Estimación de precipitación utilizando sensores remotos y simulaciones numéricas mediante redes neuronales

Resumen

La precipitación es uno de los componentes más importantes del balance hidrológico, y su cuantificación es esencial para el modelado preciso de dicho balance. Debido a la escasez de datos observacionales in situ, se recurre a sensores remotos para ampliar la cobertura espacial y temporal de las condiciones atmosféricas, y a modelos estadísticos o basados en aprendizaje automático que permiten vincular las variables sensadas con la precipitación. En este trabajo, se ha desarrollado un modelo para la estimación cuantitativa de precipitación utilizando redes neuronales profundas. La red neuronal se alimenta con datos de temperatura de brillo en el rango del infrarrojo proporcionados por el GOES-16, y se propuso también incluir pronósticos numéricos del agua precipitable provistos por el GFS. El modelo propuesto se entrena contra las tasas de precipitación instantáneas estimadas a partir del radar a bordo del satélite GPM. Los resultados al utilizar únicamente la temperatura de brillo fueron satisfactorios; sin embargo, al incorporar las simulaciones, las métricas en el conjunto de prueba mejoraron y se logró una mejor representación de los máximos de precipitación.