تصحيح الانحياز في تقدير هطول الأمطار بواسطة الأقمار الصناعية باستخدام الشبكات العصبية العميقة والمعلومات التضاريسية في غرب الولايات المتحدة.

ملخص لقد حازت منتجات هطول الأمطار المستندة إلى الأقمار الصناعية على شهرة بين الباحثين بسبب فائدتها في الدراسات الهيدرولوجية. تتوفر عدة منتجات من هطول الأمطار على شكل شبكة تغطي العالم، مثل استرجاعات الأقمار الصناعية المتكاملة لـ GPM (IMERG) وعائلة المنتجات الخاصة بتقدير الهطول من المعلومات المستشعرة عن بُعد باستخدام الشبكات العصبية الاصطناعية (PERSIANN)، على مستوى عالمي. ومع ذلك، قد تختلف دقة هذه المنتجات بسبب خوارزميات الاسترجاع أو المواقع الجغرافية. تم تنفيذ العديد من تقنيات التصحيح، وأثبتت تقنيات التعلم الآلي، وخاصة الشبكات العصبية العميقة، أنها الأكثر فعالية في تحسين تقدير الهطول. يهدف هذا البحث إلى دراسة أداء منتج معدل معدل هطول الأمطار بالأشعة تحت الحمراء الديناميكي من PERSIANN في غرب الولايات المتحدة وتقييم فعالية ثلاثة نماذج تعلم عميقة، بما في ذلك U-Net و Efficient-UNet وشبكة الخصوم التوليدية الشرطية (cGAN) في تصحيح الانحيازات الموجودة في المنتج. من المتوقع أن تكون النماذج المطورة أكثر دقة من الطرق التقليدية، حيث تتضمن معلومات الارتفاع الرقمي ويمكنها حل التعزيزات التضاريسية المعقدة في عمليات الهطول. ستساهم هذه الإضافة في تخفيف الانحياز المرتبط بمنتجات SPP، مما يمكّن التطبيقات المحتملة في إدارة موارد المياه. أظهرت النتائج أن النتائج المصححة، باستخدام نماذج Efficient-UNet و cGAN، قد تجاوزت منتج PDIR-Now الأصلي ونموذج U-Net عبر مقاييس إحصائية وفئوية مختلفة على مقاييس زمنية مختلفة. سيساهم هذا النظام لتصحيح الانحياز في تعزيز تقييم وفهم أنماط الهطول ويمكن استخدامه لتحسين جودة تقديرات الهطول في مناطق أخرى.