Verbesserung quantitativer Radar-Niederschlagserfassung mithilfe von Crowdsourcing-Niederschlagsdaten

Eine genaue quantitative Niederschlagerfassung (QPE) ist für Infrastrukturplanung, Hochwasserwarnsysteme, Wettervorhersagen sowie für viele weitere Anwendungen unverzichtbar. Zwar liefern Daten von Wetterradaren hochaufgelöste Informationen über die räumliche Variabilität des Niederschlags, dennoch unterliegen die daraus abgeleiteten Niederschlagssummen verschiedenen Fehlerquellen und sind daher mit Unsicherheit behaftet. Regenmesser bzw. Stationsdaten liefern dagegen zuverlässige Bodenbeobachtungen, jedoch mit unzureichender räumlicher Auflösung. Nationale Wetterdienste haben sowohl an der Radartechnologie selbst als auch an Verarbeitungs- und Aneichungstechniken gearbeitet, um hochwertige QPE-Produkte bereitzustellen. Mit dem Start des Operational Program on the Exchange of Weather Radar Information (OPERA) sind nun Radardaten aus ganz Europa frei zugänglich. In Verbindung mit Neuerungen in der KI-Technologie und der steigenden Anzahl privater Wetterstationen (PWS) ergeben sich vielfältige Möglichkeiten für Forschungsarbeiten zur Verbesserung der Radar-QPE. Das Projekt EuRadCA (Improving Rainfall Estimation Across Europe Through Advancements in Radar Data Processing, Use of Crowdsourced Data, and AI) befasst sich in separaten Arbeitsgruppen mit diesen Themen. Unsere Arbeit an der Universität Stuttgart wird sich auf die Einbindung von Crowdsourcing-Daten aus PWS konzentrieren. Die Aufgaben lassen sich in drei Arbeitspakete unterteilen, die folgende Ziele verfolgen:

1. Verbesserte Qualitätskontrolle (QC) bei PWS unter Verwendung von Radardaten mit Schwerpunkt auf Extremwerten
   Die erste Aufgabe besteht in der Automatisierung, Verbesserung und Weiterentwicklung bestehender Methoden zur Qualitätskontrolle, wie beispielsweise der Verbesserung eines Bias-Korrektur-Verfahrens, welches eine theoretische Gamma-Verteilung nutzt. Das Hauptziel ist die Entwicklung einer radargestützten QC, welche die Plausibilität der PWS-Niederschlagswerte für jeden einzelnen Zeitschritt überprüft. Dabei werden Stationswerte mit den dazugehörigen Radardaten abgeglichen und somit das Auftreten von Nullwerten sowie einzelne sehr hohe Regensummen entweder verworfen oder als plausibel bewertet. Dabei wird eine raum-zeitliche Toleranz zwischen Radar- und Stationsmessungen berücksichtigt.
   
   
2. Intrapixel-Variabilität und bedingte Radar-Stations-Unsicherheiten
   Ein zweiter Schritt ist die Quantifizierung der Subpixel-Variabilität mithilfe von bedingten Simulationen. Für diese werden Korrelationsstrukturen in Abhängigkeit von der Niederschlagsintensität erstellt. Diese dienen dann zusammen mit den PWS-Daten und der Niederschlagsinformation aus dem Radarvolumen, einschließlich ihrer Unsicherheit, als Randbedingungen für die Simulationen. Diese Analyse wird in sphärischen Radarkoordinaten durchgeführt. Dadurch können wir abschätzen, wie die Unsicherheit entlang des Radarstrahls zunimmt.
   
   
3. Aneichung unter Berücksichtigung der Radar-Stations-Unsicherheit
   Schließlich wird die Unsicherheit für einzelne Stationen sowie für Radarpixel-Stations-Paare quantifiziert. Diese werden zusammen mit der Unsicherheit aus den vorangegangenen Prozessierungsschritten der Radar- und Stationsdaten verwendet, um Konfidenzintervalle für die Niederschlagswerte jedes einzelnen Pixels zu berechnen.