Communication Satellite-Based Rainfall Estimation for Flood Mitigation in Papua

Abstract

Papua, an equatorial region in Indonesia, faces unique geographical and natural challenges, including heavy annual rainfall. This heavy rainfall increases flooding risks and impacts infrastructure, the economy, and daily life. Despite the importance of rain gauges for monitoring floods and climate change, Papua's difficult geography and limited transportation infrastructure hinder their installation and maintenance. In this work, we investigate a deep learning one-dimensional convolution neural network (1DCNN) model to estimate rainfall intensity using energy per symbol to noise power density ratio (Es/No) of the signals received from a communication satellite signal coupled with additional data representing satellite daily movement. The findings of this study demonstrate that the performance of the proposed model has a higher accuracy for moderate to heavy rainfall than for light rainfall. The NRMSE values for light rain, moderate rain, and heavy rain are 47.09, 31.78, and 33.58%, respectively. These results show that this method is promising for monitoring heavy rainfall as a flood mitigation effort. However, there is still room to improve the accuracy of the estimation such as using other secondary data that is highly correlated with rain at the satellite transceiver location.Papua, sebuah wilayah khatulistiwa di Indonesia, menghadapi tantangan geografis dan alam yang unik, termasuk curah hujan yang tinggi setiap tahunnya. Curah hujan yang tinggi ini meningkatkan risiko banjir dan berdampak pada infrastruktur, ekonomi, dan kehidupan sehari-hari. Terlepas dari pentingnya penakar hujan untuk memantau banjir dan perubahan iklim, kondisi geografis Papua yang sulit dan infrastruktur transportasi yang terbatas menghambat pemasangan dan perawatannya. Dalam penelitian ini, kami menyelidiki model deep learning untuk memperkirakan intensitas curah hujan dari sinyal satelit komunikasi yang digabungkan dengan data tambahan yang mewakili pergerakan harian satelit. Temuan dari penelitian ini menunjukkan bahwa kinerja model yang diusulkan memiliki akurasi yang lebih tinggi untuk curah hujan sedang hingga lebat dibandingkan dengan curah hujan ringan. Nilai NRMSE untuk hujan ringan, hujan sedang, dan hujan lebat masing-masing adalah 47,1%, 31,8%, dan 33,6%. Hasil ini menunjukkan bahwa metode ini cukup menjanjikan untuk memantau curah hujan lebat sebagai upaya mitigasi banjir. Namun demikian, masih ada ruang untuk meningkatkan akurasi estimasi seperti menggunakan data sekunder lain yang berkorelasi tinggi dengan hujan di lokasi transceiver satelit.