Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo

Abstract

La precipitación es uno de los principales componentes del balance hidrológico y su cuantificación es fundamental para el modelado preciso de dicho balance. Debido a la escasez de datos observados in-situ, se recurre a sensores remotos para poder incrementar la cobertura espacial y temporal. Sin embargo, las estimaciones basadas en sensores remotos, presentan sesgos que afectan su calidad.En este trabajo, se propone el uso de un modelo de redes convolucionales profundas para corregir parcialmente los errores sesgos del algoritmo de estimación de precipitación del satélite GOES-16. El entrenamiento de la red se lleva a cabo utilizando datos del radar meteorológico a bordo del satélite GPM. El modelo basado en redes neuronales, se compara con una técnica ampliamente utilizada en corrección de sesgos basada en datos históricos y con estimaciones de precipitación proveniente del producto PDIR-Now. El desempeño de todos los productos es evaluado con observaciones de estaciones pluviométricas. Las estimaciones del modelo propuesto reducen la raíz cuadrada del error cuadrático medio en un 164% (9%) respecto de las estimaciones del GOES-16 (PDIR-Now) y en 5% de la corrección basadas en datos históricos.