മഴയുടെ കണക്കുകൾ മെച്ചപ്പെടുത്തുന്നതിനുള്ള അവസരവാദ മഴ സെൻസർ ഡാറ്റ.

ഉയർന്ന സ്പേഷ്യോടെമ്പറൽ റെസല്യൂഷനോടുകൂടിയ കൃത്യമായ മഴയുടെ കണക്കുകൾ നഗര ഡ്രെയിനേജ് ആപ്ലിക്കേഷനുകൾക്ക് അത്യന്താപേക്ഷിതമാണ്, കൂടാതെ ഭൂഗർഭ നിരീക്ഷണങ്ങളുമായി ക്രമീകരിച്ചാൽ, കാലാവസ്ഥാ റഡാർ ഡാറ്റ ഈ ആപ്ലിക്കേഷനുകൾക്ക് സാധ്യതയുണ്ട്.

എന്നിരുന്നാലും, ക്രമീകരണത്തിനായുള്ള കാലാവസ്ഥാ മഴമാപിനികളുടെ സാന്ദ്രത പലപ്പോഴും വിരളവും ബഹിരാകാശത്ത് ഏകതാനമല്ലാത്തതുമാണ്. അവസരവാദ മഴ സെൻസറുകൾ ഭൂമി നിരീക്ഷണങ്ങളുടെ വർദ്ധിച്ച സാന്ദ്രത നൽകുന്നു, പക്ഷേ പലപ്പോഴും ഓരോ വ്യക്തിഗത സ്റ്റേഷനും കുറഞ്ഞതോ അജ്ഞാതമോ ആയ കൃത്യതയോടെ. കാലാവസ്ഥാ റഡാർ, വ്യക്തിഗത കാലാവസ്ഥാ കേന്ദ്രങ്ങൾ, വാണിജ്യ മൈക്രോവേവ് ലിങ്കുകൾ എന്നിവയിൽ നിന്നുള്ള ഡാറ്റ ഒരു സംയോജിത മഴ ഉൽപ്പന്നത്തിലേക്ക് ലയിപ്പിക്കുന്നത് ഈ പ്രബന്ധം വ്യക്തമാക്കുന്നു. അവസരവാദ മഴയുടെ കണക്കുകൾ ലയിപ്പിക്കുന്നത് ഒരു ഗുണനിലവാര നിയന്ത്രണ അൽഗോരിതം വഴി അവസരവാദ മഴ നിരീക്ഷണങ്ങളുടെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിന് കാണിക്കുന്നു. ഈ പഠനത്തിൽ, അവസരവാദ മഴ ഡാറ്റയും കാലാവസ്ഥാ റഡാർ ഡാറ്റയും ലയിപ്പിക്കാതെ ഓരോ മഴ ഉൽപ്പന്നത്തിന്റെയും കൃത്യതയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ അവസരവാദ മഴയുടെ കണക്കുകളുടെ കൃത്യത ഗണ്യമായി മെച്ചപ്പെടുത്തുന്നുവെന്ന് ഞങ്ങൾ കാണിക്കുന്നു. ദിവസേന ശേഖരിക്കപ്പെടുന്ന ലയിപ്പിച്ച മഴ ഉൽപ്പന്നങ്ങൾക്ക് 0.88 വരെയുള്ള നാഷ്-സട്ട്ക്ലിഫ് കാര്യക്ഷമത (NSE) മൂല്യങ്ങൾ ലഭിക്കുന്നു, അതേസമയം വ്യക്തിഗത മഴ ഉൽപ്പന്നങ്ങളുടെ NSE-മൂല്യങ്ങൾ −7.44 മുതൽ 0.65 വരെയാണ്, കൂടാതെ റൂട്ട് മീഡിയൻ സ്ക്വയർഡ് എറർ (RMSE) മൂല്യങ്ങൾക്ക് സമാനമായ പ്രവണതകൾ നിരീക്ഷിക്കപ്പെടുന്നു. കാലാവസ്ഥാ റഡാറും അവസരവാദ മഴ ഡാറ്റയും ലയിപ്പിക്കുന്നതിന്, ഒരു പുതിയ സമീപനം, അതായത്, "ചലിക്കുന്ന മീഡിയൻ ബയസ് അഡ്ജസ്റ്റ്മെന്റ്" അവതരിപ്പിച്ചിരിക്കുന്നു. ഈ സമീപനം പ്രയോഗിക്കുമ്പോൾ, ഉയർന്ന പ്രകടനമുള്ള ഒരു മഴ ഉൽപ്പന്നം പരമ്പരാഗത ഉയർന്ന നിലവാരമുള്ള മഴമാപിനികളിൽ നിന്ന് സ്വതന്ത്രമായി ഉരുത്തിരിഞ്ഞതാണ്, ഈ പഠനത്തിൽ അവ സ്വതന്ത്രമായ മൂല്യനിർണ്ണയത്തിനായി മാത്രമേ ഉപയോഗിക്കുന്നുള്ളൂ. കൂടാതെ, സബ്-ഡൈലി ലയനത്തിലൂടെ കൃത്യമായ മഴയുടെ കണക്കുകൾ ലഭിക്കുമെന്ന് തെളിയിക്കപ്പെട്ടിട്ടുണ്ട്, ഇത് നൗകാസ്റ്റിംഗിലും സമീപത്തുള്ള തത്സമയ ആപ്ലിക്കേഷനുകളിലും ലയിപ്പിക്കുന്നതിന്റെ പ്രാധാന്യം അടിവരയിടുന്നു.