शहरी जलनिःसारण अनुप्रयोगांसाठी उच्च स्थळ-काळ सुस्पष्टतेसह अचूक पर्जन्यमानाचे अंदाज अत्यावश्यक आहेत, आणि जमिनीवरील निरीक्षणांशी जुळवून घेतल्यास, हवामान रडार डेटामध्ये या अनुप्रयोगांसाठी क्षमता आहे.
तथापि, समायोजनासाठी असलेल्या हवामानशास्त्रीय पर्जन्यमापकांची घनता अनेकदा विरळ आणि अवकाशात असमानपणे वितरित असते. संधीसाधू पर्जन्य संवेदक जमिनीवरील निरीक्षणांची वाढीव घनता प्रदान करतात, परंतु अनेकदा प्रत्येक वैयक्तिक स्थानकासाठी त्यांची अचूकता कमी किंवा अज्ञात असते. हा शोधनिबंध हवामान रडार, वैयक्तिक हवामान स्थानके आणि व्यावसायिक मायक्रोवेव्ह लिंक्समधील डेटाचे एकात्मिक पर्जन्य उत्पादनामध्ये विलीनीकरण कसे करावे हे दाखवतो. संधीसाधू पर्जन्य अंदाजांचे विलीनीकरण केल्याने, एका गुणवत्ता नियंत्रण अल्गोरिदमद्वारे संधीसाधू पर्जन्य निरीक्षणांची अचूकता सुधारते, असे दाखवले आहे. या अभ्यासात, आम्ही दाखवतो की विलीनीकरण न करता प्रत्येक पर्जन्य उत्पादनाच्या अचूकतेच्या तुलनेत, संधीसाधू पर्जन्य डेटा आणि हवामान रडार डेटाचे विलीनीकरण केल्याने पर्जन्य अंदाजांची अचूकता लक्षणीयरीत्या सुधारते. दैनंदिन संचित विलीन पर्जन्य उत्पादनांसाठी ०.८८ पर्यंतची नॅश-सटक्लिफ कार्यक्षमता (NSE) मूल्ये प्राप्त झाली आहेत, तर वैयक्तिक पर्जन्य उत्पादनांची NSE-मूल्ये -७.४४ ते ०.६५ पर्यंत आहेत आणि मूळ माध्य वर्ग त्रुटी (RMSE) मूल्यांसाठीही असेच कल दिसून आले आहेत. हवामान रडार आणि संधीसाधू पर्जन्यवृष्टी डेटा एकत्र करण्यासाठी, एक नवीन पद्धत, म्हणजेच “मूव्हिंग मीडियन बायस ॲडजस्टमेंट” सादर केली आहे. ही पद्धत वापरून, पारंपरिक उच्च-गुणवत्तेच्या पर्जन्यमापकांपासून स्वतंत्रपणे एक उच्च-कार्यक्षम पर्जन्यमान उत्पादन मिळवले जाते, ज्यांचा या अभ्यासात केवळ स्वतंत्र पडताळणीसाठी वापर केला जातो. याव्यतिरिक्त, हे दाखवून दिले आहे की उप-दैनिक एकत्रीकरणाद्वारे अचूक पर्जन्यमान अंदाज मिळवता येतात, जे नाऊकास्टिंग आणि नियर रिअल-टाइम ॲप्लिकेशन्समध्ये एकत्रीकरणाचे महत्त्व अधोरेखित करते.
पोस्ट करण्याची वेळ: १६ मे २०२४