వర్షపాత అంచనాలను మెరుగుపరచడానికి యాదృచ్ఛిక వర్షపాత సెన్సార్ డేటా

పట్టణ పారుదల అనువర్తనాలకు అధిక ప్రాదేశిక-కాలిక స్పష్టతతో కూడిన కచ్చితమైన వర్షపాత అంచనాలు అత్యంత కీలకం, మరియు క్షేత్రస్థాయి పరిశీలనలకు అనుగుణంగా సర్దుబాటు చేస్తే, వాతావరణ రాడార్ డేటాకు ఈ అనువర్తనాలలో ఉపయోగపడే సామర్థ్యం ఉంది.

అయితే, సర్దుబాటు కోసం ఉపయోగించే వాతావరణ వర్షమాపకాల సాంద్రత తరచుగా విరళంగా మరియు అంతరిక్షంలో ఏకరీతిగా విస్తరించి ఉండదు. యాదృచ్ఛిక వర్షపాత సెన్సార్లు భూమిపై పరిశీలనల సాంద్రతను పెంచుతాయి, కానీ ప్రతి ఒక్క స్టేషన్‌కు వాటి కచ్చితత్వం తక్కువగా లేదా తెలియకుండా ఉంటుంది. ఈ పత్రం వాతావరణ రాడార్, వ్యక్తిగత వాతావరణ కేంద్రాలు మరియు వాణిజ్య మైక్రోవేవ్ లింక్‌ల నుండి డేటాను ఒక సమీకృత వర్షపాత ఉత్పత్తిగా విలీనం చేయడాన్ని ప్రదర్శిస్తుంది. యాదృచ్ఛిక వర్షపాత అంచనాలను విలీనం చేయడం ద్వారా, ఒక నాణ్యత నియంత్రణ అల్గారిథమ్ ద్వారా యాదృచ్ఛిక వర్షపాత పరిశీలనల కచ్చితత్వం మెరుగుపడుతుందని చూపబడింది. ఈ అధ్యయనంలో, విలీనం చేయకుండా ప్రతి వర్షపాత ఉత్పత్తి యొక్క కచ్చితత్వంతో పోల్చినప్పుడు, యాదృచ్ఛిక వర్షపాత డేటా మరియు వాతావరణ రాడార్ డేటాను విలీనం చేయడం ద్వారా వర్షపాత అంచనాల కచ్చితత్వం గణనీయంగా మెరుగుపడిందని మేము చూపిస్తున్నాము. రోజువారీగా సేకరించిన విలీన వర్షపాత ఉత్పత్తుల కోసం 0.88 వరకు నాష్-సట్‌క్లిఫ్ సామర్థ్యం (NSE) విలువలు పొందబడ్డాయి, అయితే వ్యక్తిగత వర్షపాత ఉత్పత్తుల NSE-విలువలు −7.44 నుండి 0.65 వరకు ఉంటాయి మరియు రూట్ మీన్ స్క్వేర్డ్ ఎర్రర్ (RMSE) విలువలకు కూడా ఇలాంటి ధోరణులే గమనించబడ్డాయి. వాతావరణ రాడార్ మరియు యాదృచ్ఛిక వర్షపాత డేటాను విలీనం చేయడానికి, "మూవింగ్ మీడియన్ బయాస్ అడ్జస్ట్‌మెంట్" అనే ఒక నూతన విధానం ప్రదర్శించబడింది. ఈ విధానాన్ని వర్తింపజేయడం ద్వారా, సాంప్రదాయ అధిక-నాణ్యత వర్షమాపకాలతో సంబంధం లేకుండా ఒక అధిక-పనితీరు గల వర్షపాత ఉత్పత్తి ఉద్భవించింది; ఈ అధ్యయనంలో ఈ వర్షమాపకాలను కేవలం స్వతంత్ర ధృవీకరణ కోసం మాత్రమే ఉపయోగించారు. అదనంగా, ఉప-రోజువారీ విలీనం ద్వారా కచ్చితమైన వర్షపాత అంచనాలను పొందవచ్చని నిరూపించబడింది, ఇది నౌకాస్టింగ్ మరియు దాదాపు నిజ-సమయ అనువర్తనాలలో విలీనం యొక్క ప్రాముఖ్యతను నొక్కి చెబుతుంది.