Exploitation of X-band weather radar data in the Andes high mountains and its application in hydrology: a machine learning approach

Die Niederschläge im Hochgebirge der tropischen Anden sind für das Verständnis komplexer hydrologischer und ökologischer Phänomene, die sich in dieser besonderen Region der Welt abspielen, von größter Bedeutung. Hier verursachen die Niederschläge drohende Gefahren wie schwere Überschwemmungen, Erdrutsche sowie verschiedene Arten von Erosion. Dennoch reichen dünn und ungleichmäßig verteilte Regenmessnetze sowie Satellitenbilder mit geringer Auflösung nicht aus, um die hohe Variabilität und die komplexe Dynamik vom Niederschlägen in der unregelmäßigen Topographie des Hochgebirges in geeigneten zeitlichen und räumlichen Maßstäben zu erfassen. Dies begründet bis heute ein mangelhaftes Verständnis über Niederschlagsmuster und insbesondere über die Niederschlagsmikrophysik, die in den tropischen Anden bisher weitgehend unerforscht ist. Daher konzentriert sich die vorliegende Untersuchung auf den Einsatz und die Nutzung von einfach polarisierten (SP) X-Band Wetterradaren in den Hochgebirgsregionen der Anden im Süden Ecuadors, die für die quantitative Niederschlagsschätzung (QPE) und für Abflussvorhersagen anwendbar sind. Die Arbeit nutzt die Radar-Niederschlagsdaten mit Hilfe eines maschinellen Lernansatzes (ML). Die Hauptziele der Arbeit sind: (i) Der Einsatz eines ersten X-Band Wetter- radarnetzes in tropischen Hochgebirgen, (ii) die physikalisch-basierte QPE von X-Band Radaradaten, (iii) die Optimierung der Radar-QPE durch Verwendung eines ML-basierten Modells und (iv) eine Anwendung der Daten auf die Abflussvorhersage in einem andinen Einzugsgebiet unter Verwendung eines ML-basierten Modells. Als Ausgangspunkt wurde des ersten Wetterradarnetzes in einem tropischen Hochgebirge etabliert. Für die Kommunikation im Netzwerk wurde eine netz- und funkbasierte Datenübertragung realisiert. Die vorliegende Studie basiert auf dem höchstgelegenen Radar des Netzwerkes (4450 m ü.d.M.). In einer ersten Analyse wird die physikalisch basierte QPE durch die Ableitung von Z-R-Beziehungen entwickelt. Dazu werden Daten von drei Disdrometern an verschiedenen geographischen Standorten und in unterschiedlicher Höhe verwendet. Mehrere Niederschlagsereignisse wurden ausgewählt, um eine Klassifizierung der Niederschlagsarten auf der Grundlage des mittleren Tropfendurchmessers (Dm [mm]) durchzuführen. Abgeleitete Z-R-Beziehungen zeigen die hohe Variabilität ihrer Parameter aufgrund unterschiedlicher Niederschlagsarten im Untersuchungsgebiet. Anschließend wird die Optimierung der Radar-QPE mit einem ML-Ansatz als Alternative zu der üblichen Z-R-basierten QPE-Methode verfolgt. Hierfür werden zwei verschiedene Ansätze getestet. Der erste Ansatz implementiert zur Radar-QPE eine schrittweise Durchführung der Reflektivitätskorrektur (d.h. Störungsbeseitigung, Dämpfungskorrektur) und die Ableitung einer lokalen Z-R-Beziehung. Eine Bias-Kalibrierung wurde nicht durchgeführt, da die Verfügbarkeit von stationsbasierten Regendaten in Echtzeit v.a. im Untersuchungsgebiet sehr begrenzt ist. Der zweite Ansatz implementiert ein Radar-QPE-Modell auf der Basis des Random Forest (RF)-Algorithmus und der reinen Radarreflektivität (Z). Der Vergleich beider Ansätze mit stationsbasierten Niederschlagsdaten zeigt, dass das ML-basierte Modell die Radar-QPE der schrittweisen Implementierung deutlich verbessert. Das ML-basierte Verfahren erlaubt es auch, die nutzbare Reichweite des Radars zu erweitern (d.h. bis zu 50 km). Grundsätzlich sind Daten der Radar-QPE als Antrieb für Abflussvorhersagemodelle verwendbar. Ziel der vorliegenden Arbeit ist es aber, mit Hilfe ML-basierter Modelle wie RF die Radardaten ohne Zwischenschritt (Transformation von Reflektivität Z in Regenrate R) auf die Zielvariable (Abfluss) abzubilden. Um die Qualität eines solchen Vorgehens zu testen, wird ein Vergleich verschiedener Abflussvorhersagemodelle durchgeführt, die unterschiedliche Eingabedatentypen des Radarsystems verwenden. Im ersten Fall wird die native Radarreflektivität (die Reflektivität wurde lediglich gegen unrealistische Messungen wie Festzielechos korrigiert), im zweiten Fall Radar-Regendaten (d.h. aus der Radar-QPE) als Antriebsvariable eingesetzt. Die Ergebnisse zeigen, dass beide Modelle gleich gut funktionierten. Somit können native Radardaten (Reflektivität) direkt für Abflussvorhersagen in Bergregionen verwendet werden, ohne sie vorher in Regenraten umrechnen zu müssen. Der Befund ist für ganze Radarnetzwerke gültig, die somit unabhängig von der Verfügbarkeit von stationsgebundenen Regenmessern direkt für Abfluss- Frühwarnsysteme nutzbar sind. Zusammenfassen hat die vorliegende Arbeit (i) zum Aufbau des ersten Wetterradarnetzes im tropischen Hochgebirge beigetragen, (ii) durch die Verwendung von Disdrometerdaten wesentlich zu einem tieferen Verständnis der Niederschlagsmikrophysik und ihrer Variabilität in den tropischen Hochanden geführt und (iii) zum ersten Mal erfolgreich die native X-Band-Radarreflektivität als geeigneten Input für ML-basierte Modelle sowohl für eine optimierte Radar-QPE als auch für die Abflussvorhersage genutzt. Letzteres zeigt die großen Vorteile und Potentiale der Verwendung eines ML-Ansatzes in der Radarhydrologie peripherer Gebiete mit komplexer Topographie. Die Arbeit überwindet damit die in Bergregionen häufig anzutreffenden Einschränkungen bei der stationsgestützten Überwachung von Niederschlägen und stellte insbesondere bei der Verwendung der kostengünstigen X-Band-Technologie eine vielversprechende Alternative für Umweltüberwachungssysteme im komplexen Gelände der Andenkordillere dar.