Evaluation of Satellite Precipitation Estimates Over Omo–Gibe River Basin in Ethiopia

2022 ◽  
Author(s):  
Natnael Sitota Sinta ◽  
Abdella Kemal Mohammed ◽  
Zia Ahmed ◽  
Ramzah Dambul
Keyword(s):  
River Basin ◽  
Satellite Precipitation ◽  
Precipitation Estimates

scholarly journals A Censored Shifted Mixture Distribution Mapping Method to Correct the Bias of Daily IMERG Satellite Precipitation Estimates

2019 ◽  
Vol 11 (11) ◽  
pp. 1345 ◽  
Author(s):  
Qiumei Ma ◽  
Lihua Xiong ◽  
Jun Xia ◽  
Bin Xiong ◽  
Han Yang ◽  
...  
Keyword(s):  
River Basin ◽  
Bias Correction ◽  
Hydrological Modeling ◽  
Extreme Values ◽  
Mixture Distribution ◽  
Satellite Precipitation ◽  
Gamma Distributions ◽  
Mapping Bias ◽  
Precipitation Estimates ◽  
Distribution Mapping

Satellite precipitation estimates (SPE) provide useful input for hydrological modeling. However, hydrological modeling is frequently hindered by large bias and errors in SPE, inducing the necessity for bias corrections. Traditional distribution mapping bias correction of daily precipitation commonly uses Bernoulli and gamma distributions to separately model the probability and intensities of precipitation and is insufficient towards extremes. This study developed an improved distribution mapping bias correction method, which established a censored shifted mixture distribution (CSMD) as a transfer function when mapping raw precipitation to the reference data. CSMD coupled the censored shifted statistical distribution to jointly model both the precipitation occurrence probability and intensity with a mixture of gamma and generalized Pareto distributions to enhance extreme-value modeling. The CSMD approach was applied to correct the up-to-date SPE of Integrated Multi-satelliE Retrievals for Global Precipitation Measurement (GPM) with near-real-time “Early” run (IMERG-E) over the Yangtze River basin. To verify the hydrological response of bias-corrected IMERG-E, the streamflow of the Wujiang River basin was simulated using Ge´nie Rural with 6 parameters (GR6J) and Coupled Routing Excess Storage (CREST) models. The results showed that the bias correction using both BerGam (traditional bias correction combining Bernoulli with gamma distributions) and the improved CSMD could reduce the systematic errors of IMERG-E. Furthermore, CSMD outperformed BerGam in correcting overall precipitation (with the median of mean absolute errors of 2.46 mm versus 2.81 mm for CSMD and BerGam respectively, and the median of modified Nash–Sutcliffe efficiency of 0.39 versus 0.29) and especially in extreme values for uniform format and particular attention paid to extremes. In addition, the hydrological effect that CSMD correction exerted on IMERG-E, driving GR6J and CREST rainfall-runoff modeling, outperformed that of the BerGam correction. This study provides a promising integrated distribution mapping framework to correct the biased daily SPE, contributing to more reliable hydrological forecasts by informing accurate precipitation forcing.

scholarly journals Assessing the adequacy of bias corrected IMERG satellite precipitation estimates using extended mixture distribution mapping method over Yangtze River basin

2018 ◽  
Vol 246 ◽  
pp. 01096
Author(s):  
Qiumei Ma ◽  
Lihua Xiong ◽  
Chong-Yu Xu ◽  
Shenglian Guo
Keyword(s):  
River Basin ◽  
Yangtze River ◽  
Extreme Values ◽  
Yangtze River Basin ◽  
Mixture Distribution ◽  
Mapping Method ◽  
Generalized Pareto ◽  
Precipitation Estimates ◽  
Distribution Mapping ◽  
Emd Method

Satellite precipitation estimates (SPE) product with high spatiotemporal resolution is a potential alternative to traditional ground-based gauge precipitation. However, SPE is frequently biased due to its indirect measurement, and thus bias correction is necessary before applying to a specific region. An improved distribution mapping method, i.e., Extended Mixture Distribution (EMD) of censored Gamma and generalized Pareto distributions, was established. The advantage of EMD method is that it describes both moderate and extreme values well and carries on the traditional censored, shifted Gamma distribution to combine the precipitation occurrence/non-occurrence events together. Then the EMD method was applied to the Integrated Multi-satellitE Retrievals for GPM product (IMERG) as statistical post-processing over Yangtze River basin. The Version-2 Gridded dataset of daily Surface Precipitation from China Meteorological Administration (GSP-CMA) was taken as reference. The adequacy of bias corrected IMERG precipitation was assessed and the results showed that (1) the Root Mean Squared Error and Relative Bias between bias-corrected IMERG precipitation and reference are significantly reduced relative to the raw IMERG estimates; (2) the performance of extreme values of IMERG in Yangtze River basin is enhanced since both the under- and over-estimation of the raw IMERG are compromised, due to the generalized Pareto distribution introduced in EMD which is enable to describe the extreme value distribution. This highlights the improved distribution mapping method, EMD is flexible and robust to bias correct the IMERG precipitation to obtain higher accuracy of SPE despite the coarse resolution of reference.

Hydrological simulation using multi-sources precipitation estimates in the Huaihe River Basin

2021 ◽  
Vol 14 (18) ◽  
Author(s):  
Mohammad Ilyas Abro ◽  
Dehua Zhu ◽  
Ehsan Elahi ◽  
Asghar Ali Majidano ◽  
Bhai Khan Solangi
Keyword(s):  
River Basin ◽  
Huaihe River Basin ◽  
Huaihe River ◽  
Hydrological Simulation ◽  
Precipitation Estimates ◽  
The Huaihe River

scholarly journals Improving satellite precipitation estimates over complex terrain through the use of high-resolution numerical weather predictions

2018 ◽  
Author(s):  
Νικόλαος Μπαρτσώτας
Keyword(s):  
High Resolution ◽  
Complex Terrain ◽  
Satellite Precipitation ◽  
Numerical Weather ◽  
Precipitation Estimates

Ο υετός αποτελεί θεμελιώδη παράμετρο για ένα ευρύτατο φάσμα ανθρώπινων δραστηριοτήτων. Τόσο η έλλειψη όσο και οι υπερβολικές του ποσότητες προκαλούν σημαντικές συνέπειες και απειλούν ανθρώπινες ζωές και υποδομές. Η αβεβαιότητα που εξακολουθεί να υπάρχει στην πρόγνωση και επισκόπησή του, έχει σημαντικότατες προεκτάσεις στην γεωργία, τις μεταφορές, την αξιοποίηση υδάτινων πόρων καθώς και την παραγωγή ενέργειας από ανανεώσιμες πηγές. Σε ακραίες εκδοχές φαινομένων υετού, όπως οι πολύ ισχυρές καταιγίδες που συνοδεύονται από ηλεκτρικά φαινόμενα, η αβεβαιότητα αυτή καθίσταται ισχυρότερη. Αυτού του είδους οι καταιγίδες αναπτύσσονται σε πολύ μικρές χωρικές και χρονικές κλίμακες, χαρακτηριστικό το οποίο ανάγει την πρόγνωσή τους σε ιδιαίτερα απαιτητική διαδικασία.Η απαραίτητη πληροφορία είναι επί του παρόντος αδύνατον να προκύψει από μία και μόνο πηγή μέτρησης ή έμμεσης εκτίμησης του υετού, καθώς έκαστη συνοδεύεται από συγκεκριμένους περιορισμούς. Καθίστανται έτσι επιτακτική η ανάγκη προς μια συνδυαστική προσέγγιση. Η συγκεκριμένη διδακτορική διατριβή συνεισφέρει στη δημιουργία καλύτερων εκτιμήσεων υετού πάνω από περιοχές έντονου αναγλύφου, συνδυάζοντας αποτελεσματικά τα επιμέρους θετικά των διαθέσιμων πηγών πληροφορίας. Μετρήσεις από όργανα τηλεπισκόπησης (μετεωρολογικά ραντάρ και δορυφόροι), παρατηρήσεις από δίκτυα βροχομέτρων και ένα πλήθος αριθμητικών μοντέλων πρόγνωσης (ατμοσφαιρικό, υδρολογικό, μοντέλο διάχυσης σωματιδίων) επιστρατεύονται προς αυτό το σκοπό.Μια νέα τεχνική προσαρμογής δορυφορικών μετρήσεων αναπτύχθηκε στα πλαίσια αυτής της διατριβής. Σε αυτή, τα δορυφορικά δεδομένα αξιοποιούνται ως προς την εκτίμηση της χωροχρονικής εξέλιξης των καταιγίδων, ενώ σε ότι αφορά την ποσότητα του υετού, οι εκτιμήσεις προσαρμόζονται στις αντίστοιχες του αριθμητικών μοντέλων πρόγνωσης. Κατ’ αυτόν τον τρόπο, η αξιόπιστη χωροχρονική επισκόπηση από τους δορυφόρους διατηρείται ενώ οι συχνά εσφαλμένες ποσότητες υετού των δορυφορικών οργάνων πάνω από ορεινές περιοχές διορθώνονται με τη χρήση των ατμοσφαιρικών προσομοιώσεων. Η διόρθωση των δορυφορικών δεδομένων λαμβάνει χώρα μέσω μιας μεθόδου πυκνότητας πιθανότητας. Η αξιολόγηση των πρωτογενών δορυφορικών δεδομένων, των αριθμητικών προσομοιώσεων και των τελικών υβριδικών προϊόντων γίνεται έναντι σε πυκνά δίκτυα βροχομέτρων και πεδία από διαθέσιμα μετεωρολογικά ραντάρ. Λαμβάνει δε χώρα σε τρεις ορεινές περιοχές με διαφορετικά χαρακτηριστικά: δύο μέσων γεωγραφικών πλατών (Άλπεις και Βραχώδη Όρη) και μια υποτροπική (Αιθιοπία).Οι προσομοιώσεις των αριθμητικών μοντέλων υποδεικνύουν τη φύση των περιορισμών στην ανίχνευση του υετού από τα δορυφορικά όργανα. Μια μικροφυσική διερεύνηση λαμβάνει χώρα και οι ομοιότητες που παρουσιάζουν οι εν λόγω καταιγίδες στις περιπτώσεις όπου η δορυφορική ανίχνευση εμφανίζει μεγάλες αποκλίσεις από τις παρατηρήσεις σχολιάζονται διεξοδικά. Παράλληλα, παρουσιάζεται μια εκτίμηση του οφέλους που μπορεί να προκύψει στο άμεσο μέλλον από την υιοθέτηση πολύ λεπτομερών χωρικών αναλύσεων στα αριθμητικά μοντέλα πρόγνωσης. Αποτελέσματα από προσομοιώσεις σε χωρικές κλίμακες μικρότερες του 1 χιλιομέτρου (σ.σ.: έως και 250 μέτρα) συγκρίνονται με αντίστοιχα από κλίμακες που αποτελούν τον τρέχοντα κανόνα στις μετεωρολογικές υπηρεσίες (1 και 4 χιλιόμετρα). Οι επιπτώσεις που προκαλούν αυτές οι διαφορές στην εκτίμηση του υετού από το ατμοσφαιρικό μοντέλο στην υδρολογία και συγκεκριμένα στην απορροή των υδάτων εξετάζονται μέσω αντίστοιχων προσομοιώσεων με υδρολογικό μοντέλο.Για τις ανάγκες της διατριβής χρησιμοποιήθηκαν ένα εξελιγμένο ατμοσφαιρικό αριθμητικό μοντέλο (RAMS/ICLAMS), ένα υδρολογικό μοντέλο (CREST) καθώς κι ένα λανγκρανζιανό μοντέλο διασποράς-διάχυσης (HYPACT). Το πρώτο καθόρισε την υετίσιμη ποσότητα σε κάθε καταιγίδα και παρείχε την πληροφορία για περαιτέρω ανάλυση σε επίπεδο μικροφυσικής νεφών, το δεύτερο εκτίμησε τις απορροές που προέκυψαν από τις ατμοσφαιρικές προσομοιώσεις και το τρίτο χρησίμευσε στον καθορισμό της προέλευσης των υγρών αερίων μαζών πάνω από περιοχές όπου η βιβλιογραφία δεν ήταν ιδιαίτερα εκτεταμένη. Δυο δορυφορικά προϊόντα, που βασίζονται σε διαφορετικές τεχνικές ανίχνευσης και συγκεκριμένα από αισθητήρες υπέρυθρου (IR) και μικροκυμάτων (PMW) χρησιμοποιήθηκαν προκειμένου να υποδείξουν τους περιορισμούς που χαρακτηρίζουν την κάθε μέθοδο ανίχνευσης πάνω από περιοχές έντονου αναγλύφου. Αμφότερα είναι προϊόντα υψηλής χωρικής ανάλυσης (4 και 8 χιλιόμετρα αντίστοιχα).Τα αποτελέσματα εμφανίζουν οφέλη από τις λεπτομερείς χωρικές κλίμακες των προσομοιώσεων, τόσο στις ποσότητες του υετού, στη λεπτομερέστερη χωρική του κατανομή, όσο και την ακριβέστερη εκτίμηση της απορροής στη συνέχεια. Οι δορυφορικές μετρήσεις εμφανίζουν μια ξεκάθαρη τάση υποεκτίμησης του υετού πάνω από περιοχές έντονου αναγλύφου. Τα διορθωμένα δορυφορικά προϊόντα που προέκυψαν από την προτεινόμενη μέθοδο, υπερτερούν έναντι των πρωτογενών στη στατιστική ανάλυση και στις δύο περιοχές εφαρμογής. Σε επίπεδο μικροφυσικών ομοιοτήτων μεταξύ των περιπτώσεων ανεπαρκούς ανίχνευσης από τα δορυφορικά όργανα, παρατηρήθηκαν μικρές συγκεντρώσεις σωματιδίων πάγου και νεφικοί σχηματισμοί με περιορισμένη κατακόρυφη ανάπτυξη. Η διόρθωση των δορυφορικών παρατηρήσεων μέσω των αριθμητικών προσομοιώσεων εμφανίζεται ως μια αξιόπιστη εναλλακτική σε περιοχές όπου οι παρατηρήσεις δεν είναι επαρκείς προς εξυπηρέτηση αυτού του σκοπού.Η συνεισφορά της παρούσης διατριβής έγκειται αφενός στην προετοιμασία του εδάφους για μελλοντικά υβριδικά προϊόντα υετού, αφετέρου στην ανίχνευση των μικροφυσικών ομοιοτήτων που εμφανίζουν οι καταιγίδες οι οποίες δεν ανιχνεύονται ικανοποιητικά από τα δορυφορικά όργανα. Το τελευταίο μπορεί να καθορίσει σημαντικά την ανάπτυξη των σύγχρονων αλγορίθμων ανίχνευσης από τους παθητικούς αισθητήρες μικροκυμάτων. Τέλος, η εφαρμογή της προτεινόμενης μεθοδολογίας σε ψευδο-επιχειρησιακή βάση κατά τη διάρκεια ενός ιστορικού πλυμμηρικού φαινομένου, παρέχει μια εκτίμηση της επιχειρησιακής εφαρμοσιμότητας και του συγκριτικού οφέλους που μπορεί να προκύψει από την υιοθέτηση της συγκεκριμένης μεθόδου σε συστήματα έγκαιρης πρόγνωσης και πρόληψης πλημμυρών.

Machine learning approaches for improving near-real-time IMERG rainfall estimates by integrating Cloud Properties from NOAA CDR PATMOSX

2021 ◽  
Author(s):  
Zhi Zhang ◽  
Dagang Wang ◽  
Jianxiu Qiu ◽  
Jinxin Zhu ◽  
Tingli Wang
Keyword(s):  
Machine Learning ◽  
Real Time ◽  
River Basin ◽  
Central China ◽  
Support Vector ◽  
Learning Approaches ◽  
Satellite Precipitation ◽  
Cloud Properties ◽  
Spatial Coverage ◽  
Extreme Gradient Boosting

AbstractThe Global Precipitation Measurement (GPM) mission provides satellite precipitation products with an unprecedented spatio-temporal resolution and spatial coverage. However, its near-real-time (NRT) product still suffers from low accuracy. This study aims to improve the early run of the Integrated Multi-satellitE Retrievals for GPM (IMERG) by using four machine learning approaches, i.e., support vector machine (SVM), random forest (RF), artificial neural network (ANN), and Extreme Gradient Boosting (XGB). The cloud properties are selected as the predictors in addition to the original IMERG in these approaches. All the four approaches show similar improvement, with 53%-60% reduction of root-mean-square error (RMSE) compared with the original IMERG in a humid area, i.e., the Dongjiang River Basin (DJR) in southeastern China. The improvements are even greater in a semi-arid area, i.e., the Fenhe River Basin (FHR) in central China, the RMSE reduction ranges from 63%-66%. The products generated by the machine learning methods performs similarly to or even outperform than the final run of IMERG. Feature importance analysis, a technique to evaluate input features based on how useful they are in predicting a target variable, indicates that the cloud height and the brightness temperature are the most useful information in improving satellite precipitation products, followed by the atmospheric reflectivity and the surface temperature. This study shows that a more accurate NRT precipitation product can be produced by combining machine learning approaches and cloud information, which is of importance for hydrological applications that requires NRT precipitation information including flood monitoring.

scholarly journals On the Use of Satellite Rainfall Data to Design a Dam in an Ungauged Site

Water ◽  
2020 ◽  
Vol 12 (11) ◽  
pp. 3028
Author(s):  
Claudia Bertini ◽  
Luca Buonora ◽  
Elena Ridolfi ◽  
Fabio Russo ◽  
Francesco Napolitano
Keyword(s):  
Hydrological Model ◽  
Southern Italy ◽  
Storm Events ◽  
Satellite Precipitation ◽  
Design Storm ◽  
Area Of Interest ◽  
High Return ◽  
Precipitation Estimates ◽  
First Time ◽  
Climate Prediction Center

The estimation of the design peak discharge is crucial for the hydrological design of hydraulic structures. A commonly used approach is to estimate the design storm through the intensity–duration–area–frequency (IDAF) curves and then use it to generate the design discharge through a hydrological model. In ungauged areas, IDAF curves and design discharges are derived throughout regionalization studies, if any exist for the area of interest, or from using the hydrological information of the closest and most similar gauged place. However, many regions around the globe remain ungauged or are very poorly gauged. In this regard, a unique opportunity is provided by satellite precipitation products developed and improved in the last decades. In this paper, we show weaknesses and potentials of satellite data and, for the first time, we evaluate their applicability for design purposes. We employ CMORPH—Climate Prediction Center MORPHing technique satellite precipitation estimates to build IDAF curves and derive the design peak discharges for the Pietrarossa dam catchment in southern Italy. Results are compared with the corresponding one provided by a regionalization study, i.e., VAPI—VAlutazione delle Piene in Italia project, usually used in Italy in ungauged areas. Results show that CMORPH performed well for the estimation of low duration and small return periods storm events, while for high return period storms, further research is still needed.

Sign in / Sign up

Export Citation Format

Share Document