Fechar
Metadados

@PhDThesis{Garcia:2016:NeNeIn,
               author = "Garcia, Jos{\'e} Roberto Motta",
                title = "Neural networks input-based models to calibrate the mean 
                         precipitation of an ensemble prediction system",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2016",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2016-08-24",
             keywords = "machine learning, neural nets, statistical weather forecasting, 
                         rain, aprendizado de m{\'a}quina, redes neurais artificiais, 
                         previs{\~a}o do tempo, chuva.",
             abstract = "Although ensemble forecasting systems provide richer forecasts by 
                         adding probabilistic concepts to single deterministic forecasts, 
                         they have intrinsic shortcomings caused by the lack of full 
                         comprehension of the relationship between meteorological 
                         variables. It is especially noticed in medium and large-scale 
                         forecasts, whose effects of chaotic behavior of the atmosphere 
                         drastically increase as the target forecasting date is lengthened. 
                         Improvements on weather forecasting systems can be done either by 
                         the meteorology staff concerning physical aspects of weather 
                         behavior as well as by implementing computational statistical 
                         methods in order to tune the weather forecasting model output. The 
                         purpose of this work is to compute, along the forecast horizon, a 
                         more accurate precipitation value than the ensemble mean 
                         precipitation by post-processing INPE/CPTEC's ensemble prediction 
                         output. To achieve the goal, some prognostic fields and derived 
                         data are combined and submitted as explanatory variables to an 
                         artificial neural network system. Experiments were guided in an 
                         exploratory way such that several computational models were 
                         generated and thereafter assessed. The study was individually 
                         performed at some grid points located within the boundaries of La 
                         Plata Basin. Results indicate that the application of this 
                         methodology presented values closer to actual values when compared 
                         to the ensemble mean precipitation. It also shows that the 
                         inclusion of the ensemble mean precipitation itself, as well as 
                         data from adjacent grid points, improve the calibration process of 
                         the target grid point. In addition, the exploratory approach 
                         detects different artificial network models to fit specific 
                         location and lead-time. Although this input-driven system computes 
                         less than ideal forecasting values, it performs better than the 
                         mean output of the ensemble model, which is widely used in various 
                         weather forecasting products. RESUMO: Embora os sistemas de 
                         previs{\~a}o por conjuntos forne{\c{c}}am previs{\~o}es mais 
                         ricas, acrescentando conceitos probabil{\'{\i}}sticos {\`a}s 
                         previs{\~o}es determin{\'{\i}}sticas simples, eles t{\^e}m 
                         defici{\^e}ncias intr{\'{\i}}nsecas causadas pela falta de 
                         plena compreens{\~a}o da rela{\c{c}}{\~a}o entre vari{\'a}veis 
                         meteorol{\'o}gicas. Isto {\'e} especialmente notado nas 
                         previs{\~o}es de m{\'e}dia e grande escala, cujos efeitos de 
                         comportamento ca{\'o}tico da atmosfera aumentam drasticamente 
                         {\`a} medida que a data alvo de previs{\~a}o {\'e} estendida. 
                         Melhorias nos sistemas de previs{\~a}o do tempo podem ser feitas 
                         tanto pela equipe de meteorologia em rela{\c{c}}{\~a}o aos 
                         aspectos f{\'{\i}}sicos do comportamento do tempo, bem como 
                         atrav{\'e}s da aplica{\c{c}}{\~a}o de m{\'e}todos 
                         computacionais estat{\'{\i}}sticos, visando ajustar a 
                         sa{\'{\i}}da do modelo de previs{\~a}o. O objetivo deste 
                         trabalho {\'e} calcular, ao longo do horizonte de previs{\~a}o, 
                         um valor de precipita{\c{c}}{\~a}o mais preciso do que a 
                         precipita{\c{c}}{\~a}o m{\'e}dia do sistema de previs{\~a}o 
                         por conjunto atrav{\'e}s do p{\'o}s-processamento das 
                         sa{\'{\i}}das do modelo do INPE/CPTEC. Para atingir esta meta, 
                         alguns campos de progn{\'o}stico e dados derivados s{\~a}o 
                         combinados e apresentados como vari{\'a}veis explanat{\'o}rias a 
                         um sistema de rede neural artificial. Os experimentos foram 
                         orientados de forma explorat{\'o}ria onde v{\'a}rios modelos 
                         computacionais foram gerados e posteriormente avaliados. O estudo 
                         foi realizado individualmente em alguns pontos de grade 
                         localizados dentro dos limites da Bacia da Prata. Os resultados 
                         indicam que a aplica{\c{c}}{\~a}o desta metodologia apresentou 
                         valores mais pr{\'o}ximos da realidade do que a m{\'e}dia de 
                         precipita{\c{c}}{\~a}o do sistema de previs{\~a}o por 
                         conjuntos. Mostra tamb{\'e}m que ao incluir a pr{\'o}pria 
                         precipita{\c{c}}{\~a}o m{\'e}dia, bem como dados de pontos de 
                         grade adjacentes o processo de calibra{\c{c}}{\~a}o melhora no 
                         ponto de grade alvo. Al{\'e}m disso, a abordagem 
                         explorat{\'o}ria traz uma melhora ainda maior pois detecta 
                         diferentes modelos de redes neurais para locais e dias de 
                         previs{\~a}o espec{\'{\i}}ficos. Embora este sistema baseado em 
                         entrada calcule valores de previs{\~a}o inferiores aos ideais, 
                         ele tem um desempenho melhor do que a m{\'e}dia do modelo de 
                         previs{\~a}o por conjunto, que {\'e} amplamente usado em 
                         v{\'a}rios produtos de previs{\~a}o de tempo.",
            committee = "Monteiro, Antonio Miguel Vieira (presidente) and Santos, Rafael 
                         Duarte Coelho dos (orientador) and Castro, Christopher Alexander 
                         Cunningham (orientador) and Quiles, Marcos Gon{\c{c}}alves and 
                         Vijaykumar, Nandamudi Lankalapalli and Forster, Carlos Henrique 
                         Quartucci and Cortivo, F{\'a}bio Dall",
           copyholder = "SID/SCD",
         englishtitle = "Modelos de redes neurais baseados em entrada para calibrar a 
                         precipita{\c{c}}{\~a}o m{\'e}dia de um sistema de previs{\~a}o 
                         por conjuntos",
             language = "en",
                pages = "142",
                  ibi = "8JMKD3MGP3W34P/3M7RCUE",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34P/3M7RCUE",
           targetfile = "publicacao.pdf",
        urlaccessdate = "24 nov. 2020"
}


Fechar