Opportunistische Nutzung von Niederschlagssensordaten zur Verbesserung der Niederschlagsschätzungen

Genaue Niederschlagsabschätzungen mit hoher räumlicher und zeitlicher Auflösung sind für Anwendungen im Bereich der städtischen Entwässerung unerlässlich, und wenn Wetterradardaten an Bodenbeobachtungen angepasst werden, haben sie Potenzial für diese Anwendungen.

Die Dichte meteorologischer Regenmesser zur Justierung ist jedoch oft gering und räumlich ungleichmäßig verteilt. Opportunistische Niederschlagssensoren liefern zwar eine höhere Dichte an Bodenmessungen, die Genauigkeit der einzelnen Stationen ist jedoch häufig reduziert oder unbekannt. Diese Arbeit demonstriert die Zusammenführung von Daten aus Wetterradar, privaten Wetterstationen und kommerziellen Mikrowellenverbindungen zu einem integrierten Niederschlagsprodukt. Die Zusammenführung opportunistischer Niederschlagsmessungen verbessert die Genauigkeit der Messungen mithilfe eines Qualitätskontrollalgorithmus. In dieser Studie zeigen wir, dass die Genauigkeit der Niederschlagsmessungen durch die Zusammenführung opportunistischer Niederschlagsdaten und Wetterradardaten im Vergleich zur Genauigkeit der einzelnen Niederschlagsprodukte ohne Zusammenführung signifikant verbessert wird. Für die täglich akkumulierten, zusammengeführten Niederschlagsprodukte werden Nash-Sutcliffe-Effizienzwerte (NSE) von bis zu 0,88 erzielt, während die NSE-Werte der einzelnen Niederschlagsprodukte zwischen −7,44 und 0,65 liegen. Ähnliche Tendenzen zeigen sich auch für die Werte des mittleren quadratischen Fehlers (RMSE). Für die Zusammenführung von Wetterradar- und opportunistischen Niederschlagsdaten wird ein neuartiger Ansatz vorgestellt: die „Moving Median Bias Adjustment“. Mit diesem Ansatz lässt sich ein leistungsstarkes Niederschlagsprodukt unabhängig von herkömmlichen, hochqualitativen Regenmessern ableiten, die in dieser Studie lediglich zur unabhängigen Validierung verwendet werden. Darüber hinaus wird gezeigt, dass durch die Zusammenführung von Daten auf sub-täglicher Ebene präzise Niederschlagsschätzungen erzielt werden können, was die Bedeutung dieser Zusammenführung für Nowcasting- und Echtzeitanwendungen unterstreicht.