Enhancing quantitative precipitation estimation over Vietnam through stacked random forest models using satellite multispectral data.

La precipitazione è un processo fondamentale per la vita sulla Terra, e con i cambiamenti climatici, si prevede un aumento delle piogge intense. Il nostro studio ambisce a migliorare l’accuratezza delle stime pluviometriche in Vietnam, basate su dati satellitari attraverso metodi di apprendimento automatico. Mediante l’uso dell’algoritmo Random Forest, abbiamo elaborato un modello che integra dati provenienti dal satellite geostazionario FengYun-4A con quelli dei radar terrestri. Questo approccio sfrutta sia i valori diretti dei canali che le differenze dei canali infrarossi, oltre a combinazioni spazio-temporali di pixel adiacenti, per stimare vari gradi di precipitazione. Abbiamo inoltre utilizzato l'altitudine data la sua relazione inversa con l'intensità della pioggia. L'algoritmo, ottimizzato per il giorno e la notte, è stato calibrato su una griglia di di 4 km e con passi temporali di 1 ora durante il mese di ottobre 2020. La nostra metodologia inizia identificando i pixel con e senza pioggia, avanza per classificare varie classi d’intensità di precipitazione e infine effettua una regressione all’interno di ogni classe. Durante la valutazione delle prestazioni, gli output del nostro modello sono stati confrontati con le misurazioni dei pluviometri e altri prodotti regionali di precipitazione. I risultati hanno evidenziato una tendenza del modello a favorire dati spaziali piuttosto che valori di canali isolati. Oltre alle combinazioni di canali infrarossi, il nostro modello sembra prediligere alcuni canali visibili durante il giorno. La validazione mostra che le capacità del nostro modello sono superiori ai prodotti pluviometrici ottenuti dai geostazionari. Nonostante ciò, ci sono difficoltà nella classificazione di eventi di pioggia estrema e le regressioni appiattiscono la distribuzione della pioggia verso i valori medi. Per creare un modello di stima delle precipitazioni preciso e ad alta risoluzione ulteriori affinamenti sono necessari.