La estimación precisa de la precipitación es crucial para la modelización hidrológica y la gestión de recursos hídricos, especialmente en regiones áridas y con escasez de datos como los EAU. Este estudio presenta un marco de fusión de datos impulsado por IA para mejorar las estimaciones de lluvia basadas en satélites, integrando tres productos de precipitación satelital ampliamente utilizados, incluidos CMORPH, IMERG y GSMaP, con observaciones terrestres. Utilizando datos de lluvia de 38 estaciones de gauge en todo los EAU, se emplearon cuatro modelos de aprendizaje automático (ML), incluidos la Red Neuronal, el Perceptrón de Capa Única, la Máquina de Soporte Vectorial y la Regresión Logística, para fusionar los conjuntos de datos satelitales. Se implementó un enfoque de ensamblaje apilado para consolidar las fortalezas de los modelos individuales y producir un producto de precipitación refinado. La evaluación del modelo involucró medidas estadísticas (por ejemplo, RMSE, MAE, Coeficiente de Correlación), índices categóricos (POD, FAR, CSI) e índices climáticos extremos (Rx1day y R20mm). El modelo de ensamblaje demostró un rendimiento superior, mejorando el CC a 0.89 y reduciendo el RMSE y MAE en un 33% y un 40%, respectivamente. El modelo también capturó eventos de lluvia extrema de manera más confiable, con mejoras del 25% para Rx1day y del 20% para R20mm. El análisis de importancia de características identificó la irradiancia de onda corta en la superficie y la temperatura mínima como predictores clave de la variabilidad de la lluvia. Esta investigación destaca el potencial de integrar IA con conjuntos de datos satelitales y climáticos a gran escala para refinar las estimaciones de precipitación. El enfoque propuesto es escalable y transferible a otras regiones áridas, ofreciendo aplicaciones valiosas en la previsión de inundaciones, el monitoreo de sequías y la planificación de resiliencia climática.
Elkollaly et al. (Tue,) estudiaron esta cuestión.