بارش کے تخمینے کو بڑھانے کے لیے موقع پرست بارش کا سینسر ڈیٹا

ہائی اسپیٹیوٹیمپورل ریزولوشن کے ساتھ بارش کے درست تخمینے شہری نکاسی آب کی ایپلی کیشنز کے لیے بہت ضروری ہیں، اور اگر زمینی مشاہدات کے ساتھ ایڈجسٹ کیا جائے تو موسم کے ریڈار ڈیٹا میں ان ایپلی کیشنز کی صلاحیت موجود ہے۔

ایڈجسٹمنٹ کے لیے موسمیاتی بارش کے گیجز کی کثافت، تاہم، خلا میں اکثر کم اور غیر یکساں طور پر تقسیم ہوتی ہے۔ موقع پرست بارش کے سینسر زمینی مشاہدات کی کثافت میں اضافہ فراہم کرتے ہیں لیکن اکثر ہر انفرادی اسٹیشن کے لیے کم یا نامعلوم درستگی کے ساتھ۔ یہ کاغذ موسم کے ریڈار، ذاتی موسمی اسٹیشنوں، اور تجارتی مائیکرو ویو لنکس کے ڈیٹا کو ایک مربوط بارش کی مصنوعات میں ضم کرنے کا مظاہرہ کرتا ہے۔ کوالٹی کنٹرول الگورتھم کے ذریعے موقع پرست بارش کے مشاہدات کی درستگی کو بہتر بنانے کے لیے موقع پرست بارش کے تخمینے کو ملانا دکھایا گیا ہے۔ اس مطالعہ میں، ہم یہ ظاہر کرتے ہیں کہ بارش کے تخمینے کی درستگی میں موقع پرست بارش کے اعداد و شمار اور موسم کے ریڈار ڈیٹا کو ضم کرنے سے نمایاں طور پر بہتر کیا گیا ہے جب انضمام کیے بغیر بارش کی ہر پیداوار کی درستگی کے مقابلے میں۔ Nash-Sutcliffe efficiency (NSE) کی قدریں 0.88 تک روزانہ جمع شدہ بارش کی مصنوعات کے لیے حاصل کی جاتی ہیں، جبکہ بارش کی انفرادی مصنوعات کی NSE-values −7.44 سے 0.65 تک ہوتی ہیں، اور اسی طرح کے رجحانات روٹ مطلب مربع غلطی (RMSE) اقدار کے لیے دیکھے جاتے ہیں۔ موسمی راڈار اور موقع پرست بارش کے اعداد و شمار کو ضم کرنے کے لیے، ایک نیا نقطہ نظر، یعنی "موونگ میڈین بائیس ایڈجسٹمنٹ" پیش کیا گیا ہے۔ اس نقطہ نظر کو لاگو کرتے ہوئے، ایک اعلی کارکردگی کا مظاہرہ کرنے والی بارش کی مصنوعات کو روایتی اعلی معیار کے بارش کے گیجز سے آزادانہ طور پر اخذ کیا جاتا ہے، جو اس مطالعہ میں صرف آزادانہ توثیق کے لیے استعمال ہوتے ہیں۔ اس کے علاوہ، یہ بھی ظاہر کیا جاتا ہے کہ بارش کے درست تخمینے ذیلی روزانہ انضمام کے ذریعے حاصل کیے جا سکتے ہیں، ناو کاسٹنگ اور قریب قریب حقیقی وقت کی ایپلی کیشنز میں انضمام کی اہمیت کو اجاگر کرتے ہوئے۔