Des estimations précises des précipitations avec une haute résolution spatio-temporelle sont essentielles pour les applications de drainage urbain, et, si elles sont ajustées aux observations au sol, les données des radars météorologiques présentent un potentiel pour ces applications.
La densité des pluviomètres météorologiques utilisés pour l'étalonnage est souvent faible et leur répartition spatiale non uniforme. Les capteurs de précipitations opportunistes offrent une densité accrue d'observations au sol, mais leur précision est souvent réduite, voire inconnue, pour chaque station. Cet article présente la fusion de données issues de radars météorologiques, de stations météorologiques personnelles et de liaisons micro-ondes commerciales en un produit de précipitations intégré. La fusion des estimations de précipitations opportunistes améliore la précision des observations grâce à un algorithme de contrôle qualité. Cette étude montre que la précision des estimations de précipitations est significativement améliorée par la fusion des données de précipitations opportunistes et des données radar météorologiques, comparativement à la précision de chaque produit pris individuellement. Des valeurs d'efficacité de Nash-Sutcliffe (NSE) atteignant 0,88 sont obtenues pour les produits de précipitations cumulées journalières fusionnées, tandis que les valeurs NSE des produits individuels varient de -7,44 à 0,65. Des tendances similaires sont observées pour les valeurs de l'erreur quadratique moyenne (RMSE). Pour la fusion des données radar météorologiques et des données pluviométriques opportunistes, une approche novatrice, appelée « ajustement du biais par médiane mobile », est présentée. Grâce à cette approche, un produit pluviométrique performant est obtenu indépendamment des pluviomètres conventionnels de haute qualité, utilisés ici uniquement à des fins de validation indépendante. De plus, il est démontré que des estimations précises des précipitations peuvent être obtenues par fusion à l'échelle infra-journalière, soulignant ainsi l'importance de cette fusion pour la prévision immédiate et les applications en temps quasi réel.
Date de publication : 16 mai 2024
