Corrección de los sesgos en las salidas de viento superficial de modelos de predicción numérica del tiempo con aprendizaje automático y datos de dispersometría | Correction of NWP ocean surface wind biases with machine learning and scatterometer data

XX Congreso de la Asociación Española de Teledetección : Teledetección y Cambio Global: Retos y Oportunidades para un Crecimiento Azul, 5-7 June 2024, Cádiz.-- 4 pages, 5 figures

[EN] The aim of this work is to correct the persistent local biases of numerical weather prediction (NWP) model ocean surface wind output. To model these biases several machine learning (ML) models and neural networks are being trained with the data derived from satellite scatterometer (radar) observations. To generate the predictions of the biases and apply the corrections to NWP output, the ML models are using several NWP and ocean model output parameters as input. This way the corrections of the NWP errors do not depend on the availability of the observational data and can be applied to both its operational use the development of long-term data series of valuable ocean forcing datasets. The results show that such models are able to substantially reduce NWP local biases and therefore its overall error variance

[ES] Este trabajo tiene como objetivo corregir los sesgos locales y persistentes que presentan los pronósticos del viento superficial marino de los modelos de predicción numérica meteorológica (PNM). Para poder modelar estos sesgos se evalúan diferentes modelos de aprendizaje automático (AA) y de redes neuronales que se entrenan con los datos de viento derivados de las mediciones por parte de dispersómetros (radares) satelitales. Para generar las predicciones de los sesgos y aplicar las correcciones a las salidas de PNM, los modelos de AA utilizan varios parámetros de la propia PNM y otros modelos oceánicos como entradas. De esta manera las correcciones de los errores de PNM no dependen de la disponibilidad de observaciones y pueden ser aplicados tanto para uso operacional como para el desarrollo de series temporales largas de datos de forzamiento oceánico. Los resultados muestran que dichos modelos pueden reducir sustancialmente los sesgos locales de los modelos numéricos y, por lo tanto, su varianza de error

Este trabajo fue financiado bajo EUMETSAT Ocean and Sea Ice (OSI) Satellite Application Facility (SAF) Visiting Scientist activity (referencia OSI_VSA22_01)

With the institutional support of the ‘Severo Ochoa Centre of Excellence’ accreditation (CEX2019-000928-S)

Peer reviewed