Fusión de registros de precipitación de múltiples fuentes a través de modelos generativos basados en coordenadas

Área de la Ciencia:

• Ciencia climática
• Fusión de datos
• Aprendizaje automático

Sus antecedentes:

• La observación y predicción de la precipitación son desafiantes debido a las limitaciones de los datos.
• Los pluviómetros son precisos pero escasos; los satélites ofrecen cobertura con incertidumbres; los modelos son consistentes pero sesgados.

Objetivo del estudio:

• Presentar PRIMER, un marco novedoso para la fusión de datos de precipitación de múltiples fuentes.
• Mejorar la precisión y confiabilidad de los conjuntos de datos de precipitación.

Principales métodos:

• PRIMER utiliza un modelo de difusión basado en coordenadas para la fusión de datos.
• Un proceso de entrenamiento en dos etapas aprende patrones a gran escala y los refina con datos de pluviómetros.
• El muestreo posterior integra los registros fusionados para el análisis.

Principales resultados:

• PRIMER reduce significativamente los errores en los conjuntos de datos de precipitación existentes en los sitios de los pluviómetros.
• El marco reduce con éxito la escala de los datos de reanálisis y de escenarios climáticos futuros.
• Se generaliza para corregir los sesgos de pronóstico operativo sin reentrenamiento.

Conclusiones:

• PRIMER transforma datos imperfectos de múltiples fuentes en una fortaleza para mejorar el análisis de la precipitación.
• Este enfoque de fusión de datos ofrece una herramienta poderosa para la investigación y predicción climática.