@MastersThesis{LealNeto:2021:RaPrSi,
author = "Leal Neto, Helv{\'e}cio Bezerra",
title = "Rastreio e previs{\~a}o de sistemas precipitantes e convectivos
na Bacia Amaz{\^o}nica utilizando aprendizado de m{\'a}quina
n{\~a}o-supervisionado",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2021",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2021-05-21",
keywords = "previs{\~a}o em curto prazo, rastreio, aprendizado de
m{\'a}quina, clusteriza{\c{c}}{\~a}o, geoprocessamento,
nowcasting, tracking, machine learning, clustering,
Geoprocessing.",
abstract = "Compreender a din{\^a}mica de propaga{\c{c}}{\~a}o e as
caracter{\'{\i}}sticas morfol{\'o}gicas das c{\'e}lulas de
chuva e nuvens s{\~a}o fundamentais para desenvolver m{\'e}todos
computacionais com intuito de auxiliar na tomada de decis{\~o}es.
Tais ferramentas servem para atenuar poss{\'{\i}}veis impactos
socioecon{\^o}micos causados por tempestades severas. Neste
trabalho foi apresentada uma nova metodologia para
identifica{\c{c}}{\~a}o, rastreio e previs{\~a}o de
c{\'e}lulas de chuva e os chamados sistemas convectivos de
mesoescala, atuantes na regi{\~a}o da bacia amaz{\^o}nica. Por
meio de um conjunto de procedimentos que re{\'u}nem t{\'e}cnicas
de aprendizado de m{\'a}quina e geoprocessamento, foi
desenvolvido um algoritmo que utiliza informa{\c{c}}{\~o}es de
multi-sensores (radar ou sat{\'e}lite) para identificar
regi{\~o}es de interesse em c{\'e}lulas de chuva e nuvem por
meio de um processo denominado multi-limiariza{\c{c}}{\~a}o. Tal
processo faz a segmenta{\c{c}}{\~a}o dos valores de
refletividade e temperatura de brilho em dados de radar e imagens
de sat{\'e}lite, respectivamente. Ap{\'o}s o processo de
identifica{\c{c}}{\~a}o das regi{\~o}es de interesse, o
m{\'e}todo de clusteriza{\c{c}}{\~a}o DBSCAN foi utilizado para
classificar clusters (agrupamento de p{\'{\i}}xeis associados a
nuvens em imagens de sat{\'e}lite ou taxa de chuva em radares).
Em seguida aplicou-se m{\'e}todos de geoprocessamento para
definir a trajet{\'o}ria dos clusters por meio da t{\'e}cnica de
rastreio baseada no centroide das geometrias. Algumas incertezas
relacionadas ao vetor de deslocamento abstra{\'{\i}}dos da
trajet{\'o}ria dos clusters podem ocorrer com o uso de
t{\'e}cnicas que utilizam o centroide, com base nisso, aplicou-se
quatro m{\'e}todos de corre{\c{c}}{\~a}o do deslocamento que
levaram em considera{\c{c}}{\~a}o as caracter{\'{\i}}sticas
f{\'{\i}}sicas que ocorrem na propaga{\c{c}}{\~a}o de
c{\'e}lulas de chuva e nuvem. Os m{\'e}todos de
corre{\c{c}}{\~a}o foram avaliados por meio da previs{\~a}o por
extrapola{\c{c}}{\~a}o temporal dos eventos ocorridos em imagens
consecutivas para per{\'{\i}}odos relativos a
esta{\c{c}}{\~a}o chuvosa (IOP1) e seca (IOP2) durante o
experimento GoAmazon. A aplica{\c{c}}{\~a}o dos m{\'e}todos de
corre{\c{c}}{\~a}o do deslocamento apresentaram um ganho em
torno de 22,5% na precis{\~a}o das previs{\~o}es. O m{\'e}todo
que utiliza os limiares internos mostrou-se o mais representativo,
principalmente para ajuste dos vetores quando a extens{\~a}o de
{\'a}rea das c{\'e}lulas apresenta grandes regi{\~o}es com
n{\'u}cleos mais intensos embebidos. Com rela{\c{c}}{\~a}o a
{\'a}rea e o ciclo de vida dos sistemas observado durante os
IOPs, constatou-se que sistemas maiores, com maior
dura{\c{c}}{\~a}o e mais intensos foram melhor previstos. As
propaga{\c{c}}{\~o}es observadas dos sistemas rastreados via
radar e sat{\'e}lite foram condizentes aquelas apresentadas na
literatura para regi{\~a}o da bacia amaz{\^o}nica. ABSTRACT:
Understanding the propagation dynamics and morphological
characteristics of rain and cloud cells are important to develop
computational methods to make decisions. Such tools is used to
mitigate possible socio-economic impacts caused severe storms
events. In this work a new methodology for identification,
tracking and forecasting of rain cells of mesoscale convective
systems, operating in Amazon basin region, was presented. Through
procedures that bring together using machine learning and
geoprocessing techniques, one algorithm was developed that uses
information from multi-sensors (radar or satellite) to identify
regions of interest in rain and cloud cells, using a process
called multi-threshold. This process make segmentation of images
in reflectivity and brightness temperature into radar and
satellite data, respectively. After this process, identifying
regions of interest, we used a clustering method DBSCAN to
classify clusters (cluster of pixels associated with clouds in
satellite images or rainfall rate in radar). Geoprocessing methods
are applied to define trajectory of clusters using centroid-based
technique and geometries tracking. Some uncertainties related to
the displacement vector abstracted from the trajectory of clusters
can occur, based on centroid tracking we propose four methods of
correction of the displacement, were applied that adjust
displacement vector using physical characteristics that occur in
spread of rain and cloud cells. Correction of displacement vector
methods were evaluated through prediction by temporal
extrapolation of occured events in consecutive images, for periods
related rainy season (IOP1) and dry season (IOP2) during GoAmazon
experiment. The algorithm developed in this research obtained a
good performance to forecasting ability after applying methods to
correct the displacement of rain and cloud cells. Displacement
vector correction methods led to a 22.5 % gain in algorithm
skills, the method that uses internal thresholds to correct
displacement proved to be most effective, mainly for adjusting the
vectors when cell area extension presents large stratified regions
with more intense nuclei. Regarding area and the life cycle of
systems observed during IOPS, it was found that larger systems
were better predicted, duration life cycle and size tendedence to
positively impact at statistical indicators used for forecast
analysis. Regarding the propagation of systems tracked by radar
and satellite, it was found that their displacement followed
trends found in literature for the Amazon basin region.",
committee = "Stephany, Stephan (presidente) and Calheiros, Alan James Peixoto
(orientador) and Vila, Daniel Alejandro and Albrecht, Rachel
Ifanger",
englishtitle = "Tracking and prediction of precipitating and convective systems in
the Amazon Basin using unsupervised machine learning",
language = "pt",
pages = "142",
ibi = "8JMKD3MGP3W34R/44HGF8E",
url = "http://urlib.net/ibi/8JMKD3MGP3W34R/44HGF8E",
targetfile = "publicacao.pdf",
urlaccessdate = "18 abr. 2024"
}