Estimación de precipitación utilizando datos satelitales e información del radar meteorológico RMA1 mediante técnicas de Machine Learning

• Autores: Romano Freire, Lucas
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Suárez, Matías Ezequiel; Sandalio, Elena Lucia
• Materia: Física de la atmósfera; Estimación de precipitación; Estimación de precipitación; Física de la atmósfera; Aprendizaje automático; Remote sensing; Datos satelitales; IMERG; GOES-16
• Institución: Universidad Nacional de Córdoba

Tesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2025.
Fil: Romano Freire, Lucas. Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Se desarrolló un procedimiento para integrar información del Radar Meteorológico Argentino (RMA1) y el satélite GOES-16 con el objetivo de estimar la tasa de precipitación en superficie mediante modelos de aprendizaje automático. La metodología se basó en la selección de tormentas convectivas, identificación de nubes frías mediante umbrales en la temperatura de brillo de la Banda 13 y su vinculación con variables polarimétricas del radar en una grilla georreferenciada, asociadas a estimaciones de precipitación del producto IMERG Final Run. Se realizó una etapa de corrección, calibración, reproyección y alineamiento temporal, incluyendo ajustes por paralaje en los datos satelitales y atenuación de la señal de radar. Se desarrolló un modelo de aprendizaje automático entrenado sobre 20 eventos convectivos en la Provincia de Córdoba, utilizando IMERG Final Run como variable objetivo. Los resultados se compararon con IMERG Early Run, el producto QPE de GOES-16 y relaciones empíricas de radar. Los resultados muestran que la combinación de datos de radar y satélite permite capturar patrones físicos relevantes, mejorando la estimación frente a enfoques de un solo sensor. La baja latencia de las variables utilizadas (aproximadamente 10 minutos), comparada con la de IMERG Early Run (aproximadamente 4 horas), hacen de este un enfoque interesante para estimar la tasa de precipitación en tiempo real, especialmente para los eventos convectivos o intensos que tienen un impacto significativo en la vida de las personas.
A procedure was developed to integrate information from the Radar Meteorológico Argentino (RMA1) and the GOES-16 satellite to estimate surface precipitation rates using machine learning models. The methodology was based on the selection of convective storms, identification of low temperature clouds using brightness temperature thresholds from Band 13, and their linkage with radar polarimetric variables on a georeferenced grid, associated with precipitation estimates from the IMERG Final Run product. A preprocessing stage including correction, calibration, reprojection, and temporal alignment was performed, incorporating adjustments for satellite parallax and radar signal attenuation. A machine learning model was trained on 20 convective events in the Provincia de Córdoba, using IMERG Final Run as the target variable. Results were compared with IMERG Early Run, the GOES-16 Quantitative Precipitation Estimation (QPE) product, and empirical radar-based relationships. The results show that combining radar and satellite data captures relevant physical patterns, improving precipitation estimates compared to single-sensor approaches. The low latency of the input variables (approximately 10 minutes), compared to about 4 hours for IMERG Early Run, makes this approach suitable for near real-time precipitation estimation, especially for convective or intense events with significant societal impact.
Fil: Romano Freire, Lucas. Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación; Argentina.