Date of Award
4-2024
Document Type
Dissertation
Degree Name
Doctor of Philosophy in Civil Engineering
Department
Civil and Environmental Engineering
First Advisor
Mohsen Sherif
Abstract
The accurate estimation of rainfall in arid regions presents a significant challenge due to sparse ground observations and complex atmospheric dynamics. This dissertation investigates various aspects of rainfall estimation and prediction in the United Arab Emirates (UAE), employing Satellite Precipitation Products (SPPs) and Machine Learning (ML) techniques. The research is structured around four key articles, each addressing different facets of the overarching theme. The first publication examines rainfall variability, consistency, and concentration in the UAE by comparing satellite precipitation products with rain gauge observations, highlighting the discrepancies between the two data sources. The second publication evaluates the performance of precipitation estimates from the PERSIANN family of remote sensing products in an arid region, providing insights into their reliability and limitations. The third article focuses on the accuracy of machine learning models in improving monthly rainfall prediction in hyper-arid environments, offering valuable contributions to the field of hydrological forecasting. Finally, the fourth article discusses the development of a bias correction framework using machine learning algorithms to remove systematic biases from satellite precipitation products over arid regions, enhancing their utility for hydrological applications. By synthesizing findings from these publications, this dissertation contributes to the advancement of rainfall estimation and prediction techniques in arid regions, offering valuable insights for water resource management and climate studies in the UAE and beyond.
The SPPs were validated over varying geographical areas and multiple statistical and categorical predictors were utilized for their performance evaluation including Correlation Coefficient (CC), Root Mean Squared Error (RMSE), Probability of Detection (POD), Heidke Skill Score (HSS), and False Alarm Ratio (FAR). Additionally, the study introduced various extreme indices including Rx1day (mm), R10mm (days), R20mm (days), R30mm (days), consecutive wet days (CWD), and consecutive dry days (CDD) to accurately assess the accuracy of the products based on extreme events. Precipitation Concentration Index (PCI) and Shannon Diversity Index (SDI) were also utilized to assess the uneven spatial and temporal precipitation distribution. Various individual and ensembled ML algorithms were tested for the rainfall prediction in the study area to develop a belief in the appropriateness of the models and to successively use for the bias correction step. The selected SPPs were corrected by using the topographic and wind speed factors while utilizing the Long Short-Term Memory (LSTM) machine learning architecture. The outcomes of this research are multifold and can assist and define the future research lineage specifically for the study site i.e., UAE. The bias correction of the SPPs resulting in improved accuracy and decreased uncertainty may potentially lead toward using the precipitation data from the SPPs for various hydrological and climatological models. Therefore, the areas with lack of gauge installation can be studied and included in the analysis as well.
Arabic Abstract
تحسين توقع معدل تساقط الأمطار من خلال تقديرات الأقمار الصناعية: منهجية مقترحة بإستخدام التعلم الآلي لدولة الإمارات العربية المتحدة
يمثل التقدير الدقيق لهطول الأمطار في المناطق القاحلة تحدياً كبيراً بسبب تفرق وتناثر نقاط المراقبة الأرضية وديناميكية الغلاف الجوي المعقدة. تبحث هذه الأطروحة في جوانب مختلفة من تقدير هطول الأمطار والتنبؤ بها في دولة الإمارات العربية المتحدة، باستخدام نتائج هطول الأمطار عبر الأقمار الصناعية (SPPs) وتقنيات التعلم الآلي (ML). يتمحور البحث حول أربع مقالات علمية رئيسية تتناول كل منها جوانب مختلفة من الموضوع العام لرسالة الدكتوراة. يتناول المنشور العلمي الأول تقلب هطول الأمطار واتساقها وتركيزها في دولة الإمارات العربية المتحدة من خلال مقارنة منتجات هطول الأمطار عبر الأقمار الصناعية مع نقاط المراقبة الأرضية للأمطار، وتسليط الضوء على التناقضات بين مصدري البيانات. ويقيّم المنشور العلمي الثاني أداء تقديرات هطول األمطار من القمر الصناعي (PERSIANN) في المناطق القاحلة، ويقدم نظرة ثاقبة على موثوقيتها وقيودها. تركز المقالة العلمية الثالثة على دقة نماذج التعلم الآلي في تحسين التنبؤ الشهري لهطول الأمطار في بيئة شديدة الجفاف، مما يقدم مساهمات قيمة في مجال التنبؤ الهيدرولوجي ، أي مناسيب المياه السطحية وطريقة جريانها. وأخيرا ، يناقش المقال الرابع تطوير إطار لتصحيح التحيز باستخدام خوارزميات التعلم الآلي لإزالة التحيزات المنهجية من منتجات هطول الأمطار المستخرجة من الأقمار الصناعية ضمن المناطق القاحلة، وتعزيز استخدامها للتطبيقات الهيدرولوجية. ومن خلال تجميع النتائج المستخلصة من هذه المنشورات العلمية، تساهم هذه الأطروحة في تطوير تقنيات تقدير هطول الأمطار والتنبؤ بها في المناطق القاحلة، وتقدم رؤى قيمة لإدار ة الموارد المائية والدراسات المناخية في دولة الإمارات العربية المتحدة وخارجها.
تم التحقق من صحة SPPs على مناطق جغرافية مختلفة وتم استخدام العديد من التنبؤات الإحصائية والفئوية لتقييم أدائها بما في ذلك معامل الإرتباط (CC)، وجذر متوسط مربع الخطأ (RMSE)، واحتمال الكشف (POD)، ودرجة مهارة (Heidke HSS)، ونسبة الإنذار الكاذب (FAR). بالإضافة إلى ذلك، قدمت هذه الدراسة العديد من المؤشرات بما في ذلك (Rx1day) مم، (R10mm) أيام، (R20mm) أيام، (R30mm) أيام، أيام رطبة متتالية (CWD)، وأيام جفاف متتالية (CDD) لتقييم دقة المنتجات بناء ا على الأحداث المناخية القصوى. كما تم استخدام مؤشر تركيز هطول الأمطار (PCI) ومؤشر شانون للتنوع (SDI) لتقييم التوزيع غير المتكافئ لهطول الأمطار المكاني والزماني. تم اختبار خوارزميات ML الفردية والجماعية المختلفة للتنبؤ بهطول الأمطار في منطقة الدراسة لتطوير فهم مدى ملائمة النماذج واستخدامها لخطوة تصحيح التحيز. تم تصحيح SPPs المختارة بإستخدام العوامل الطبوغرافية وسرعة الرياح وأيض ا بنية التعلم الآلي للذاكرة طويلة المدى (LSTM).
نتائج هذا البحث متعددة الجوانب ويمكن أن تساعد في تحديد مواضيع البحوث المستقبلية على وجه التحديد لموقع الدراسة في دولة الإمارات العربية المتحدة. قد يؤدي تصحيح التحيز لـ SPPsإلى تحسين الدقة وتقليل هامش الخطأ عند استخدام بيانات هطول الأمطار من SPPs لمختلف النماذج الهيدرولوجية والمناخية. لذلك، يمكن دراسة وتحليل نظام الأمطار في المناطق التي تفتقر إلى محطات مناخية لقياس هطول الأمطار
Recommended Citation
Baig, Faisal, "ENHANCEMENT OF RAINFALL PREDICTION AND SATELLITE PRECIPITATION ESTIMATES: A MACHINE LEARNING APPROACH FOR UNITED ARAB EMIRATES" (2024). Dissertations. 299.
https://scholarworks.uaeu.ac.ae/all_dissertations/299
