Estimación de precipitación en base a imágenes satelitales en infrarrojo utilizando redes neuronales profundas

SERGIO GONZALEZ; RUIZ JUAN; PABLO NEGRI

Buenos Aires

Congreso; XIV Congreso Argention de Meteorologia; 2022

Centro Argentino de Meteorologos

Para complementar las redes pluviométricas se desarrollaron diferentes métodos queaprovechan el potencial de los sensores remotos para obtener estimaciones de la tasa deprecipitación (PP) en diferentes escalas de tiempo y espacio (e.g. Joyce et al. 2004; Huffmanet al. 2015). Estos métodos se basan en las complejas relaciones que existen entre la radianciamedida por diferentes sensores en infrarrojo (IR) y en microondas, y la PP.Actualmente, se están incorporando nuevas técnicas que usan el potencial delaprendizaje automático para modelar la relación entre radianzas y precipitación. Estastécnicas permiten extraer información de manera más eficiente de los datos provistos por lossensores remotos, incorporando aspectos relacionados con la forma y tamaño de los sistemasprecipitantes, aspectos que son difíciles de considerar en los algoritmos tradicionales. Enparticular, modelos basados en redes generativas antagónicas como el PrecipGAN (Wang etal. 2021) permitieron obtener estimaciones basadas exclusivamente en imágenes satelitalesinfrarrojas, con una precisión muy superior a la de los métodos existentes.Este trabajo propone utilizar datos satelitales en el rango del IR con alta frecuenciatemporal (10 minutos) provistos por el Geostationary Operational Environmental Satellite-16(GOES-16) para desarrollar un método de estimación de precipitación basado en redesneuronales. La red neuronal es entrenada teniendo como función objetivo las estimaciones deprecipitación obtenidas a partir del radar a bordo del satélite Global Precipitation Mission(GPM). Adicionalmente, se evalúa su desempeño respecto del algoritmo de estimacióncuantitativa de precipitación del satélite GOES-16 (GOES-QPE, Kuligowski et al. 2016).