Fechar

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemtc-m16b.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificadorx6e6X3pFwXQZ3DUS8rS5/EhppM
Repositóriocptec.inpe.br/walmeida/2004/11.26.14.26
Última Atualização2018:03.15.16.28.39 (UTC) sergio
Repositório de Metadadoscptec.inpe.br/walmeida/2004/11.26.14.26.59
Última Atualização dos Metadados2022:09.14.19.58.46 (UTC) administrator
Chave SecundáriaINPE-11605-PRE/6988
Chave de CitaçãoCerqueira:2004:RePrMo
TítuloRefinamento das previsões do modelo ETA
FormatoPapel
Ano2004
Data de Acesso23 maio 2024
Tipo SecundárioPRE CN
Número de Arquivos1
Tamanho446 KiB
2. Contextualização
AutorCerqueira, Fernanda Araújo
GrupoDMD-INPE-MCT-BR
AfiliaçãoInstituto Nacional de Pesquisas Espaciais, Centro de Previsão do Tempo e Estudos Climáticos (INPE.CPTEC)
Nome do EventoSeminário de Iniciação Científica do INPE (SICINPE).
Localização do EventoSão José dos Campos
Data03 - 04 ago.
Editora (Publisher)INPE
Páginas1-16
OrganizaçãoInstituto Nacional de Pequisas Espaciais (INPE)
Histórico (UTC)2005-06-30 12:08:19 :: sergio -> administrator ::
2015-04-28 16:10:19 :: administrator -> sergio :: 2004
2018-03-15 16:28:39 :: sergio -> administrator :: 2004
2018-06-05 03:51:44 :: administrator -> sergio :: 2004
2020-04-27 14:20:30 :: sergio -> administrator :: 2004
2022-09-14 19:58:46 :: administrator -> sergio :: 2004
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
ResumoModelos numéricos de previsão do tempo possuem simplificações para a solução das equações que regem o comportamento da atmosfera. As equações são discretizadas e mesmo que haja aumento de resolução dos modelos, as previsões apresentarão limitações e deficiências. Utiliza-se métodos estatísticos e dados observacionais para refinar as previsões geradas pelos modelos numéricos. Este trabalho tem por objetivo utilizar o algoritmo "Model Output Calibration" (MOC) para o refinamento das previsões do vento a 10m geradas pelo modelo Eta para a estação de Ilha Rasa, no Rio de Janeiro. O MOC é baseado em equações de regressão linear multivariada, cujos preditores são selecionados a partir de correlações lineares. Preditores que apresentam coeficiente de correlação acima de valores limites sãoo selecionados. A correlação é entre os preditores, que são as variáveis previstas pelo modelo Eta, e o preditando, o erro da previsão da magnitude do vento de 10 metros. Foram utilizadas duas séries de treinamento para a execução do MOC. A primeira teve um período de 21 dias, a segunda, um período de 28 dias, sendo o mês de março utilizado como base para treinamento destas séries. Os meses de abril e maio foram utilizados para se realizar as calibrações, comparação com as observações e avaliação dos resultados. Testou-se as duas series de treinamento para três limiares de correlação, sendo: 0,8, 0,6 e 0,4. Foram comparados entre si os resultados do MOC, os resultados do Eta e a previsão por persistência do erro da previsão. Em ambas séries de treinamento, o MOC obteve o melhor desempenho para o limiar de 0,8, com redução do RMSE sobre a previsão do Eta. O erro MAE do MOC também apresentou maior redução em relação ao Eta para o limiar de 0,8. Os RMSE e MAE utilizando a correção da previsão por persistência do erro foram maiores do que utilizando o MOC. Para o erro BIAS, notou-se que a aplicação do MOC reduziu drasticamente os erros sistemáticos do modelo Eta, porém as medidas de BIAS para a magnitude persistida foram as menores para as duas séries de treinamento e os três limiares de correlação. O algoritmo MOC atingiu o objetivo de reduzir as medidas de erro do modelo Eta (medidas RMSE, MAE E BIAS), porém essa redução ainda pode ser otimizada. Para a série de treinamento de 28 dias, o MOC teve melhor desempenho, pois a redução dos erros da previsão do modelo Eta foi mais significativa. Os resultados, apesar de indicarem que o MOC é eficaz, precisam ser aperfeiçoados, pois as correlações estão baixas e espera-se obter uma maior redução das medidas de erros. Os próximos passos do trabalho terão como objetivo a redução dos erros de calibração do MOC e o aumento da correlação linear entre o MOC utilizando novas variáveis como preditores e séries de menor intervalo horário.
ÁreaMET
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDMD > Refinamento das previsões...
Arranjo 2urlib.net > BDMCI > Fonds > Acervo PIBIC/PIBITI > PIBIC/PIBITI 2004 > Refinamento das previsões...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/x6e6X3pFwXQZ3DUS8rS5/EhppM
URL dos dados zipadoshttp://urlib.net/zip/x6e6X3pFwXQZ3DUS8rS5/EhppM
Idiomapt
Arquivo Alvo11605.pdf
Grupo de Usuáriosadministrator
sergio
administrator
Grupo de Leitoresadministrator
sergio
Visibilidadeshown
Detentor da CópiaSID/SCD
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/43SKC35
8JMKD3MGPDW34P/478H998
Lista de Itens Citandosid.inpe.br/mtc-m16c/2022/07.08.19.51.42 1
Acervo Hospedeirocptec.inpe.br/walmeida/2003/04.25.17.12
6. Notas
NotasBolsa PIBIC/INPE/CNPq
Campos Vaziosarchivingpolicy archivist booktitle callnumber contenttype copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition editor electronicmailaddress isbn issn keywords label lineage mark mirrorrepository nextedition numberofvolumes orcid parameterlist parentrepositories previousedition previouslowerunit progress project publisheraddress readpermission resumeid rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject tertiarymark tertiarytype type url versiontype volume
7. Controle da descrição
e-Mail (login)sergio
atualizar 


Fechar