Fechar
Metadados

@MastersThesis{SalgueiroRomero:2017:ClPrMo,
               author = "Salgueiro Romero, Luis Fernando",
                title = "Classifica{\c{c}}{\~a}o de previsibilidade do modelo global do 
                         CPTEC utilizando breeding e intelig{\^e}ncia computacional",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2017",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2017-05-23",
             keywords = "t{\'e}cnica de breeding, redes neurais artificiais, 
                         classificadores neuro-difusos, classificadores binarios 
                         hierarquicos, modelo global do CPTEC, breeding technique, 
                         neuro-fuzzy clasiffiers, artificial neural networks, binary 
                         hi-erarquical classifie, CPTEC's global atmospheric model.",
             abstract = "A Previs{\~a}o Num{\'e}rica de Tempo (PNT) teve um grande 
                         avan{\c{c}}o nas {\'u}ltimas d{\'e}cadas devido ao aumento do 
                         poder computacional, novas parametriza{\c{c}}{\~o}es de 
                         processos f{\'{\i}}sicos e o aumento de dados de 
                         observa{\c{c}}{\~a}o. A PNT tem enorme impacto positivo nas 
                         atividades humanas. Os fen{\^o}menos que descrevem a 
                         din{\^a}mica da atmosfera s{\~a}o n{\~a}o lineares e podem 
                         apresentar comportamento ca{\'o}tico, sendo altamente 
                         sens{\'{\i}}vel {\`a}s condi{\c{c}}{\~o}es iniciais. 
                         Incertezas inerentes ao modelo atmosf{\'e}rico limitam a 
                         qualidade da previs{\~a}o. Uma abordagem para o estudo da 
                         evolu{\c{c}}{\~a}o e propaga{\c{c}}{\~a}o desses erros {\'e} 
                         a t{\'e}cnica de Breeding, que consiste em uma 
                         avalia{\c{c}}{\~a}o peri{\'o}dica de ciclos de duas 
                         simula{\c{c}}{\~o}es do mesmo modelo: uma simula{\c{c}}{\~a}o 
                         partindo das condi{\c{c}}{\~o}es iniciais de refer{\^e}ncia e a 
                         outra com as condi{\c{c}}{\~o}es iniciais perturbadas. Bred 
                         Vectors s{\~a}o diferen{\c{c}}as entre as simula{\c{c}}{\~o}es 
                         anteriormente mencionadas, em que a magnitude do vetor pode ser 
                         utilizada como uma medida da incerteza da previs{\~a}o. Esta 
                         disserta{\c{c}}{\~a}o tem por objetivo utilizar a t{\'e}cnica 
                         de Breeding com algoritmos de intelig{\^e}ncia computacional para 
                         avaliar a qualidade da previs{\~a}o do modelo de 
                         circula{\c{c}}{\~a}o atmosf{\'e}rica global do CPTEC-INPE. A 
                         primeira fase do trabalho consistiu na instala{\c{c}}{\~a}o do 
                         modelo global do CPTEC-INPE do supercomputador Cray XE6 
                         (Tup{\~a}) - compilador Portland, para o cluster Lacibrido 
                         (LAC-INPE) - compilador GNU. A t{\'e}cnica de Breeding foi 
                         comparada com previs{\~a}o por conjuntos (Ensemble). Ocorreu uma 
                         concord{\^a}ncia nas regi{\~o}es no planeta entre a maior 
                         magnitude do Bred Vector e maior vari{\^a}ncia do Ensemble. 
                         Classes de confiabilidade da previs{\~a}o foram definidas e a 
                         classifica{\c{c}}{\~a}o foi realizada utilizando sistemas 
                         neuro-difusos, redes neurais artificiais, classificadores 
                         hier{\'a}rquicos bin{\'a}rios e m{\'a}quinas de comit{\^e}. Os 
                         resultados obtidos s{\~a}o promissores, com {\'{\i}}ndices de 
                         classifica{\c{c}}{\~a}o satisfat{\'o}rios, que possibilitam a 
                         introdu{\c{c}}{\~a}o da metodologia de Breeding como uma 
                         ferramenta de estudo de previsibilidade de modelos 
                         atmosf{\'e}ricos. ABSTRACT: Numerical Weather Prediction (NWP) 
                         has made great progress in the last decades due to the increase of 
                         computational power, new parameterizations of physical processes 
                         and the increase of observational data. PNT has a huge positive 
                         impact on human activities. The phenomena that describe the 
                         dynamics of the atmosphere are non-linear and can present chaotic 
                         behavior, being highly sensitive to the initial conditions. Thus, 
                         uncertainties inherent to the atmospheric model limit the quality 
                         of the forecast. One approach to study the evolution and 
                         propagation of these errors is the Breeding method which consists 
                         of a periodic evaluation of two simulations using the same model: 
                         one simulation starting from initial reference conditions and the 
                         other with disturbed initial conditions. Bred vectors are 
                         differences between the simulations mentioned above, in which the 
                         magnitude of the vector can be used as a measure of the 
                         uncertainty of the prediction. This dissertation aims to use the 
                         breeding technique with artificial intelligence algorithms to 
                         evaluate the prediction quality of the CPTEC-INPE global 
                         atmospheric circulation model. The first stage of the work 
                         consisted in the installation of the CPTEC-INPE global model of 
                         the Cray XE6 supercomputer (Tup{\~a}) - Portland compiler - to 
                         the Lacibrido cluster (LAC-INPE) - GNU compiler. The breeding 
                         technique was compared to ensemble prediction. There was a good 
                         agreement in the regions of the planet between the greater 
                         magnitude of the bred vector and larger variance of the ensemble. 
                         Prediction reliability classes were defined and classification was 
                         performed using neuro-fuzzy systems, artificial neural networks, 
                         binary hierarquical classifiers and committee method. The results 
                         obtained are promising, with satisfactory indexes of 
                         classification, which makes possible the introduction of the 
                         Breeding methodology as a tool for studying the predictability of 
                         weather models.",
            committee = "Campos Velho, Haroldo Fraga de (presidente) and Sandri, Sandra 
                         Aparecida (orientadora) and Stephany, Stephan and Moura, Antonio 
                         Divino and Gomide, Fernando Antonio Campos",
         englishtitle = "Classification of predictability of the CPTEC Global Atmopheric 
                         model using Breeding and Computational Intelligence",
             language = "pt",
                pages = "163",
                  ibi = "8JMKD3MGP3W34P/3NSDQ7P",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34P/3NSDQ7P",
           targetfile = "publicacao.pdf",
        urlaccessdate = "28 nov. 2020"
}


Fechar