@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/ibi/8JMKD3MGP3W34P/3M7RCUE",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}