Evaluación de redes neuronales convolucionales para la corrección de sesgos en estimaciones satelitales de precipitación

Resumen

La precipitación es altamente variable espacial y temporalmente, por lo cual su monitoreo es particularmente desafiante. Debido a la escasez de datos observados in-situ, se recurre a sensores remotos para poder estimar su valor. Sin embargo, dichas estimaciones, presentan sesgos que afectan su calidad. En este trabajo, se propone el uso de un modelo de redes neuronales convolucionales profundas de arquitectura U-Net, para corregir parcialmente los sesgos del algoritmo de estimación de precipitación del satélite GOES-16 en escalas de tiempo diezminutales y con resoluciones espaciales del orden del kilómetro. La red se entrena utilizando datos del radar meteorológico a bordo del satélite GPM. En particular, se evalúa el desempeño de las redes entrenadas con tres funciones de costo diferentes: el error cuadrático medio (ECM) y dos variaciones del ECM que buscan dar más relevancia a los eventos extremos. Los modelos basados en U-Net se comparan con la regresión por cuantiles PDF-Matching, que es una técnica ampliamente utilizada en la corrección de sesgos y con estimaciones de precipitación proveniente del producto PDIR-Now. El desempeño de todos los productos es evaluado con observaciones de estaciones pluviométricas automáticas en escalas subdiarias y diarias. La aplicación de los modelos U-Net sobre el GOES-RRQPE mejora aspectos de representación de valores extremos de precipitación, reduciendo el nivel de falsas alarmas. Sin embargo, comparado con estaciones meteorológicas automáticas, la representación de extremos es a expensas del detrimento en la precisión y generación de sesgos sistemáticos de sobreestimación.