Estimando la Precipitación Usando un Espectro de Gotas de Lluvia Basado en LSTM en Guizhou
Autores: Wang, Fuzeng; Cao, Yaxi; Wang, Qiusong; Zhang, Tong; Su, Debin
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Estimando la Precipitación Usando un Espectro de Gotas de Lluvia Basado en LSTM en Guizhou
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Características del espectro de gotas de lluvia
Estimación de precipitación
Distribución del tamaño de las gotas de lluvia
Coeficientes de correlación
Método de red neuronal LSTM
Precipitación acumulada
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
El cambio en las características del espectro de gotas de lluvia es un factor importante que afecta la precisión de las estimaciones de precipitación. El estudio en profundidad de las características del espectro de gotas de lluvia es de gran interés para comprender el proceso de precipitación y mejorar la estimación cuantitativa de la precipitación por radar. En este documento, se analizaron las distribuciones de tamaño de gotas de lluvia en las estaciones de Longli (57913), Puding (57808) y Luodian (57916) en Guizhou desde la perspectiva de las características microfísicas de la precipitación. Los resultados mostraron que la distribución del tamaño de las gotas de lluvia era diferente entre las distintas regiones. Los coeficientes de correlación del diámetro promedio ponderado por masa para las intensidades de lluvia en estas tres estaciones fueron del 46.89%, 49.51% y 47.03%, respectivamente, que fueron ligeramente inferiores a los coeficientes de correlación normales del diámetro promedio por volumen para las intensidades de lluvia: 67.80%, 71.28% y 71.46%, respectivamente. Basado en los datos del radar meteorológico de Guiyang, el espectrómetro de gotas de lluvia y el pluviómetro automático, se utilizaron el método dinámico de relación Z-I y el método de red neuronal LSTM para estimar la precipitación. Los coeficientes de correlación del método dinámico de relación Z-I y del método de red neuronal LSTM en las tres estaciones estudiadas fueron 0.8432, 0.7763 y 0.8658 y 0.8745, 0.9125 y 0.8676, respectivamente. En cuanto al proceso de precipitación de nubes estratiformes, los coeficientes de correlación del método dinámico de relación Z-I y del método de red neuronal LSTM en las tres estaciones fueron 0.6933, 0.0902 y 0.1409 y 0.7114, 0.4984 y 0.4902, respectivamente. En la estimación de la precipitación acumulada durante 45 días desde el 1 de julio hasta el 16 de agosto de 2020, los errores relativos de la estimación de la red neuronal en las tres estaciones fueron -4.25%, -11.35% y -8.68% y los errores relativos de la estimación de la relación dinámica Z-I fueron -2.68%, -7.41% y -21.23%, respectivamente. El error relativo final de la red neuronal fue ligeramente peor que el de la relación dinámica Z-I en las estimaciones de precipitación acumulada de la estación Longli y la estación Puding, pero los coeficientes de correlación generales del método de red neuronal LSTM fueron mejores que los del método de relación dinámica Z-I.
Descripción
El cambio en las características del espectro de gotas de lluvia es un factor importante que afecta la precisión de las estimaciones de precipitación. El estudio en profundidad de las características del espectro de gotas de lluvia es de gran interés para comprender el proceso de precipitación y mejorar la estimación cuantitativa de la precipitación por radar. En este documento, se analizaron las distribuciones de tamaño de gotas de lluvia en las estaciones de Longli (57913), Puding (57808) y Luodian (57916) en Guizhou desde la perspectiva de las características microfísicas de la precipitación. Los resultados mostraron que la distribución del tamaño de las gotas de lluvia era diferente entre las distintas regiones. Los coeficientes de correlación del diámetro promedio ponderado por masa para las intensidades de lluvia en estas tres estaciones fueron del 46.89%, 49.51% y 47.03%, respectivamente, que fueron ligeramente inferiores a los coeficientes de correlación normales del diámetro promedio por volumen para las intensidades de lluvia: 67.80%, 71.28% y 71.46%, respectivamente. Basado en los datos del radar meteorológico de Guiyang, el espectrómetro de gotas de lluvia y el pluviómetro automático, se utilizaron el método dinámico de relación Z-I y el método de red neuronal LSTM para estimar la precipitación. Los coeficientes de correlación del método dinámico de relación Z-I y del método de red neuronal LSTM en las tres estaciones estudiadas fueron 0.8432, 0.7763 y 0.8658 y 0.8745, 0.9125 y 0.8676, respectivamente. En cuanto al proceso de precipitación de nubes estratiformes, los coeficientes de correlación del método dinámico de relación Z-I y del método de red neuronal LSTM en las tres estaciones fueron 0.6933, 0.0902 y 0.1409 y 0.7114, 0.4984 y 0.4902, respectivamente. En la estimación de la precipitación acumulada durante 45 días desde el 1 de julio hasta el 16 de agosto de 2020, los errores relativos de la estimación de la red neuronal en las tres estaciones fueron -4.25%, -11.35% y -8.68% y los errores relativos de la estimación de la relación dinámica Z-I fueron -2.68%, -7.41% y -21.23%, respectivamente. El error relativo final de la red neuronal fue ligeramente peor que el de la relación dinámica Z-I en las estimaciones de precipitación acumulada de la estación Longli y la estación Puding, pero los coeficientes de correlación generales del método de red neuronal LSTM fueron mejores que los del método de relación dinámica Z-I.