Datos oportunistas de sensores de lluvia para mejorar las estimaciones de lluvia

Las estimaciones precisas de precipitaciones con alta resolución espaciotemporal son vitales para las aplicaciones de drenaje urbano y, si se ajustan a las observaciones terrestres, los datos del radar meteorológico tienen potencial para estas aplicaciones.

Sin embargo, la densidad de pluviómetros meteorológicos para ajuste suele ser escasa y no uniforme en el espacio. Los sensores de lluvia oportunista proporcionan una mayor densidad de observaciones terrestres, pero a menudo con una precisión reducida o desconocida para cada estación individual. Este artículo demuestra la fusión de datos de radares meteorológicos, estaciones meteorológicas personales y enlaces de microondas comerciales en un producto de lluvia integrado. Se demuestra que la fusión de estimaciones de lluvia oportunista mejora la precisión de las observaciones de lluvia oportunista mediante un algoritmo de control de calidad. En este estudio, demostramos que la precisión de las estimaciones de lluvia mejora significativamente al fusionar datos de lluvia oportunista y datos de radar meteorológico en comparación con la precisión de cada producto de lluvia sin fusionarlos. Se obtienen valores de eficiencia de Nash-Sutcliffe (NSE) de hasta 0,88 para productos de lluvia fusionados acumulados diariamente, mientras que los valores de NSE de los productos de lluvia individuales oscilan entre −7,44 y 0,65, y se observan tendencias similares para los valores de error cuadrático medio (RMSE). Para combinar datos de radar meteorológico y datos de lluvia oportunistas, se presenta un enfoque novedoso: el "ajuste del sesgo de la mediana móvil". Con este enfoque, se obtiene un producto de lluvia de alto rendimiento, independientemente de los pluviómetros convencionales de alta calidad, que en este estudio solo se utilizan para validación independiente. Además, se demuestra que se pueden obtener estimaciones precisas de la lluvia mediante la combinación subdiaria, lo que subraya la importancia de la combinación en la predicción inmediata y las aplicaciones casi en tiempo real.