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

• Autores: Geslin, Ezequiel; Ruiz, Juan; González, Sergio; Vidal, Luciano; Negri, Pablo
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; estimación de precipitación; sensores remotos; U-Net; pronóstico numérico; precipitation estimation; remote sensing; numerical forecast
• Institución: Universidad Nacional de La Plata

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.
Precipitation is one of the most critical components of the hydrological balance, and its accurate quantification is essential for reliable modeling. Due to the limited availability of in-situ observational data, remote sensing is used to enhance the spatial and temporal coverage of atmospheric conditions. Additionally, statistical and machine learning models are employed to link remotely sensed variables with precipitation. In this work, a deep neural network model was developed for quantitative precipitation estimation. The network is fed with infrared brightness temperature data from the GOES-16 satellite, and numerical forecasts of precipitable water from the GFS were also considered as input. The proposed model is trained against instantaneous precipitation rates estimated from the GPM satellite’s onboard radar. Results using only brightness temperature as input were satisfactory; however, the inclusion of the numerical forecasts improved performance on the test dataset and allowed for a better representation of maximum precipitation.
Sociedad Argentina de Informática e Investigación Operativa