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

Las estimaciones precisas de las 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.

La densidad de pluviómetros meteorológicos para el ajuste suele ser escasa y estar distribuida de forma no uniforme en el espacio. Los sensores de lluvia oportunistas 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 radar meteorológico, estaciones meteorológicas personales y enlaces de microondas comerciales en un producto de lluvia integrado. Se demuestra que la fusión de estimaciones de lluvia oportunistas mejora la precisión de las observaciones de lluvia oportunistas mediante un algoritmo de control de calidad. En este estudio, mostramos que la precisión de las estimaciones de lluvia mejora significativamente al fusionar datos de lluvia oportunistas y datos de radar meteorológico en comparación con la precisión de cada producto de lluvia sin fusionar. 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 la fusión de datos de radar meteorológico y datos de precipitación oportunistas, se presenta un enfoque novedoso: el ajuste del sesgo mediante la mediana móvil. Mediante este enfoque, se obtiene un producto de precipitación de alto rendimiento de forma independiente de los pluviómetros convencionales de alta calidad, que en este estudio se utilizan únicamente para la validación independiente. Además, se demuestra que se pueden obtener estimaciones precisas de precipitación mediante la fusión de datos subdiarios, lo que subraya la importancia de esta fusión en la predicción a corto plazo y en aplicaciones casi en tiempo real.