Kombination der Niederschlagsschätzung von opportunistischen Sensoren und geostationären Satelliten

Description: Der Umsetzungsplan der COP27 enthält eine sehr klare Aussage. "Ein Drittel der Welt, darunter 60% von Afrika, hat keinen Zugang zu Frühwarn- und Klimainformationsdiensten". Dies gilt vor allem für niederschlagsbezogene Warnungen. Der Grund dafür ist das fast vollständige Fehlen von Wetterradaren auf in Afrika und die mangelnde Dichte von Niederschlagsmessstationen. Im Gegensatz dazu sind geostationäre Satelliten (GEOsat) und potentiell auch kommerzielle Richtfunkstrecken (CML) und Satelliten-Mikrowellenverbindungen (SML) nahezu in Echtzeit verfügbar und können zur Niederschlagsschätzung verwendet werden. Die quantitative Niederschlagsschätzung (QPE) aus GEOsat-Daten ist jedoch aufgrund der indirekten Beziehung zwischen der Niederschlagsmenge und den tatsächlichen Messungen, die im sichtbaren und infraroten Spektrum durchgeführt werden, eine Herausforderung. Für die QPE aus SML- und CML-Daten, insbesondere auf der Grundlage groß angelegter CML-Studien in Europa, wurde gezeigt, dass sie mit der QPE aus Radar- und Regenmessern gleichwertig sein kann. In Ermangelung von Referenzdaten, wie es in Entwicklungsländern häufig der Fall ist, sind die bestehenden maßgeschneiderten semi-empirischen Prozessierungsmethoden jedoch oft nicht direkt anwendbar. GEOsat-Daten haben das Potenzial, die CML/SML-Prozessierung in diesen Regionen zu unterstützen, und umgekehrt könnte die CML/SML-QPE zur Anpassung der GEOsat-QPE verwendet werden. Das übergeordnete Ziel des Projekts MERGOSAT ist daher die Entwicklung neuartiger Methoden zur Erstellung verbesserter Echtzeit-Niederschlagskarten für datenarme Regionen durch eine Kombination von GEOsat-Daten und CML/SML-QPE. Um dieses Ziel zu erreichen, werden wir uns auf drei Aspekte konzentrieren: 1) Schaffung einer Grundlage für allgemeinere CML/SML-QPE-Modelle durch Verbesserung des Verständnisses der Prozesse die die EM-Ausbreitung von CML und SML beeinflussen. 2) Entwicklung geeigneter CML/SML-QPE-Modelle, die in datenarmen Regionen anwendbar sind, aufbauend auf den neuen Erkenntnissen über WAA und DSD und unter innovativer Nutzung von GEOsat-Daten. 3) Verbesserung der GEOsat-QPE mit DeepLearning-Methoden und Entwicklung eines neuen Verfahrens, das die Zusammenführung mit CML/SML-Daten mit sub-stündlicher Auflösung ermöglicht. Wir werden unsere Forschung auf unser umfangreiches Archiv von CML-Daten, auch aus Afrika, und die zunehmende Verfügbarkeit von SML-Daten stützen. Zusätzliche Daten aus Feldexperimenten werden mit modernsten Simulationen der EM-Ausbreitung kombiniert. Darüber hinaus werden wir neueste Techniken des DeepLearnings und unsere Hochleistungs-Recheninfrastruktur nutzen. In Kombination mit den erweiterten Fähigkeiten des kürzlich gestarteten MTG GEOsat wird uns dies ermöglichen, unsere Ziele erfolgreich anzugehen und die methodische Grundlage zu schaffen, die erforderlich ist, um datenarme Regionen mit verbesserten und zuverlässigen Niederschlagsinformationen nahezu in Echtzeit zu versorgen.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Ackerrandstreifen ? Lack ? Radar ? Sensor ? Atmosphärische Wissenschaften ? Hydrogeologie ? Satellit ? Duales System ? Entwicklungsland ? Hydrochemie ? Limnologie ? Siedlungswasserwirtschaft ? Afrika ? Europa ? Informations- und Kommunikationstechnik ? REACH ? Hydrologie ? Communication Networks ? Signal Processing for Information Technology ? Signalverarbeitung für die Informationstechnik ? Urban Water Management ? Water Chemistry ? maschinelles Lernen für die Informationstechnik ? photonische Systeme ? Chemie der Atmosphäre ? High-Frequency Technology ? Hochfrequenztechnik ? Integrated Water Resources Management ? Integrierte Wasserressourcen-Bewirtschaftung ? Kommunikationsnetze ? Machine Learning for Information Technology ? Photonic Systems ? Physik der Atmosphäre ?

Region: Bavaria

Bounding boxes: 11.5° .. 11.5° x 49° .. 49°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Ceske Vysoke Uceni Technicke v Praze (Mitwirkung)
• Czech Science Foundation (Mitwirkung)
• Karlsruher Institut für Technologie (KIT), Institut für Meteorologie und Klimaforschung - Atmosphärische Umweltforschung (Projektverantwortung)
• Technische Universität München, Fakultät für Elektrotechnik und Informationstechnik, Lehrstuhl für Hochfrequenztechnik (Projektverantwortung)
• Umweltbundesamt (Bereitstellung)
• Universität Augsburg, Institut für Geographie, Lehrstuhl für Regionales Klima und Hydrologie (Mitwirkung)

Time ranges: 2024-01-01 - 2025-09-08

Alternatives

• Language: Englisch/English
  Title: Merging of rain rate estimates from opportunistic sensors and geostationary satellites
  Description: The implementation plan of COP27 made a very clear statement. “One third of the world, including sixty per cent of Africa, does not have access to early warning and climate information services”. This is in particular true with regard to rainfall related warnings and climate information. The reason for this is the almost complete absence of weather radars on the African continent and the lacking density of rainfall measurement stations. In contrast, Geostationary satellites (GEOsat) and potentially also commercial microwave links (CMLs) and satellite microwave links (SMLs) are available in near real-time and can be used to derive rainfall estimates. However, quantitative precipitation estimation (QPE) from GEOsat data is challenging due to the very indirect relation between rain rate and the actual measurements which are carried out in the visible and infrared spectrum. For QPE from SML and CML data, in particular based on large-scale CML studies in Europe, it has been shown that it can be on-par with QPE from radar and rain gauges. In the absence of reference data, as it is often the case in developing countries, the existing tailored semi-empirical processing methods lack applicability, though. GEOsat data has the potential to support CML/SML processing in these regions, and vice-versa, CML/SML QPE could be used to adjust GEOsat QPE. The overarching goal of the project MERGOSAT is therefore to develop novel methods for the generation of improved near-real-time rainfall maps for data-scarce regions via a combination of data from GEOsat and opportunistic ground-based sensors, namely CMLs and SMLs. To reach this goal, we will focus on three different objectives: 1) Create a basis for more generic CML/SML QPE models by improving the understanding of the processes that affect CML and SML EM propagation focusing on wet antenna (WAA) and drop size distribution (DSD), including the distinction between liquid and melting hydrometeors along slanted paths. 2) Develop adequate CML/SML QPE models applicable in data-scarce regions, building on the new insights on WAA and DSD and utilizing GEOsat data in an innovative manner to constrain the models. 3) Improve GEOsat QPE with DeepLearning methods and develop a novel way to allow merging with CML/SML data at sub-hourly resolution. We will base our research on our large archive of CML data, also from Africa, and the increasing availability of SML data. Additional data from new field experiment setups will be combined with cutting edge simulations of EM propagation. In addition we will leverage the newest advancements of DeepLearning in hydrometeorology and our high-performance compute infrastructure. Combined with the extended capabilities of the recently launched Meteosat Third Generation GEOsat, that will allow us to successfully tackle our challenging objectives and produce the methodological basis needed for supplying data-scarce regions with improved near-real-time rainfall information. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1138801

Resources

• Webseite zum Förderprojekt

  https://gepris.dfg.de/gepris/projekt/541482432 (Webseite)

Status

Aktiv

Quality score

• Overall: 0.49
• Findability: 0.62

  • Title: 1.00
  • Description: 0.23
  • Identifier: false
  • Keywords: 0.52
  • 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 2 times.