Räumliche Niederschlagsschätzung mit verbesserten Messungen durch Richtfunkstrecken und statistischer Datenfusion

Description: Mit der Steigerung der Rechenleistung, mathematischer Modellierung und satellitengestützter Fernerkundung der Erdoberfläche sind Niederschlagsbeobachtungen nach wie vor eines der schwächsten Glieder in der Beschreibung und im Verständnis des Wasserkreislaufs der Erde. Niederschlagsbeobachtungen sind jedoch eine wesentliche Voraussetzung für das Wassermanagement und insbesondere für die Hochwasserprognose. Dies ist besonders kritisch im Angesicht des Klimawandels und der durch den Menschen verursachten hydrologischen Veränderungen, z.B. aufgrund der raschen Urbanisierung . Opportunistische Sensoren können die räumliche und zeitliche Auflösung von Standard-Niederschlagsmessnetzen erheblich verbessern, indem sie mit Messungen von Geräten ergänzt wird, die ursprünglich nicht für die Niederschlagsmessung vorgesehen waren. Ein Beispiel dafür ist die Verwendung von Dämpfungsdaten kommerzieller Richtfunkstrecken (engl. CMLs) aus Mobilfunknetzen. Im Rahmen dieses trilateralen Projekts zwischen UniA, TUM und CTU werden wir verbesserte Methoden entwickeln, um Niederschlagsraten aus CML-Daten abzuschätzen und mit Radardaten, unter Berücksichtigung spezifischer Beobachtungsunsicherheiten zu kombinieren. Die CML-Niederschlagsschätzung wird durch die Entwicklung eines neuen Kompensationsalgorithmus zur Bestimmung der Dämpfung durch den 'wet-antenna attenuation' (WAA) Effekt verbessert. Dies wird erreicht, indem Erkenntnisse aus einem speziellen Mikrowellentransmissions-Feldexperiment und Labormessungen (durchgeführt durch TUM) mit Daten aus kurzen CMLs (von CTU bereitgestellt) kombiniert werden. Darüber hinaus wird das Potenzial zur Nutzung der von benachbarten CMLs in dichten Netzwerken gebotenen Diversität untersucht (durch CTU). Darüber hinaus werden das Potenzial und die Herausforderungen der CML-Niederschlagsschätzung im aufkommenden E-Band mit CML-Daten (von CTU bereitgestellt) und mittels Labormessungen (an der TUM) untersucht. Verbesserte räumliche Niederschlagsfelder werden durch das Zusammenführen von CML- und Wetterradardaten unter Verwendung des statistischen Ansatzes Random-Mixing (RM) bereitgestellt, für den eine Erweiterung (von UniA) entwickelt wird, um Beobachtungsunsicherheiten zu berücksichtigen. Es werden Methoden entwickelt, um diese Unsicherheiten sowohl für CML- als auch für Radardaten abzuschätzen. Das erweiterte RM wird dann angewendet, um einen einzigartigen grenzüberschreitenden CML- und Radardatensatz (von UniA und CTU bereitgestellt) sowie einen Datensatz von Wetterradar und dichtem städtisches CML-Netzwerk in der Stadt Prag zusammenzuführen.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Niederschlagshöhe ? Hochwasserprognose ? Prag ? Sensor ? Hydrogeologie ? Urbanisierung ? Hydrochemie ? Limnologie ? Siedlungswasserwirtschaft ? Wasserkreislauf ? Stadt ? Modellierung ? Mobilfunk ? Satellitenfernerkundung ? Diversität ? Erdoberfläche ? Hydrologie ? Klimawandel ? Niederschlag ? Integrierte Wasser-Ressourcen Bewirtschaftung ?

Region: Bayern

Bounding boxes: 12.53381° .. 12.53381° x 47.795° .. 47.795°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Czech Science Foundation (Mitwirkende)
• Deutsche Forschungsgemeinschaft (Geldgeber*in)
• Karlsruher Institut für Technologie (KIT), Institut für Meteorologie und Klimaforschung - Atmosphärische Umweltforschung (Mitwirkende)
• Technische Universität München, Fakultät für Elektrotechnik und Informationstechnik, Lehrstuhl für Hochfrequenztechnik (Mitwirkende)
• Technische Universität Praha (Mitwirkende)
• Umweltbundesamt (Bereitsteller*in)
• Universität Augsburg, Institut für Geographie, Lehrstuhl für Regionales Klima und Hydrologie (Betreiber*in)

Time ranges: 2019-01-01 - 2025-06-30

Alternatives

• Language: Englisch/English
  Title: Spatial rainfall estimates using improved observations from commercial microwave links and statistical data fusion
  Description: With advancement of computational power, mathematical modelling and satellite-based remote sensing of Earth's surface, it is rainfall observations that remain one of the weakest links in the description and understanding of earth's water cycle. Rainfall observations are a key requirement for water management and in particular for flood forecasting, though. This is especially critical in the face of climate change and human-induced hydrologic changes, e.g. due to rapid urbanisation. Opportunistic sensing can greatly improve spatial and temporal resolution of standard precipitation monitoring networks by complimenting them with measurements from devices originally not intended for precipitation monitoring, such as commercial microwave links (CMLs) from cellular networks. Within this trilateral project between UniA, TUM and CTU, we will develop improved methods for estimating rainfall from CMLs and for merging it with radar data, taking into account specific observational uncertainties. CML rainfall estimation will be improved by developing a new compensation algorithm for the wet antenna attenuation effect. This will be achieved by using insights from a dedicated microwave transmission field experiments and from supporting lab measurements (done by TUM) in combination with data from short CMLs (provided by CTU). In addition, the potential of exploiting the diversity provided by neighbouring CMLs in dense networks will be investigated (by CTU). Furthermore the potential and challenges of CML rainfall estimation in the emerging E-Band will be studied with CML data (provided by CTU) and via lab measurements (carried out at TUM). Improved spatial rainfall fields will be provided by merging CML and weather radar data using the statistical approach Random-Mixing (RM) for which an extension will be developed (by UniA) to account for observational uncertainties. Methods will be developed to estimate these uncertainties for both CML and radar data. The extended RM is then applied to merge a unique transboundary CML and radar dataset (provided by UniA and CTU), as well as a dataset from weather radar and a dense urban CML network in the city of Prague. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1083668

Resources

• Webseite zum Förderprojekt

  https://gepris.dfg.de/gepris/projekt/432287169 (Webseite)

Status

Aktiv

Quality score

• Overall: 0.46
• Findability: 0.52

  • Title: 0.00
  • Description: 0.19
  • Identifier: false
  • Keywords: 0.95
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.