En el coloquio se analizará la arquitectura PrecipGAN, propuesta por Wang et al. en [1]. Este reciente trabajo propone la utilización de redes adversarias (GAN) que permiten aumentar la resolución temporal y espacial en la predicción de las precipitaciones usando datos obtenidos por sensores a bordo de diferentes satélites. Estos datos consisten en radianzas medidas en el rango de las microondas (PMW) y del infrarrojo (IR). Las observaciones de PMW contienen más información a la hora de estimar la tasa de precipitación, incrementando su precisión. Sin embargo, los datos de estos sensores no tienen buena resolución espacial y temporal. Por otro lado, los datos de IR poseen una alta resolución espacial y temporal, pero su precisión es sensiblemente inferior.

La idea de PrecipGAN es complementar la información provista por ambos sensores para la estimación de la tasa de precipitación, obteniendo la mejor precisión posible pero con la misma resolución temporal y espacial de los datos de IR. Para comprender el funcionamiento de PrecipGAN, veremos la arquitectura de redes convolucionales profundas (CNN), y las redes de tipo U-NET. Además, analizaremos la estrategia de entrenamiento de las redes adversarias (GAN) para la sintetización de planos de probabilidad de variables de precipitación.

[1] Wang, C., Tang, G., & Gentine, P. (2021). «PrecipGAN: Merging Microwave and Infrared Data for Satellite Precipitation Estimation using Generative Adversarial Network». Geophysical Research Letters, 48(5), e2020GL092032.