Dane z czujników opadów deszczu pozwalają na lepsze oszacowanie opadów

Dokładne szacunki opadów deszczu z wysoką rozdzielczością czasoprzestrzenną są niezbędne w zastosowaniach związanych z odwodnieniem obszarów miejskich. Jeżeli dane z radarów pogodowych zostaną dostosowane do obserwacji naziemnych, mogą znaleźć zastosowanie w tych zastosowaniach.

Gęstość meteorologicznych deszczomierzy do regulacji jest jednak często niewielka i nierównomiernie rozłożona w przestrzeni. Czujniki opadów oportunistycznych zapewniają zwiększoną gęstość obserwacji naziemnych, ale często z obniżoną lub nieznaną dokładnością dla każdej indywidualnej stacji. W niniejszym artykule przedstawiono łączenie danych z radarów pogodowych, osobistych stacji pogodowych i komercyjnych łączy mikrofalowych w zintegrowany produkt pomiaru opadów. Wykazano, że łączenie oportunistycznych szacunków opadów poprawia dokładność obserwacji opadów oportunistycznych poprzez algorytm kontroli jakości. W niniejszym badaniu wykazujemy, że dokładność szacunków opadów jest znacznie zwiększona poprzez łączenie danych oportunistycznych dotyczących opadów i danych z radarów pogodowych w porównaniu z dokładnością każdego produktu pomiaru opadów bez łączenia. Wartości sprawności Nasha-Sutcliffe'a (NSE) do 0,88 uzyskano dla dziennych skumulowanych, połączonych produktów pomiaru opadów, podczas gdy wartości NSE poszczególnych produktów pomiaru opadów wahają się od -7,44 do 0,65, a podobne tendencje obserwuje się dla wartości pierwiastka średniokwadratowego błędu (RMSE). W celu scalania danych z radarów pogodowych i danych o opadach oportunistycznych przedstawiono nowatorskie podejście, tj. „korektę odchylenia od ruchu mediany”. Zastosowanie tego podejścia pozwoliło na uzyskanie wysokiej jakości danych o opadach deszczu, niezależnie od konwencjonalnych, wysokiej jakości deszczomierzy, które w niniejszym badaniu są wykorzystywane wyłącznie do niezależnej walidacji. Ponadto wykazano, że dokładne szacunki opadów można uzyskać poprzez scalanie danych w odstępach sub-dobowych, co podkreśla znaczenie scalania w prognozach pogody i aplikacjach działających w czasie niemal rzeczywistym.