Des estimations précises des précipitations avec une résolution spatio-temporelle élevée sont essentielles pour les applications de drainage urbain et, si elles sont ajustées aux observations au sol, les données du radar météorologique ont du potentiel pour ces applications.
La densité des pluviomètres météorologiques pour l'ajustement est cependant souvent faible et non uniformément répartie dans l'espace. Les capteurs de précipitations opportunistes fournissent une densité accrue d'observations au sol, mais souvent avec une précision réduite ou inconnue pour chaque station. Cet article démontre la fusion de données provenant de radars météorologiques, de stations météorologiques personnelles et de liaisons hertziennes commerciales en un produit pluviométrique intégré. La fusion des estimations de précipitations opportunistes améliore la précision des observations grâce à un algorithme de contrôle qualité. Dans cette étude, nous montrons que la précision des estimations de précipitations est significativement améliorée par la fusion des données de précipitations opportunistes et des données de radar météorologique, comparativement à la précision de chaque produit pluviométrique sans fusion. Des valeurs d'efficacité Nash-Sutcliffe (NSE) allant jusqu'à 0,88 sont obtenues pour les produits pluviométriques combinés cumulés quotidiennement, tandis que les valeurs NSE des produits pluviométriques individuels varient de −7,44 à 0,65, et des tendances similaires sont observées pour les valeurs de l'erreur quadratique moyenne (RMSE). Pour fusionner les données radar météorologique et les données pluviométriques opportunistes, une nouvelle approche, l'« 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 dans cette étude uniquement pour une validation indépendante. De plus, il est démontré que des estimations pluviométriques précises peuvent être obtenues par fusion infra-journalière, soulignant l'importance de cette fusion pour les applications de prévision immédiate et en temps quasi réel.
Date de publication : 16 mai 2024