@MastersThesis{Batista:2021:DoPrDi,
author = "Batista, Rog{\'e}rio da Silva",
title = "Downscaling da precipita{\c{c}}{\~a}o di{\'a}ria sobre o Brasil
para sub-di{\'a}ria baseado em m{\'u}ltiplos conjuntos de dados
usando redes neurais artificiais",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2021",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2021-03-25",
keywords = "downscaling, precipita{\c{c}}{\~a}o, sat{\'e}lite, RNA, MERGE,
precipitation, satellite, ANN.",
abstract = "A precipita{\c{c}}{\~a}o {\'e} uma vari{\'a}vel de extrema
import{\^a}ncia para a sociedade, sua intensidade e
persist{\^e}ncia s{\~a}o respons{\'a}veis por causar enchentes,
deslizamentos e at{\'e} mesmo mortes. Para um monitoramento
eficiente da precipita{\c{c}}{\~a}o em uma determinada
regi{\~a}o {\'e} necess{\'a}rio conhecer seu ciclo diurno. No
Brasil, devido {\`a} baixa densidade de dados observacionais em
superf{\'{\i}}cie, tanto por redes de pluvi{\^o}metros (que
possui mais esta{\c{c}}{\~o}es di{\'a}rias do que
hor{\'a}rias) quanto por radares meteorol{\'o}gicos, {\'e}
necess{\'a}ria a utiliza{\c{c}}{\~a}o de produtos de estimativa
de chuva via sat{\'e}lites. No entanto, o erro ainda {\'e} alto
para este tipo de estimativa. Neste contexto, este estudo analisou
t{\'e}cnicas de Intelig{\^e}ncia Artificial, especificamente as
Redes Neurais Artificiais (RNA), no downscaling de dados
di{\'a}rios para uma escala sub-di{\'a}ria utilizando
m{\'u}ltiplos conjuntos de dados. As principais
informa{\c{c}}{\~o}es sobre a precipita{\c{c}}{\~a}o
di{\'a}ria v{\^e}m da estimativa de sat{\'e}lites corrigida por
pluvi{\^o}metros, t{\'e}cnica denominada MERGE. Para avaliar a
representatividade do ciclo diurno e dos processos
f{\'{\i}}sicos nas diferentes regi{\~o}es do pa{\'{\i}}s
foram aplicados dois tipos de RNA, a Rede Neural Profunda (DNN) e
a Rede Neural Recorrente (RNN), sendo o alvo a
precipita{\c{c}}{\~a}o sub-di{\'a}ria com resolu{\c{c}}{\~a}o
temporal de 3 horas. Foram selecionadas vari{\'a}veis
meteorol{\'o}gicas que possuem rela{\c{c}}{\~a}o
f{\'{\i}}sica com a chuva, provenientes de sat{\'e}lites
meteorol{\'o}gicos como temperatura de brilho infravermelho do
sat{\'e}lite GOES, estimativa de precipita{\c{c}}{\~a}o
hor{\'a}ria por sensores de micro-ondas (IMERG) e dados
ambientais (por exemplo, umidade, vento, etc) do modelo de
rean{\'a}lise ERA5. Al{\'e}m disso, foram utilizadas
informa{\c{c}}{\~o}es de topografia e localiza{\c{c}}{\~a}o
geogr{\'a}fica. Cada uma das vari{\'a}veis escolhidas foi
analisada quanto {\`a} correla{\c{c}}{\~a}o com a chuva
observada acumulada no mesmo per{\'{\i}}odo. Os resultados foram
avaliados para diferentes regi{\~o}es, esta{\c{c}}{\~o}es e
hor{\'a}rios. Conclui-se que os resultados obtidos pelas RNAs
foram melhores quando comparados {\`a} estimativa de
precipita{\c{c}}{\~a}o do IMERG (refer{\^e}ncia). Para
resultados com menos dados de entrada (sem informa{\c{c}}{\~a}o
de vento), a DNN foi a RNA que teve melhor desempenho,
principalmente quando treinada com dados de todas as regi{\~o}es,
apresentando MSE de 11,33 mm e a RNN de 11,88 mm. A
valida{\c{c}}{\~a}o cruzada mostrou resultados um pouco melhores
para o IMERG, mas com superestimativa da precipita{\c{c}}{\~a}o.
Al{\'e}m disso, a DNN apresentou melhores resultados para todas
as diferentes regi{\~o}es do Brasil, bem como para as diferentes
esta{\c{c}}{\~o}es do ano. Os valores de BIAS para RNN foram
melhores para horas com baixa precipita{\c{c}}{\~a}o, enquanto a
DNN e o IMERG foram melhores para os per{\'{\i}}odos chuvosos
(18 e 21 GMT). No entanto, as diferen{\c{c}}as de BIAS entre DNN
e RNN foram muito pequenas e o MSE mostrou valores ligeiramente
melhores para DNN em todos os hor{\'a}rios. Portanto, a DNN foi
escolhida como a melhor RNA, seguindo com testes de sensibilidade
para determinar a melhor configura{\c{c}}{\~a}o desconsiderando
os custos computacionais. Em sua vers{\~a}o aprimorada com a
inclus{\~a}o de mais vari{\'a}veis meteorol{\'o}gicas, a DNN
apresentou melhor desempenho em todos os aspectos, inclusive na de
triagem de chuva, quando comparado ao IMERG. ABSTRACT:
Precipitation is an extremely important variable for society, its
intensity and persistence are responsible for causing floods,
landslides and even deaths. For an efficient monitoring of the
precipitation over a certain region, it is necessary to know its
diurnal cycle, and a sub-daily measurement is required. In Brazil,
due to the low density of ground observational data, both networks
of rain gauges (more daily data than hourly) and weather radars,
it is necessary to use satellite rain estimation products.
However, the error is still high for this kind of precipitation
estimation. In this context, this study analyzed Artificial
Intelligence techniques, specifically Artificial Neural Networks
(ANN), for the downscaling of the daily data to a sub-daily scale
using multiple datasets. The main information about the daily
rainfall comes from satellites estimation corrected by rain
gauges, a technique called MERGE. In order to represent the
characteristics of the diurnal cycle and the physical processes of
the different regions of the country we applied two types of ANN,
the Deep Neural Network (DNN) and the Recurrent Neural Network
(RNN). The target is a sub-daily rainfall with temporal resolution
of 3 hours. Meteorological variables with physical relationship
with the rain were selected, most coming from meteorological
satellites, like infrared brightness temperature from GOES
satellite, hourly precipitation estimation from microwave sensors
(IMERG), and environmental data (e.g. humidity, wind, etc) from
ERA reanalysis. Also, we used topography and location information
for the whole area. Each of the chosen variables was
pre-processed, producing averages, accumulated and other measures
for the 3-hour resolution and it was analyzed their correlation
with the accumulated observed rain at the same time. The results
were evaluated for different regions, seasons, and times. It is
concluded that the results obtained by the ANNs were better when
compared to the precipitation estimation from IMERG (the
reference). For results with less input data (without wind
information), to save computer time, the DNN was the one with the
best performance, especially when trained with data from all
regions. DNN obtained an MSE of 11.33 mm and RNN shows a value of
11.88 mm. However, the rain screen was slightly better to IMERG,
but with superestimation of the precipitation. Also, DNN showed
better results for all the different regions of Brazil as well as
for the different seasons. The BIAS results for RNN were better
for hours with low precipitation, while DNN and IMERG were better
for rainy periods (18 and 21 GMT). However, the BIAS differences
between DNN and RNN were very small and MSE shows a slightly
better values to DNN for all times. Therefore, DNN was chosen as
the best ANN. Sensitivity tests were carried out to determine the
best DNN configuration without considering computational costs. In
its improved version with the inclusion of more meteorological
variables, DNN performed better in all aspects, including that of
rain screening, when compared to IMERG.",
committee = "Santos, Rafael Duarte Coelho dos (presidente) and Calheiros, Alan
James Peixoto (orientador) and Vila, Daniel Alejandro and Cabral,
Samuellson Lopes and Fazenda, {\'A}lvaro Luiz",
englishtitle = "Daily to sub-daily precipitation downscaling over Brazil based on
multiple datasets using artificial neural networks",
language = "pt",
pages = "116",
ibi = "8JMKD3MGP3W34R/447AG38",
url = "http://urlib.net/ibi/8JMKD3MGP3W34R/447AG38",
targetfile = "publicacao.pdf",
urlaccessdate = "09 maio 2024"
}