The Hydro-Estimator technique to estimate precipitation from satellite was originally developed at the National Oceanic and Atmospheric Administration / National Environmental Satellite, Data, and Information Service (NOAA / NESDIS). In Argentina, a local version of this technique became again operational at the National Meteorological Service from September 2013. It is based on thermal infrared channel images from GOES-13 satellite and forecasted meteorological variables from ETA model outputs. Rain and no rain pixels are separated according to a temperature value built with the mean and standard deviation of the brightness temperature at an area centered on the pixel being analyzed. The clouds in a given pixelproduce precipitation if they have colder tops than the average of the surrounding pixels. The precipitation rate is adjusted considering data from relative humidity and precipitable water of numerical forecast models. On the website of SMN, precipitation rain rate maps are produced and uploaded to internet every half hour, and accumulated precipitation maps every 6, 12 and 24 hours, with a spatial resolution of 4 km. Currently, monitoring and the application of different changes in the algorithm are being performed in order to improve the estimate. The changes included a version associated with filtering cirrus clouds, as well as a comparison with a version that does not discriminate clouds clusters. A validation is performed every 24 hours for this product and test versions, for a period of one complete year of data available. This integral evaluation is made with different statistical analyses locally and in the complete network of meteorological stations available in real time. In southern South America, where different precipitation regimes are present, it was observed in daily validation over the available months, that Hydro-Estimator tends to underestimate in weak precipitation events, as shown by Salio et al. (2015), but a significant overestimation appears in more intense precipitation events.

La técnica Hidroestimador para estimar precipitación por satélite fue desarrollada originalmente en la National Oceanic and Atmospheric Administration/National Environmental Satellite, Data, and Information Service (NOAA/NESDIS). En el Servicio Meteorológico Nacional (SMN) de Argentina, esta técnica volvió a estar operativa a partir de septiembre de 2013, y utiliza imágenes del canal infrarrojo térmico del satélite GOES-13 e información de variables meteorológicas pronosticadas por el modelo ETA. Los píxeles de lluvia y no lluvia, se separan de acuerdo a un valor construido con la media y la desviación estándar de la temperatura de brillo en un área centrada en el píxel de interés. Las nubes en un determinado píxel, producen precipitación si poseen topes más fríos que la media de los píxeles circundantes. La tasa de precipitación, se ajusta teniendo en cuenta la humedad del entorno, a partir de datos de humedad relativa y agua precipitable de los modelos de pronóstico numérico. En la página web del SMN, los mapas de precipitación instantánea están disponibles cada 30 minutos, y los mapas de precipitación acumulada cada 6, 12 y 24 horas, con una resolución espacial de 4 km. Actualmente, se lleva adelante el seguimiento y la aplicación de diferentes cambios en el algoritmo con el fin de mejorar esta estimación, que incluyen una versión asociada al filtrado de nubes cirrus, como también la comparación con una versión que no discrimina clusters de nubes. En este trabajo, se realiza una validación cada 24 horas de la versión operativa y las versiones de prueba de la estimación de precipitación, teniendo en cuenta el periodo de un año completo de datos disponibles. Esta evaluación integral, consiste en el análisis de diferentes estadísticos en forma puntual, y en la red completa de estaciones pluviométricas disponible en tiempo real. En el sur de Sudamérica, que presenta diferentes regímenes de precipitación, se pudo observar en la validación diaria para los meses disponibles, que el Hidroestimador tiende a subestimar la precipitación en los eventos de precipitación débil, tal como mostraron Salio et al. (2015), pero aparece una sobrestimación importante en los eventos de precipitación más intensa.

Resumo Uma das principais aplicações das estimativas de precipitação por satélite é a modelagem hidrológica em bacias onde a rede convencional e em tempo real de pluviômetros são precárias no que se refere à resolução espacial e temporal de dados. Neste trabalho discute-se o desempenho do modelo de erro de precipitação por satélite estocástico multidimensional - SREM2D (do inglês, Two-Dimensional Satellite Rainfall Error Model), o qual simula conjuntos de campos diários de precipitação com os mesmos padrões estatísticos (dispersão) que a diferença dos campos de chuva estimados por satélite e pluviômetro de uma série maior. A maioria dos modelos tratam o erro como uma medida uni-dimensional sem o reconhecimento que a precipitação é um processo intermitente no tempo e no espaço. O modelo SREM2D caracteriza a estrutura espacial, a dinâmica temporal e a variabilidade espacial do erro de estimativa das taxas de precipitação. Este trabalho avalia os resultados das simulações do SREM2D para diversos algoritmos de estimativa de precipitação por satélite na bacia dos rios Tocantins-Araguaia. Resultados mostram que o conjunto obtido através das realizações do modelo SREM2D reduziram o viés dos algoritmos de estimativa de precipitação por satélite principalmente para bacias com área de drenagem superior a 12.000 km2.

Abstract One of the most important applications of satellite rainfall estimates is the hydrological modeling in basins where the conventional and real time rain gauges networks are inadequate in term of the spatial and temporal resolution. This study discuss the performance of the multidimensional stochastic error model (SREM2D), which simulates an ensemble of daily precipitation fields with the same statistical patterns (spread) as the differences of satellite precipitation fields and rain gauges of a longer data series. Most models treat errors only in one dimension, without recognizing that rainfall is a time and space intermittent process. The SREMD2 model characterize the spatial and temporal structure, and the stail variability of errors, of rainfall estimates. This study assess SREM2D simulations results for several rainfall estimates algorithms in the Tocantins-Araguaia river basin. Results show that the ensemble derived from the SREM2D model reduced bias, of the satellite precipitation estimation algorithms mainly for basin with drainage area higher than 12000 km2.