Estimando valores de precipitação através da otimização da relação Z-R do radar usando aprendizado de máquina

Abstract

Resumo: Utilizamos a Estimativa Quantitativa de Precipitação (QPE, do termo em inglês Quantitative Precipitation Estimation), proveniente deradaresmeteorológicos, comoumelemento crucial para a criação de comunicações resilientes contra desastres relacionados ao tempo, água e terra. Melhorar essas estimativas reflete diretamente na acurácia de previsões aplicadas em contextos diversos, como na previsão imediata de enchentes, gestão da produção energética em hidrelétricas, práticas agrícolas e outras esferas socioeconômicas que se baseiam em dados pluviométricos confiáveis. Os radares meteorológicos, com sua alta resolução espacial e temporal, são eficazes em prover informações sobre precipitações atuais e recentes. No entanto, enfrentamos desafios como a interferência de objetos externos — como torres de energia e formações geográficas — e as incertezas associadas à relação Z-R, originadas da variabilidade da distribuição do tamanho da gota do radar, as quais podem comprometer a precisão das estimativas. Emcontraste, os pluviômetros medem a precipitação in situ, mas sua distribuição desigual e a latência na coleta de dados podem não capturar adequadamente o quadro completo em um período curto, nem detalhar a dinâmica e evolução das tempestades. Pesquisas recentes no campo computacional ressaltam o Aprendizado de Máquina (AM) como uma metodologia promissora na meteorologia, particularmente na estimativa de precipitação. Essa abordagem se distingue dos métodos tradicionais que utilizam a relação Z-R, dada a sua habilidade de processar e analisar variáveis polarimétricas de dados de radar. Neste trabalho, empregamos algoritmos de AM, tais como Random Forest e Gradient Boosting, a fim de obter uma estimativa mais precisa da precipitação. Essa abordagem resultou em informações a cada quinze minutos e com resolução espacial melhorada, integrando dados de radares e pluviômetros. A metodologia híbrida adotada, combinando técnicas de classificação (para identificar padrões de precipitação) e regressão (para quantificar a precipitação), demonstrou ser eficaz na melhoria das estimativas de precipitação. A aplicação de AM na meteorologia é justificada pela sua capacidade de discernir padrões complexos e sutilezas em variáveis meteorológicas, essenciais para incrementar a precisão das previsões. Os resultados sugerem uma melhoria significativa nas estimativas de precipitação, ressaltando o potencial do AM para contribuir com análises meteorológicas mais precisas e confiáveis, abrindo caminho para futuras investigações na área

Abstract: We employed Quantitative Precipitation Estimation (QPE) from weather radars as a key component in developing resilient communications against weather, water, and land-related disasters. Enhancing these estimates improves the accuracy of forecasts for various applications such as immediate flood prediction, hydroelectric power management, agricultural practices, and other socioeconomic sectors reliant on reliable rainfall data. Weather radars, with their high spatial and temporal resolution, provide current and recent precipitation information effectively. However, challenges such as interference from obstacles and uncertainties in the Z-R relationship can affect estimate precision. Conversely, rain gauges measure precipitation in situ, but their uneven distribution and data collection latency may not fully capture the immediate and detailed storm dynamics. Recent computational research highlights Machine Learning (ML) as a promising approach in meteorology, especially in precipitation estimation. This method stands out from traditional Z-R-based methods due to its capability to process and analyze radar’s polarimetric variable data. In this study, we utilized ML algorithms like Random Forest and Gradient Boosting to achieve more accurate precipitation estimates, providing enhanced spatial resolution and frequent updates by integrating radar and rain gauge data. The developed hybrid methodology– combining classification techniques to identify precipitation patterns and regression to quantify it– proved effective in improving estimates. The application of ML in meteorology is justified by its capacity to discern complex patterns in meteorological variables, crucial for enhancing forecast precision. Our results indicate a significant improvement in precipitation estimates, underlining ML’s potential for more accurate and reliable meteorological analysis, paving the way for future research in the aplications of weather radars