前认为假定信道状态数以及每种状态需要服从的分布,这使得信道模型在差异较大的不同场景中适用性较差,为了改善这一缺点,文献[69]使用可逆跳转马尔可夫蒙特卡洛(Reversible Jump Markov Chain Monte Carlo, RJ-MCMC)算法对星地信道进行建模,该算法首先对信道状态数以及服从的分布进行初始化,之后使用测试数据进行迭代,从而找到合适的状态划分以及服从的衰落分布。除了从卫星信号接收端场景不同的角度进行状态划分,文献[70]将卫星轨道划分为多个区域进行建模,其在静态地面站场景下,考虑到由于地面站周围环境固定不变,因此卫星在不同的轨道区域运行时受到的遮挡也不一样,且规律性变化,因此提出了一种有限状态马尔可夫模型(Finite-State Markov Channel-Two Sectors, FSMC-TS),该模型将卫星轨道划分为“好区域”和“坏区域”,并基于文献[57]中的方法进行建模。
综上所述,基于马尔可夫过程的多状态模型往往依据接收端信号受到遮挡的严重程度、测试场景的类型、卫星的运动状态等因素进行状态的划分,并且常使用Rician,Rayleigh,Lognormal和Nakagami等经典分布的组合来描述每一种状态,适用范围较广,建模方式灵活,随着状态数的增多,模型的描述性能更加精细,但相应的建模复杂度也会增大。表5对上述提到的统计性模型的特点进行了汇总与对比。
文献 频段 场景 状态数 模型构成 特点 [53,54] L 乡村 单状态 Rice/Lognormal 受遮挡的直射分量与不受遮挡的多径分量的组合 [55] L 城区/公路/郊区/乡村 单状态 Rice/Lognormal 直射分量与多径分量均受到同分布的阴影衰落 [56] L 乡村 单状态 Rice/Lognormal 直射分量与多径分量均受到阴影衰落,允许两个阴影衰落独立 [57] L 乡村 单状态 Rice/Nakagami 将阴影衰落改进为Nakagami分布 [58] L 城区/公路/郊区/乡村 单状态 Beckmann/
Lognormal将多径分量改进为Beckmann分布 [59] L/S/Ka 城区/公路 单状态 Rice/Rayleigh/
Lognormal可推导为其他经典模型 [60,61] L 乡村 单状态 Squared Rice/Nakagami 考虑了分集接收 [62] L 城区/公路 两状态 Rice/Rayleigh/
Lognormal信道分为“好状态”、“坏状态” [63] L 城区/郊区/乡村 两状态 Rice/Rayleigh/
Lognormal根据仰角判断信道状态 [64] L/S/Ka 城区/公路/郊区/乡村 3状态 Loo/Loo/Loo 以植被引起的轻微阴影作为第2状态 [65] L/S/Ka 城区/公路/郊区/乡村 3状态 Loo/RM/Loo 采用RM模型作为第2状态 [67] L 城区/公路/郊区/乡村 4状态 Rice/Rice/Rayleigh/Lognormal 将4种不同场景视为4种状态 [68] L 城区/公路/郊区/乡村 6状态 Rice/Rayleigh/
Lognormal将“好状态”与“坏状态”细分为6个子状态 [69] Ku 城区/公路 多状态 RJ-MCMC 无需认为假设状态数和每个状态的分布 [70] L/S 城区/公路/郊区/乡村 多状态 Rice/Nakagami 将卫星轨道分为“好区域”与“坏区域” 4.4 几何随机性信道模型
几何随机性模型针对星地信道传播场景,对接收端附近的障碍物及散射体分布进行合理假设,将环境中的有效散射体抽象为1个或多个具有一定几何形状的模型,将其分布在抽象出来的环境几何结构上。通过改变散射区域的形状或者散射体的分布函数就可以模拟不同的场景,具有模型泛化性强,计算复杂度低等优点。
文献[71]提出了一种基于单一散射点的几何模型,用于分析由指示灯、路牌等环境因素引起的多径现象,但是该模型只考虑了一些简单的散射点。文献[72]在农村场景下,将传播环境建模为发射端、沿一定轨迹移动的接收端和散射体构成,不同于文献[71]中可考虑了单一散射点,该模型使用简单的散射点组成复杂的散射体,如通过多个散射点组成树木,再由多个树木构成一条街,并且同时考虑了直射路径与反射路径。上述模型均把信道传播环境建立为2D场景,文献[73]在Q频段下,使用一种3D几何随机模型对星地信道的小尺度衰落进行了建模,该模型将地球表面的接收端附近的散射体建模在一个半球的球面上,球心为接收机,如图6所示,分析了小尺度信道的信道冲激响应以及LOS和NLOS场景下多普勒频移以及多径相位。文献[73]只考虑了卫星与地面站直接通信的场景,在此基础上,文献[74]利用无人机(Unmanned Aerial Vehicles, UAV)辅助星地通信,建立了包含UAV的星地信道3D几何随机模型,该模型利用UAV进行卫星信号的转发,分析了时空相关函数(Space-Time Correlation Function S-TCF)、多普勒功率谱密度(Doppler Power Spectral Density, DPSD)、平均衰落持续时间(Average Fading Duration, AFD)等特性。上述模型均只考虑了1个卫星与地面站通信的信道模型,文献[75]考虑了多卫星场景进行建模,其假设卫星均匀分布在距离地球一定高度的球面上,通过星地之间的几何关系推导了仰角、方位角、星地距离之间的关系,基于SR模型进行建模,分析了中断概率、吞吐量等关键性能指标。
几何随机性模型虽然普适性较高且计算复杂度较低,但是在特定场景下的建模精度低于确定性模型,且目前关于星地信道的几何随机性模型研究也较少。表6对上述的几何随机性模型的特点进行了汇总与对比。
4.5 基于机器学习的信道模型
以上介绍的均为利用传统信道建模方法进行的建模,然而近年来,基于机器学习(Machine Learning, ML)的信道建模方法也得到了广泛研究。传统信道建模方法难以很好地应对无线信道数据日益多样化、海量化的趋势,而机器学习具备优越的自学习能力与预测能力,能够从高复杂度的信道数据中提取信道特征,此外,只要对信道模型进行足够的训练,就可以很好地适应高动态场景下信道状态快速变化的特点,增强模型的泛化性能。
早期,有学者使用支持向量机(Support Vector Machines, SVM)[76,77]、决策树[78]等方法进行路径损耗的预测,但是大多都需要使用3D化的图形信息,而文献[79]利用3D数据模型训练深度卷积神经网络(Convolutional Neural Network, CNN),对卫星所拍摄的2D图像的信息进行提取,对星地信道参数进行了估计,主要有路径损耗指数与阴影衰落的标准差,预测精度分别可达到88%与76%。文献[80]分别利用多层感知器(Multi-Layer Perceptron, MLP)和LSTM建立了星地信道模型,该文献还对天气类型进行了分类,通过与实测数据的对比验证了使用基于MLP的晴天预测模型和基于LSTM的雨天预测模型能够在模型的准确度和复杂度之间取得最佳平衡。在文献[80]的基础上,文献[81]对天气的影响进行了更加精细化的建模,其利用7种大气参数训练了一种LSTM模型,用来预测Q频段下由大气引起的传播损耗,7种参数分别为气温、降雨量、相对湿度、总降雨厚度、能见度、风速和平均粒子速度,但是受限于测试数据,该模型只能用于预测Q频段的衰减,无法对更多频段的衰减进行预测。然而文献[80]与文献[81]均只对天气对信道的影响进行了建模,没有对地面段信道进行建模。文献[82]利用Genesis 卫星的数据,采用LSTM建立了A和B两个传播损耗模型,A模型用于预测从卫星到达地面建筑物过程中的传播损耗,B模型用于预测由地面建筑物遮挡引起的传播损耗,通过与实测数据的对比,模型的预测精度可达到98%。文献[83]将机器学习与传统信道建模方法进行了结合,首先对Q/V频段的降雨衰落建立了统计性模型,并将该降雨损耗模型LSTM结合,建立了一种能够实现实时预测的LSTM统计性星地信道模型,通过与实测数据的对比表明,将统计性模型与机器学习模型相结合,能够获得更加精确的预测效果,相比于单一的统计性模型和LSTM模型,预测精度提高了至少50%。除了较多文献利用的LSTM,文献[84]利用递归神经网络(Recurrent Neural Network, RNN),对卫星信号穿过大气层时可能经历的闪烁效应导致的衰落进行了预测,预测结果在晴天条件下与实测数据的误差能保持在0.02 dB以内。表7展示了上述基于ML的模型的特点,并将其做了对比。
综上所述,近年来基于ML的星地信道建模发展迅速,有大量模型被提出,展示出了其强大的学习能力与处理海量数据的能力,其中基于LSTM进行建模的研究较多,预测精度也较好。但是目前基于ML的模型的预测精度依赖于训练集数据的丰富程度,消耗的计算资源也较大,导致很多模型只能适用于特定场景或者频段。
为便于观察不同频段与信道模型之间的关系,表8总结了各频段下可适用的各类信道模型。从表中可以看到,适用于低频段的信道模型主要为经验性模型与统计性模型,如L/S频段,而适用于高频段的信道模型主要为统计性模型与基于机器学习的模型,如Ku/Ka/Q/V频段。此外可以看到,无论是低频段还是高频段,几何随机性模型均较少。近年研究较多的基于机器学习的信道模型,更多关注于未来将会使用的Q/V频段,而对传统低频段关注较少。
5. 未来的工作
到目前为止,已有一大批的专家学者对针对星地信道的独特性,采用不同的建模方法进行了信道建模研究。但是由于星地信道所处环境与地面蜂窝网络具有很大差异,想要真正实现天地一体化的网络,在无线信道建模方面还存在着一些亟待解决的挑战。首先就是构建星地信道场景库,这是针对不同场景进行信道测量与建模的基础;其次是在不同场景下,针对星地信道高频段、高移动以及接收端受遮挡的特点进行信道建模,研究星地信道特性;最后是在广泛信道建模研究的基础上,建立标准化信道模型,为天底一体化网络提供统一化可参考的标准模型。具体地,可将以上挑战解释如下:
(1) 细化建模场景,构建统一的场景库。目前已有的信道模型在很大程度上依赖所研究的场景,不同场景的信道模型难以互通使用,这就对建立全场景信道模型提出了要求。然而目前大多数文献均是按照城区、乡村、郊区和高速公路四大场景进行划分的,此类划分方法虽然覆盖面较广,但是仍然不够细致,无法体现单一场景中不同情况下的差异,如城区场景又可细分为密集城区与普通城区,郊区场景可细分为平原郊区和存在丘壑的郊区等。此外,目前针对同一场景进行的信道测量采用的参数配置也不尽相同,使得建立的信道模型难以具有典型性。因此,有必要对星地信道的研究场景进行细分,研究典型场景的信道模型,统一化典型场景的测量参数,构建统一的信道场景库供研究者使用;
(2) 高频段信道模型研究。目前针对L,S和Ka频段的信道建模研究较多,随着6G技术的发展,低频段已经逐渐无法承载未来卫星网络的通信需求,卫星网络也将向着Q/V频段等高频段部署,频段的增高将会导致信道特性的变化,如更强的降雨和云雾损耗,更大的多普勒频移,然而现在针对这些高频段的信道建模工作仍然较少。因此未来应加强对高频段星地信道模型的关注,以适应6G时代天地一体化网络的需求;
(3) 高移动场景信道模型研究。传统的信道模型构建大多都假设信道满足广义平稳非相关散射(Wide- Sense Stationary-Uncorrelated Scattering, WSSUS),然而对于星地信道,WSSUS假设难以适用,这是因为卫星相对于地面接收终端始终处于高速运动中,将会导致较大的多普勒频移,特别是对于接收端位于同样高速移动的高速列车、汽车上的“动中通”场景,接收端周围散射物的急剧变化将会导致多径分量随时间的变化,无线信道表现出时变特征,具备非平稳性。因此,有必要着眼于星地信道场景的高动态性,研究高移动场景的信道模型;
(4) NLOS场景信道模型研究。卫星信号从卫星到地面接收端的传播过程主要可分为卫星到地面建筑物和地面建筑物到接收端两个部分。在第2部分的传播中,接收端附近的障碍物会对卫星信号产生阴影遮挡效应,虽然现有的信道模型大多考虑了该遮挡效应,但是少有专门针对NLOS效应进行的建模,且目前对何时应当考虑NLOS效应,考虑严重的遮挡还是轻微的遮挡,以及当对实际传播环境不了解时应当如何假设NLOS效应,仍然缺少明确的规范;
(5) 标准化信道模型建立。标准化工作对于无线通信系统的部署有着重要意义,目前标准化组织仍然缺少能满足未来应用场景的星地信道模型,如3GPP虽然在其技术报告TR 38.811和TR 38.821中介绍了NTN信道模型以及相关的仿真参数,但其主要针对于S和Ka频段,提出的信道模型也只是对地面5G信道模型的简单化调整,没有考虑卫星的移动性以及仰角变化等带来的影响。
6. 结束语
综上所述,目前已有大量的研究者参与进星地信道建模的工作中,本文从标准化进展、星地信道衰落特性、现有信道模型以及存在的挑战几个方面对现有星地信道建模工作做了系统化综述。星地信道由于传播距离、移动速度以及大气层的存在等原因,与地面蜂窝网络信道存在很大不同,目前存在的星地信道模型按建模方法主要可分为经验性模型、统计性模型、几何随机性模型和基于机器学习的建模,其中统计性模型为主流建模方法,大多基于多状态马尔可夫链进行建模,此外近年来使用机器学习进行建模的工作逐渐增多,成为了新的研究热点。然而目前业界对星地信道的研究仍然缺少完善的规范,如场景划分和标准化模型等,距离建立能满足6G时代天地一体化需求的星地信道模型仍有大量工作需要进行。本文希望概述在星地信道建模领域已有的研究成果,总结研究方法与研究方向,为相关领域的研究人员提供参考和帮助。
-
表 1 各标准特点与不足对比
标准组织 标准名称 标准特点 标准不足 ITU ITU-R P.618 大气吸收衰减、降雨和云雾衰减、闪烁效应等 仅支持城区,只考虑了遮蔽概率 ITU-R P.2108 地物损耗的计算 只支持城区和郊区,只考虑了地面段植被与建筑物的遮挡 ITU-R P.681 适用于陆地移动卫星(Land Mobile Satellite, LMS)的宽带和窄带信道模型,以及卫星到室内的信道模型 3GPP 3GPP TR 38.811 自由空间损耗、大气吸收损耗、降雨和云雾损耗、闪烁效应、多普勒频偏和变化率等,提出了TDL与CDL模型 基于5G蜂窝信道模型的改进,适用于低频段,没有考虑高移动性以及大气损耗 3GPP TR 38.821 规定了星地链路仿真参数配置、新空口(New Radio, NR)为支持NTN需要做出的调整等 ETSI DVB-S2 卫星广播技术帧结构、调制和信道编码方案、物理层组帧、基带信号成形等 仅对AWGN信道进行了优化 DVB-S2X 更完善的调制和信道编码方案、甚低信噪比通信方案等 表 2 3GPP TR 38.811标准中城区、郊区场景地物损耗参考值
仰角(º) S频段 Ka频段 城区 郊区 城区 郊区 10 34.3 19.52 44.3 29.5 20 30.9 18.17 39.9 24.6 30 29.0 18.42 37.5 21.9 40 27.7 18.28 35.8 20.0 50 26.8 18.63 34.6 18.7 60 26.2 17.68 33.8 17.8 70 25.8 16.50 33.3 17.2 80 25.5 16.30 33.0 16.9 90 25.5 16.30 32.9 16.8 表 3 国内外各组织信道测量对比
测量组织 频段 场景 测量卫星 ESA UHF/L/S/Ka 城区、郊区、乡村、移动列车等 MARECS、直升机模拟 NASA UHF/L/S 公路、乡村、丘陵等 ATS6, MARECS、直升机模拟 日本通信研究实验室 L 城区、公路、郊区、乡村 ETS-V 澳大利亚电信研究所 L 郊区、乡村 ETS-V CRC UHF/L 郊区、乡村 MARECS、热气球、直升机模拟 中国科学院 UHF 密集城区、郊区、草坪湖泊等空旷地区 LEO模拟器模拟 加利福尼亚大学 L 城区 Orbcomm, ridium NEXT 德国联邦国防军慕尼黑大学 Ka 密集城区、乡村、山地 无人机模拟 表 4 不同经验性模型的对比
表 5 不同统计性模型的对比
文献 频段 场景 状态数 模型构成 特点 [53,54] L 乡村 单状态 Rice/Lognormal 受遮挡的直射分量与不受遮挡的多径分量的组合 [55] L 城区/公路/郊区/乡村 单状态 Rice/Lognormal 直射分量与多径分量均受到同分布的阴影衰落 [56] L 乡村 单状态 Rice/Lognormal 直射分量与多径分量均受到阴影衰落,允许两个阴影衰落独立 [57] L 乡村 单状态 Rice/Nakagami 将阴影衰落改进为Nakagami分布 [58] L 城区/公路/郊区/乡村 单状态 Beckmann/
Lognormal将多径分量改进为Beckmann分布 [59] L/S/Ka 城区/公路 单状态 Rice/Rayleigh/
Lognormal可推导为其他经典模型 [60,61] L 乡村 单状态 Squared Rice/Nakagami 考虑了分集接收 [62] L 城区/公路 两状态 Rice/Rayleigh/
Lognormal信道分为“好状态”、“坏状态” [63] L 城区/郊区/乡村 两状态 Rice/Rayleigh/
Lognormal根据仰角判断信道状态 [64] L/S/Ka 城区/公路/郊区/乡村 3状态 Loo/Loo/Loo 以植被引起的轻微阴影作为第2状态 [65] L/S/Ka 城区/公路/郊区/乡村 3状态 Loo/RM/Loo 采用RM模型作为第2状态 [67] L 城区/公路/郊区/乡村 4状态 Rice/Rice/Rayleigh/Lognormal 将4种不同场景视为4种状态 [68] L 城区/公路/郊区/乡村 6状态 Rice/Rayleigh/
Lognormal将“好状态”与“坏状态”细分为6个子状态 [69] Ku 城区/公路 多状态 RJ-MCMC 无需认为假设状态数和每个状态的分布 [70] L/S 城区/公路/郊区/乡村 多状态 Rice/Nakagami 将卫星轨道分为“好区域”与“坏区域” 表 6 不同几何随机性模型的对比
表 7 不同基于机器学习的模型对比
-
[1] IMT-2030(6G)推进组. 6G总体愿景与潜在关键技术白皮书[R]. 北京: IMT-2030 推进组, 2021.IMT-2030(6G) Promotion Group. 6G overall vision and potential key technology white paper[R]. Beijing: IMT-2030 Promotion Group, 2021. [2] 陈山枝. 关于低轨卫星通信的分析及我国的发展建议[J]. 电信科学, 2020, 36(6): 1–13. doi: 10.11959/j.issn.1000-0801.2020181.CHEN Shanzhi. Analysis of LEO satellite communication and suggestions for its development strategy in China[J]. Telecommunications Science, 2020, 36(6): 1–13. doi: 10.11959/j.issn.1000-0801.2020181. [3] 徐常志, 靳一, 李立, 等. 面向6G的星地融合无线传输技术[J]. 电子与信息学报, 2021, 43(1): 28–36. doi: 10.11999/JEIT200363.XU Changzhi, JIN Yi, LI Li, et al. Wireless transmission technology of satellite-terrestrial integration for 6G mobile communication[J]. Journal of Electronics & Information Technology, 2021, 43(1): 28–36. doi: 10.11999/JEIT200363. [4] NOSCHESE P, PORFILI S, and DI GIROLAMO S. ADS-B via iridium next satellites[C]. 2011 Tyrrhenian International Workshop on Digital Communications-Enhanced Surveillance of Aircraft and Vehicles, Capri, Italy, 2011: 213–218. [5] MCDOWELL J C. The low earth orbit satellite population and impacts of the SpaceX Starlink constellation[J]. The Astrophysical Journal Letters, 2020, 892(2): L36. doi: 10.3847/2041-8213/ab8016. [6] SU Mudan, SU Xing, ZHAO Qile, et al. BeiDou augmented navigation from low earth orbit satellites[J]. Sensors, 2019, 19(1): 198. doi: 10.3390/s19010198. [7] LIN Xingqin, ROMMER S, EULER S, et al. 5G from space: An overview of 3GPP non-terrestrial networks[J]. IEEE Communications Standards Magazine, 2021, 5(4): 147–153. doi: 10.1109/MCOMSTD.011.2100038. [8] BAEZA V M, LAGUNAS E, AL-HRAISHAWI H, et al. An overview of channel models for NGSO satellites[C]. 2022 IEEE 96th Vehicular Technology Conference (VTC2022-Fall), London, United Kingdom, 2022: 1–6. doi: 10.1109/VTC2022-Fall57202.2022.10012693. [9] ITU-R P. 618–2017 Propagation data and prediction methods required for the design of earth-space telecommunication systems[S]. 2017. [10] ITU-R. P. 2108-2021 Prediction of clutter loss: ITU-R Recommendation[S]. 2021. [11] HOSSEINIAN M, CHOI J P, CHANG S H, et al. Review of 5G NTN standards development and technical challenges for satellite integration with the 5G network[J]. IEEE Aerospace and Electronic Systems Magazine, 2021, 36(8): 22–31. doi: 10.1109/MAES.2021.3072690. [12] 3GPP TR 38.811-2020 Study on new radio (NR) to support non-terrestrial networks[S]. 2020. [13] 3GPP TR 38.901-2022 Study on channel model for frequencies from 0.5 to 100 GHz[S]. 2022. [14] 3GPP TR 38.821-2020 Solutions for NR to support non-terrestrial networks (NTN)[S]. 2020. [15] 3GPP TS 38.101-5-2023 NR; User Equipment (UE) radio transmission and reception; Part 5: Satellite access Radio Frequency (RF) and performance requirements[S]. 2023. [16] ITU-R P. 676-2022 Attenuation by atmospheric gases and related effects[S]. 2022. [17] 中华人民共和国工业和信息化部. YD/T 984-2020 卫星通信链路大气和降雨衰减计算方法[S]. 北京: 人民邮电出版社, 2020.Ministry of Industry and Information Technology. YD/T 984-2020 Methods for calculating attenuations by atmospheric gases and rain in the satellite communication link[S]. Beijing: Posts & Telecom Press, 2020. [18] PANAGOPOULOS A D, ARAPOGLOU P D M, and COTTIS P G. Satellite communications at Ku, Ka, and V bands: Propagation impairments and mitigation techniques[J]. IEEE Communications Surveys & Tutorials, 2004, 6(3): 2–14. doi: 10.1109/COMST.2004.5342290. [19] PANAGOPOULOS A D, ARAPOGLOU P D M, KANELLOPOULOS J D, et al. Long-term rain attenuation probability and site diversity gain prediction formulas[J]. IEEE Transactions on Antennas and Propagation, 2005, 53(7): 2307–2313. doi: 10.1109/TAP.2005.850762. [20] LIVIERATOS S, KATSAMBAS V, and KANELLOPOULOS J. A global method for the prediction of the slant path rain attenuation statistics[J]. Journal of Electromagnetic Waves and Applications, 2000, 14(5): 713–724. doi: 10.1163/156939300X01436. [21] KANELLOPOULOS S A, KOUROGIORGAS C I, PANAGOPOULOS A D, et al. Channel model for satellite communication links above 10GHz based on Weibull distribution[J]. IEEE Communications Letters, 2014, 18(4): 568–571. doi: 10.1109/LCOMM.2014.013114.131950. [22] KOUROGIORGAS C I and PANAGOPOULOS A D. Space-time stochastic rain fading channel for multiple LEO or MEO satellite slant paths[J]. IEEE Wireless Communications Letters, 2018, 7(3): 284–287. doi: 10.1109/LWC.2017.2772248. [23] CORNEJO A, LANDEROS-AYALA S, MATIAS J M, et al. Method of rain attenuation prediction based on long–short term memory network[J]. Neural Processing Letters, 2022, 54(4): 2959–2995. doi: 10.1007/s11063-022-10749-1. [24] DOMB M and LESHEM G. Rain Attenuation Prediction for 2.4-72GHz using LTSM, an artificial recurrent neural network technology[C]. 2021 International Conference on Electrical, Communication, and Computer Engineering (ICECCE), Kuala Lumpur, Malaysia, 2021: 1–6. doi: 10.1109/ICECCE52056.2021.9514095. [25] THIENNVIBOON P and WISUTIMATEEKORN S. Rain attenuation prediction modeling for Earth-space links using artificial neural networks[C]. 2019 16th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON), Pattaya, Thailand, 2019: 29–32. doi: 10.1109/ECTI-CON47248.2019.8955194. [26] HUANG Jiying, GONG Shuhong, and CAI Benxiao. The frequency scaling ratio factor of rain attenuation in Ka waveband along earth-space path in China[C]. 2011 Second International Conference on Mechanic Automation and Control Engineering, Inner Mongolia, China, 2011: 7831–7833. doi: 10.1109/MACE.2011.5988868. [27] 张蕊, 林乐科, 赵振维, 等. 5G共存分析中地物附加损耗模型研究[J]. 电波科学学报, 2017, 32(5): 578–583. doi: 10.13443/j.cjors.2017091802.ZHANG Rui, LIN Leke, ZHAO Zhenwei, et al. Research on clutter loss model in sharing studies of 5G[J]. Chinese Journal of Radio Science, 2017, 32(5): 578–583. doi: 10.13443/j.cjors.2017091802. [28] ISHIMOTO K, ICHITSUBO S, OMOTE H, et al. Elevation angle characteristics of clutter loss in urban areas for mobile communications[C]. 2019 International Symposium on Antennas and Propagation (ISAP), Xi'an, China, 2019: 1–4. [29] ITU-R P. 2040-2015 Effects of building materials and structures on radiowave propagation above about 100 MHz: Recommendation[S]. 2015. [30] MONTENEGRO-VILLACIEROS B, BISHOP J, and CHAREAU J M. Clutter loss measurements and simulations at 26 GHz and 40 GHz[C]. 2019 13th European Conference on Antennas and Propagation (EuCAP), Krakow, Poland, 2019: 1–5. [31] MONTENEGRO-VILLACIEROS B, CHAREAU J M, BISHOP J, et al. Clutter loss measurements in suburban environment at 26 GHz and 40 GHz[C]. 12th European Conference on Antennas and Propagation (EuCAP 2018), London, UK, 2018: 1–4. doi: 10.1049/cp.2018.0876. [32] ALI I, AL-DHAHIR N, and HERSHEY J E. Doppler characterization for LEO satellites[J]. IEEE Transactions on Communications, 1998, 46(3): 309–313. doi: 10.1109/26.662636. [33] GUIDOTTI A, VANELLI-CORALLI A, CAUS M, et al. Satellite-enabled LTE systems in LEO constellations[C]. 2017 IEEE International Conference on Communications Workshops (ICC Workshops), Paris, France, 2017: 876–881. doi: 10.1109/ICCW.2017.7962769. [34] LIN Xingqin, LIN Zhipeng, LÖWENMARK S E, et al. Doppler shift estimation in 5G new radio non-terrestrial networks[C]. 2021 IEEE Global Communications Conference (GLOBECOM), Madrid, Spain, 2021: 1–6. doi: 10.1109/GLOBECOM46510.2021.9685184. [35] KHAN T A and AFSHANG M. A stochastic geometry approach to Doppler characterization in a LEO satellite network[C]. ICC 2020–2020 IEEE International Conference on Communications (ICC), Dublin, Ireland, 2020: 1–6. doi: 10.1109/ICC40277.2020.9148880. [36] LIN Jiangnan, HOU Zhanwei, ZHOU Yiqing, et al. Map estimation based on Doppler characterization in broadband and mobile LEO satellite communications[C]. 2016 IEEE 83rd Vehicular Technology Conference (VTC Spring), Nanjing, China, 2016: 1–5. doi: 10.1109/VTCSpring.2016.7504336. [37] KIM S, PARK J, and LEE C. CNN-based Doppler shift estimation for low earth orbit satellites[C]. 2022 37th International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC), Phuket, Thailand, 2022: 1–3. doi: 10.1109/ITC-CSCC55581.2022.9894921. [38] VASYLYEV D, BÉNIGUEL Y, VOLKER W, et al. Modeling of ionospheric scintillation[J]. Journal of Space Weather and Space Climate, 2022, 12: 22. doi: 10.1051/swsc/2022016. [39] DING Sheng, LI Limin, and LIU Huijie. Multipath channel measurements and analysis at UHF band for LEO satellites[C]. 2010 International Conference on Communications and Mobile Computing, Shenzhen, China, 2010: 112–116. doi: 10.1109/CMC.2010.158. [40] ORABI M, KHALIFE J, and KASSAS Z M. Opportunistic navigation with Doppler measurements from Iridium Next and Orbcomm LEO satellites[C]. 2021 IEEE Aerospace Conference (50100), Big Sky, USA, 2021: 1–9. doi: 10.1109/AERO50100.2021.9438454. [41] ZHU Yazhou, HOFMANN C A, and KNOPP A. Ka-band LEO satellite internet of things channel characterization: Survey and measurement[C]. ICC 2022-IEEE International Conference on Communications, Seoul, Korea, 2022: 3076–3081. doi: 10.1109/ICC45855.2022.9838878. [42] MORAITIS N, MILAS V, and CON S TANTINOU P. On the empirical model comparison for the land mobile satellite channel[C]. 2007 IEEE 65th Vehicular Technology Conference-VTC2007-Spring, Dublin, Ireland, 2007: 1405–1409. doi: 10.1109/VETECS.2007.294. [43] BARTS R M and STUTZMAN W L. Modeling and simulation of mobile satellite propagation[J]. IEEE Transactions on Antennas and Propagation, 1992, 40(4): 375–382. doi: 10.1109/8.138838. [44] VOGEL W and GOLDHIRSH J. Tree attenuation at 869 MHz derived from remotely piloted aircraft measurements[J]. IEEE transactions on Antennas and Propagation, 1986, 34(12): 1460–1464. doi: 10.1109/TAP.1986.1143781. [45] GOLDHIRSH J and VOGEL W. Roadside tree attenuation measurements at UHF for land mobile satellite systems[J]. IEEE Transactions on Antennas and Propagation, 1987, 35(5): 589–596. doi: 10.1109/TAP.1987.1144137. [46] GOLDHIRSH J and VOGEL W J. Mobile satellite system fade statistics for shadowing and multipath from roadside trees at UHF and L-band[J]. IEEE Transactions on Antennas and Propagation, 1989, 37(4): 489–498. doi: 10.1109/8.24169. [47] GOLDHIRSH J and VOGEL W J. An overview of results derived from mobile-satellite propagation experiments[C]. The 2nd International Mobile Satellite Conference (IMSC 1990), Ottawa, Canada, 1990: 219–224. [48] VOGEL W J and GOLDHIRSH J. Mobile satellite system propagation measurements at L-band using MARECS-B2[J]. IEEE Transactions on Antennas and Propagation, 1990, 38(2): 259–264. doi: 10.1109/8.45129. [49] SFORZA M, BUONOMO S, and MARTINI A. ESA research activities in the field of channel modelling and simulation for land mobile satellite systems[J]. COST 227: Land Mobile Satellite Communications Systems, 1993(93): 044. [50] GOLDHIRSH J and VOGEL W J. An extended empirical roadside shadowing model for estimating fade distributions from UHF to K-band for mobile satellite communications[J]. Space Communications, 1995, 13(3): 225–237. [51] PARKS M A N, EVANS B G, and BUTT G. High elevation angle propagation results, applied to a statistical model and an enhanced empirical model[J]. Electronics Letters, 1993, 29(19): 1723–1725. doi: 10.1049/el:19931146. [52] AL-HOURANI A and GUVENC I. On modeling satellite-to-ground path-loss in urban environments[J]. IEEE Communications Letters, 2021, 25(3): 696–700. doi: 10.1109/LCOMM.2020.3037351. [53] LOO C. A statistical model for a land mobile satellite link[J]. IEEE Transactions on Vehicular Technology, 1985, 34(3): 122–127. doi: 10.1109/T-VT.1985.24048. [54] LOO C and SECORD N. Computer models for fading channels with applications to digital transmission[J]. IEEE Transactions on Vehicular Technology, 1991, 40(4): 700–707. doi: 10.1109/25.108380. [55] CORAZZA G E and VATALARO F. A statistical model for land mobile satellite channels and its application to nongeostationary orbit systems[J]. IEEE Transactions on Vehicular Technology, 1994, 43(3): 738–742. doi: 10.1109/25.312773. [56] HWANG S H, KIM K J, AHN J Y, et al. A channel model for nongeostationary orbiting satellite system[C]. 1997 IEEE 47th Vehicular Technology Conference. Technology in Motion, Phoenix, USA, 1997: 41–45. doi: 10.1109/VETEC.1997.596315. [57] ABDI A, LAU W C, ALOUINI M S, et al. A new simple model for land mobile satellite channels: First-and second-order statistics[J]. IEEE Transactions on Wireless Communications, 2003, 2(3): 519–528. doi: 10.1109/TWC.2003.811182. [58] XIE Yongjun and FANG Yuguang. A general statistical channel model for mobile satellite systems[J]. IEEE Transactions on Vehicular Technology, 2000, 49(3): 744–752. doi: 10.1109/25.845094. [59] 李兴, 吴诗其. 卫星移动通信信道LR2模型及系统性能分析[J]. 电波科学学报, 2003, 18(3): 305–310. doi: 10.3969/j.issn.1005-0388.2003.03.015.LI Xing and WU Shiqi. A LR2 model for mobile satellite channels and its system performance analysis[J]. Chinese Journal of Radio Science, 2003, 18(3): 305–310. doi: 10.3969/j.issn.1005-0388.2003.03.015. [60] ALFANO G and DE MAIO A. Sum of squared shadowed-rice random variables and its application to communication systems performance prediction[J]. IEEE Transactions on Wireless Communications, 2007, 6(10): 3540–3545. doi: 10.1109/TWC.2007.060202. [61] CLEMENTE M C and PARIS J F. Closed-form statistics for sum of squared Rician shadowed variates and its application[J]. Electronics Letters, 2014, 50(2): 120–121. doi: 10.1049/el.2013.0969. [62] LUTZ E, CYGAN D, DIPPOLD M, et al. The land mobile satellite communication channel-recording, statistics, and channel model[J]. IEEE Transactions on Vehicular Technology, 1991, 40(2): 375–386. doi: 10.1109/25.289418. [63] BISCHEL H, WERNER M, and LUTZ E. Elevation-dependent channel model and satellite diversity for NGSO S-PCNs[C]. Vehicular Technology Conference-VTC, Atlanta, USA, 1996: 1038–1042. doi: 10.1109/VETEC.1996.501469. [64] FONTÁN F P, GONZÁLEZ J P, FERREIRO M J S, et al. Complex envelope three-state Markov model based simulator for the narrow-band LMS channel[J]. International Journal of Satellite Communications, 1997, 15(1): 1–15. doi: 10.1002/(SICI)1099-1247(199701)15:1<1::AID-SAT563>3.0.CO;2-R. [65] 荣剑, 申东娅, 孙静. RM陆地移动卫星信道模型[J]. 云南大学学报: 自然科学版, 2006, 28(6): 487–491. doi: 10.3321/j.issn:0258-7971.2006.06.006.RONG Jian, SHEN Dongya, and SUN Jing. RM channel model for land mobile satellite[J]. Journal of Yunnan University: Natural Sciences Edition, 2006, 28(6): 487–491. doi: 10.3321/j.issn:0258-7971.2006.06.006. [66] CID E L, SANCHEZ G M, and ALEJOS A V. Wideband analysis of the satellite communication channel at Ku- and X-Bands[J]. IEEE Transactions on Vehicular Technology, 2016, 65(4): 2787–2790. doi: 10.1109/TVT.2015.2425037. [67] VUCETIC B and DU J. Channel modeling and simulation in satellite mobile communication systems[J]. IEEE Journal on Selected Areas in Communications, 1992, 10(8): 1209–1218. doi: 10.1109/49.166746. [68] SHEN Dongya, RONG Jian, YANG Yihuai, et al. The six-state Markov model for land mobile satellite channels[C]. 2005 IEEE International Symposium on Microwave, Antenna, Propagation and EMC Technologies for Wireless Communications, Beijing, China, 2005: 1619–1622. doi: 10.1109/MAPE.2005.1618239. [69] ALASSEUR C, SCALISE S, HUSSON L, et al. A novel approach to model the land mobile satellite channel through reversible jump Markov chain Monte Carlo technique[J]. IEEE Transactions on Wireless Communications, 2008, 7(2): 532–542. doi: 10.1109/TWC.2008.05544. [70] LOPEZ-SALAMANCA J J, SEMAN L O, BEREJUCK M D, et al. Finite-state Markov chains channel model for CubeSats communication uplink[J]. IEEE Transactions on Aerospace and Electronic Systems, 2020, 56(1): 142–154. doi: 10.1109/TAES.2019.2911769. [71] VOGEL W J and HONG U S. Measurement and modeling of land mobile satellite propagation at UHF and L-band[J]. IEEE Transactions on Antennas and Propagation, 1988, 36(5): 707–719. doi: 10.1109/8.192148. [72] SCHUBERT F M, FLEURY B H, PRIETO-CERDEIRA R, et al. A rural channel model for satellite navigation applications[C]. 2012 6th European Conference on Antennas and Propagation (EUCAP), Prague, Czech Republic, 2012: 2431–2435. doi: 10.1109/EuCAP.2012.6206522. [73] BAI Lu, WANG Chengxiang, GOUSSETIS G, et al. Channel modeling for satellite communication channels at Q-band in high latitude[J]. IEEE Access, 2019, 7: 137691–137703. doi: 10.1109/ACCESS.2019.2941975. [74] HU Lingling, ZHANG Zhizhong, DENG Bingguang, et al. Channel modeling for UAV-aided LEO satellite communication[C]. 2021 24th International Symposium on Wireless Personal Multimedia Communications (WPMC), Okayama, Japan, 2021: 1–6. doi: 10.1109/WPMC52694.2021.9700458. [75] JUNG D H, RYU J G, BYUN W J, et al. Performance analysis of satellite communication system under the shadowed-rician fading: A stochastic geometry approach[J]. IEEE Transactions on Communications, 2022, 70(4): 2707–2721. doi: 10.1109/TCOMM.2022.3142290. [76] PIACENTINI M and RINALDI F. Path loss prediction in urban environment using learning machines and dimensionality reduction techniques[J]. Computational Management Science, 2011, 8(4): 371–385. doi: 10.1007/s10287-010-0121-8. [77] UCCELLARI M, FACCHINI F, SOLA M, et al. On the use of support vector machines for the prediction of propagation losses in smart metering systems[C]. 2016 IEEE 26th International Workshop on Machine Learning for Signal Processing (MLSP), Vietri sul Mare, Italy, 2016: 1–6. doi: 10.1109/MLSP.2016.7738887. [78] OROZA C A, ZHANG Ziran, WATTEYNE T, et al. A machine-learning-based connectivity model for complex terrain large-scale low-power wireless deployments[J]. IEEE Transactions on Cognitive Communications and Networking, 2017, 3(4): 576–584. doi: 10.1109/TCCN.2017.2741468. [79] ATES H F, HASHIR S M, BAYKAS T, et al. Path loss exponent and shadowing factor prediction from satellite images using deep learning[J]. IEEE Access, 2019, 7: 101366–101375. doi: 10.1109/ACCESS.2019.2931072. [80] BAI Lu, XU Qian, WU Shangbin, et al. A novel atmosphere-informed data-driven predictive channel modeling for B5G/6G satellite-terrestrial wireless communication systems at Q-band[J]. IEEE Transactions on Vehicular Technology, 2020, 69(12): 14225–14237. doi: 10.1109/TVT.2020.3037212. [81] BAI Lu, XU Qian, HUANG Ziwei, et al. An atmospheric data-driven Q-band satellite channel model with feature selection[J]. IEEE Transactions on Antennas and Propagation, 2022, 70(6): 4002–4013. doi: 10.1109/TAP.2021.3137285. [82] ALON M M D and LESHEM G. Satellite to ground station, attenuation prediction for 2.4–72 GHz using LTSM, an artificial recurrent neural network technology[J]. Electronics, 2022, 11(4): 541. doi: 10.3390/electronics 11040541. [83] AL HOMSSI B, CHAN C C, WANG Ke, et al. Deep learning forecasting and statistical modeling for Q/V-band LEO satellite channels[J]. IEEE Transactions on Machine Learning in Communications and Networking, 2023, 1: 78–89. doi: 10.1109/TMLCN.2023.3286793. [84] KUMAR R and ARNON S. Deep learning based scintillation prediction for satellite link using measured data[C]. 2022 45th International Conference on Telecommunications and Signal Processing (TSP), Prague, Czech Republic, 2022: 246–249. doi: 10.1109/TSP55681.2022.9851250. 期刊类型引用(0)
其他类型引用(2)