Satellite precipitation prediction using GOES-16 data and Convolutional Neural Networks
Loading...
Date
2024-09-30
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca
Abstract
Real-time precipitation information is critical for effective basin monitoring and responding to hazardous events like storms, floods, and landslides. In regions with a complex topography and limited ground-based measurements, reliable real-time data is scarce, hindering decision-making. Satellite Precipitation Products (SPPs) have emerged as valuable data to overcome these limitations, offering precipitation estimates in instances where information is either insufficient or unavailable. Despite their utility, SPPs are constrained by latency, typically spanning several hours. Latency causes the omission of possible precipitation events during this interval. This study addresses the latency gap challenge by developing a model that predicts near-instantaneous IMERG-ER SPP using a U-Net-based Convolutional Neural Network (CNN) and infrared data from the GOES-16 geostationary satellite. Five years of hourly data (2019-2023) were used, with the first four for training and the last year for testing. The used band combination was 6.2, 6.9, 7.3, 8.4, and 11.2 μm wavelengths. The model yielded predicted SPPs with an approximate latency of 11 minutes, exhibiting an RMSE of 0.46 mm/h, a Pearson Correlation Coefficient of 0.60, a bias of -0.007 mm/h, and a Critical Success Index of 0.53. While the model performed well in predicting frequent low-intensity precipitation, it struggled with high-intensity values. These shortcomings can be attributed to data imbalance and model regularization procedures. The results highlight the potential of the proposed approach for providing a timely spatial precipitation prediction, particularly in regions where ground-based data is scarce.
Resumen
La información de precipitación en tiempo real es crucial para la vigilancia de cuencas y la respuesta ante fenómenos peligrosos como tormentas, inundaciones y deslizamientos. En regiones con topografía compleja y mediciones terrestres limitadas, la falta de datos en tiempo real dificulta la toma de decisiones. Los Productos de Precipitación por Satélite (SPP) ofrecen estimaciones valiosas en estos casos, aunque suelen estar limitados por una latencia de varias horas. Esta latencia puede provocar la omisión de eventos de precipitación. Este estudio aborda dicha brecha desarrollando un modelo basado en una red neuronal convolucional (CNN) U-Net y datos infrarrojos del satélite GOES-16, que predice de manera casi instantánea el SPP IMERG-ER. Se emplearon cinco años de datos horarios (2019-2023), usando los primeros cuatro para el entrenamiento y el último para pruebas. La mejor combinación de bandas incluyó longitudes de onda de 6,2, 6,9, 7,3, 8,4 y 11,2 μm. El modelo predijo SPPs con una latencia de aproximadamente 11 minutos, mostrando un RMSE de 0,46 mm/h, un Coeficiente de Correlación de Pearson de 0,60, un sesgo de -0,007 mm/h y un Índice de Éxito Crítico de 0,53. Aunque el modelo funcionó bien en la predicción de precipitaciones de baja intensidad, mostró limitaciones en eventos de alta intensidad debido al desbalance de datos y a los procedimientos de regularización. Los resultados resaltan el potencial de este enfoque para mejorar la predicción de precipitaciones en tiempo real en áreas con datos terrestres limitados.
Keywords
Hidrología, Predicciones fluviales, Precipitaciones, Sistemas de información
Citation
Código de tesis
TM4;2549
Código de tesis
Grado Académico
Magíster en Hidrología Mención Ecohidrología