Reducción basada en aprendizaje automático de la temperatura del aire horaria de ERA5-Land sobre regiones montañosas
Autores: Sebbar, Badr-eddine; Khabba, Saïd; Merlin, Olivier; Simonneaux, Vincent; Hachimi, Chouaib El; Kharrou, Mohamed Hakim; Chehbouni, Abdelghani
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Temperatura
Datos
Resolución
Reducción de escala
Método
Modelo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 6
Citaciones: Sin citaciones
En las regiones montañosas, la escasez de mediciones de temperatura del aire (Ta) es una limitación importante para el monitoreo hidrológico y de cultivos. Una alternativa a las mediciones in situ podría ser reducir la escala de los datos de reanálisis de Ta proporcionados a alta resolución temporal. Sin embargo, la resolución espacial relativamente gruesa de estos productos (es decir, 9 km para ERA5-Land) es poco probable que represente directamente los patrones locales reales de Ta. Para abordar este problema, este estudio presenta una nueva estrategia de reducción espacial de los datos de Ta de ERA5-Land a nivel horario con un procedimiento de tres pasos. Primero, la Ta de ERA5 de 9 km de resolución se corrige a su resolución original utilizando una Ta de referencia derivada de la elevación de la cuadrícula de 9 km de resolución y una estimación in situ sobre el área de la Tasa de Cambio Ambiental (ELR) a nivel horario. Tal corrección de la Ta de ERA5 de 9 km de resolución se entrena utilizando varias técnicas de aprendizaje automático, incluyendo Regresión Lineal Múltiple (MLR), Regresión de Vectores de Soporte (SVR) y Aumento de Gradiente Extremo (Xgboost), así como datos auxiliares de ERA5 (media diaria, desviación estándar, ELR horario y elevación de la cuadrícula). A continuación, se ejecutan los algoritmos de corrección entrenados para corregir la Ta de ERA5 de 9 km de resolución, y los datos de Ta corregidos de ERA5 se utilizan para derivar una ELR actualizada sobre el área (sin utilizar mediciones de Ta in situ). En tercer lugar, la ELR actualizada a nivel horario se utiliza para desagregar los datos de Ta corregidos de ERA5 de 9 km de resolución a la resolución de 30 metros del Modelo Digital de Elevación (DEM) de SRTM. La efectividad de este método se evalúa en la parte norte de las Montañas del Alto Atlas en el centro de Marruecos a través de (1) validación cruzada k-fold contra cinco años (2016 a 2020) de lecturas de temperatura in situ a nivel horario y (2) comparación con métodos de reducción de escala clásicos basados en una ELR constante. Nuestros resultados indican una mejora significativa en la distribución espacial de la Ta local a nivel horario. Al comparar nuestro modelo, que incluía Xgboost, SVR y MLR, con el enfoque de reducción de escala basado en ELR constante, pudimos disminuir el error cuadrático medio regional de aproximadamente 3 degreesC a 1.61 degreesC, 1.75 degreesC y 1.8 degreesC, reducir el error de sesgo medio de -0.5 degreesC a nulo, y aumentar el coeficiente de determinación de 0.88 a 0.97, 0.96 y 0.96 para Xgboost, SVR y MLR, respectivamente.
Descripción
En las regiones montañosas, la escasez de mediciones de temperatura del aire (Ta) es una limitación importante para el monitoreo hidrológico y de cultivos. Una alternativa a las mediciones in situ podría ser reducir la escala de los datos de reanálisis de Ta proporcionados a alta resolución temporal. Sin embargo, la resolución espacial relativamente gruesa de estos productos (es decir, 9 km para ERA5-Land) es poco probable que represente directamente los patrones locales reales de Ta. Para abordar este problema, este estudio presenta una nueva estrategia de reducción espacial de los datos de Ta de ERA5-Land a nivel horario con un procedimiento de tres pasos. Primero, la Ta de ERA5 de 9 km de resolución se corrige a su resolución original utilizando una Ta de referencia derivada de la elevación de la cuadrícula de 9 km de resolución y una estimación in situ sobre el área de la Tasa de Cambio Ambiental (ELR) a nivel horario. Tal corrección de la Ta de ERA5 de 9 km de resolución se entrena utilizando varias técnicas de aprendizaje automático, incluyendo Regresión Lineal Múltiple (MLR), Regresión de Vectores de Soporte (SVR) y Aumento de Gradiente Extremo (Xgboost), así como datos auxiliares de ERA5 (media diaria, desviación estándar, ELR horario y elevación de la cuadrícula). A continuación, se ejecutan los algoritmos de corrección entrenados para corregir la Ta de ERA5 de 9 km de resolución, y los datos de Ta corregidos de ERA5 se utilizan para derivar una ELR actualizada sobre el área (sin utilizar mediciones de Ta in situ). En tercer lugar, la ELR actualizada a nivel horario se utiliza para desagregar los datos de Ta corregidos de ERA5 de 9 km de resolución a la resolución de 30 metros del Modelo Digital de Elevación (DEM) de SRTM. La efectividad de este método se evalúa en la parte norte de las Montañas del Alto Atlas en el centro de Marruecos a través de (1) validación cruzada k-fold contra cinco años (2016 a 2020) de lecturas de temperatura in situ a nivel horario y (2) comparación con métodos de reducción de escala clásicos basados en una ELR constante. Nuestros resultados indican una mejora significativa en la distribución espacial de la Ta local a nivel horario. Al comparar nuestro modelo, que incluía Xgboost, SVR y MLR, con el enfoque de reducción de escala basado en ELR constante, pudimos disminuir el error cuadrático medio regional de aproximadamente 3 degreesC a 1.61 degreesC, 1.75 degreesC y 1.8 degreesC, reducir el error de sesgo medio de -0.5 degreesC a nulo, y aumentar el coeficiente de determinación de 0.88 a 0.97, 0.96 y 0.96 para Xgboost, SVR y MLR, respectivamente.