Opportunistische regensensorgegevens om regenvalschattingen te verbeteren

Nauwkeurige regenvalschattingen met een hoge ruimtelijk-temporele resolutie zijn van essentieel belang voor stedelijke drainagetoepassingen. Als weerradargegevens worden aangepast aan grondobservaties, kunnen ze voor deze toepassingen worden gebruikt.

De dichtheid van meteorologische regenmeters voor aanpassing is echter vaak schaars en niet-uniform verdeeld in de ruimte. Opportunistische regensensoren bieden een hogere dichtheid aan grondobservaties, maar vaak met een verminderde of onbekende nauwkeurigheid voor elk individueel station. Dit artikel demonstreert het samenvoegen van gegevens van weerradar, persoonlijke weerstations en commerciële microgolfverbindingen tot een geïntegreerd regenproduct. Het samenvoegen van opportunistische regenvalschattingen blijkt de nauwkeurigheid van de opportunistische regenvalwaarnemingen te verbeteren door middel van een kwaliteitscontrolealgoritme. In deze studie laten we zien dat de nauwkeurigheid van regenvalschattingen aanzienlijk wordt verbeterd door het samenvoegen van opportunistische regenvalgegevens en weerradargegevens in vergelijking met de nauwkeurigheid van elk regenvalproduct zonder samenvoeging. Nash-Sutcliffe-efficiëntie (NSE)-waarden tot 0,88 worden verkregen voor dagelijks geaccumuleerde samengevoegde regenvalproducten, terwijl de NSE-waarden van de individuele regenvalproducten variëren van -7,44 tot 0,65, en vergelijkbare tendensen worden waargenomen voor root mean squared error (RMSE)-waarden. Voor het samenvoegen van weerradar en opportunistische regenvalgegevens wordt een nieuwe aanpak gepresenteerd, namelijk "moving median bias adjustment". Met deze aanpak wordt een hoogwaardig regenvalproduct afgeleid, onafhankelijk van conventionele, hoogwaardige regenmeters, die in deze studie alleen voor onafhankelijke validatie worden gebruikt. Bovendien wordt aangetoond dat nauwkeurige regenvalschattingen kunnen worden verkregen door sub-dagelijkse samenvoeging, wat het belang van samenvoeging in nowcasting en near realtime toepassingen onderstreept.