Improving the quantitative precipitation forecast: a ddeplearning approach (2018)
- Authors:
- Autor USP: PEREZ, GABRIEL MARTINS PALMA - IAG
- Unidade: IAG
- Sigla do Departamento: ACA
- Subjects: PRECIPITAÇÃO ATMOSFÉRICA; PREVISÃO DO TEMPO
- Language: Português
- Abstract: Uma previsão de precipitação confiável e acurada é uma das demandas mais urgentes da sociedade para a meteorologia. Áreas com alta densidade populacional, como a região Leste do Estado de São Paulo (ESP), costumam sofrer perdas humanas e materias em eventos extremos de chuva. Para atender a essa demanda, esse estudo propõoe uma abordagem baseada em técnicas modernas de inteligência artificial. Os resultados estão divididos em quatro partes principais. A primeira parte trata da avaliação da precipitação diária do CHIRPS (Climate Hazards group InfraRed Precipitation with Station data) na área de estudo. Quando comparado com observações de superfície, o CHIRPS apresenta erro quadrático médio na ordem de 7 mm/dia e coeficiente de determinação de 40%. Levando em consideração a alta variabilidade espacial da chuva, os resultados foram considerados satisfatórios. A segunda parte, através do uso de dados de reanálise, investiga os padrões atmosféricos relacionados com a ocorrência de eventos extremos. Essa discussão serve para dar suporte à definição de um conjunto de variáveis preditoras e para fundamentar as interpretações físicas das soluções encontradas pelas redes neurais. A terceira e quarta partes apresentam, respectivamente, os resultados da previsão de precipitação na cidade de São Paulo e no ESP. Análises das métricas de Probabilidade de Detecção (PoD) e Razão de Alarme Falso (FAR) mostram que o desempenho das redes neurais é significativamente superior à previsão de chuva acumulada em 24 horas do GFS. Na quarta parte, o deep autoencoder é apresentado como um método não-linear de redução de dimensionalidade que permite a previsão espacial de chuva com um número reduzido de redes neurais. As variáveis preditoras mais relevantes foram analisadas com o input de vetores one-hot e two-hot, permitindo a quantificação dos padrões mais relevantes para a previsão de chuva. (Continuação)(Continua) UmaUma discussão complementar compara os preditores mais relevantes com os padrões identificados na segunda parte. Essa comparação mostra que, após a etapa de treinamento, as redes neurais se comportam em acordo com a dinâmica atmosférica local. Esse resultado tem a proposta de aproximar o aprendizado de máquina e a física. A conclusão central do presente estudo é que a metodologia proposta fornece previsões confiáveis e com acurácia significativamente superior se comparada à saída de modelos numéricos, enfatizando a aplicabilidade de técnicas modernas de inteligência artificial na previsão de tempo.
- Imprenta:
- Data da defesa: 04.06.2018
-
ABNT
PEREZ, Gabriel Martins Palma. Improving the quantitative precipitation forecast: a ddeplearning approach. 2018. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2018. . Acesso em: 16 abr. 2024. -
APA
Perez, G. M. P. (2018). Improving the quantitative precipitation forecast: a ddeplearning approach (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. -
NLM
Perez GMP. Improving the quantitative precipitation forecast: a ddeplearning approach. 2018 ;[citado 2024 abr. 16 ] -
Vancouver
Perez GMP. Improving the quantitative precipitation forecast: a ddeplearning approach. 2018 ;[citado 2024 abr. 16 ]
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
