@TechReport{LemosCampAnoc:2023:AsDaRe,
               author = "Lemos, Ger{\^o}nimo Gallarreta Zubiaurre and Campos Velho, 
                         Haroldo Fraga de and Anochi, Juliana Aparecida",
                title = "Assimila{\c{c}}{\~a}o de dados por redes neurais no modelo 
                         WRF-NCAR",
          institution = "Instituto Nacional de Pesquisas Espaciais",
                 year = "2023",
                 type = "RPQ",
              address = "S{\~a}o Jos{\'e} dos Campos",
                 note = "{Bolsa PIBIC/PIBITI/INPE/CNPq.}",
             keywords = "intelig{\^e}ncia artificial, aprendizado de m{\'a}quina, 
                         assimila{\c{c}}{\~a}o de dados, previs{\~a}o num{\'e}roca do 
                         tempo, WRF.",
             abstract = "O presente trabalho prop{\~o}e o uso de m{\'e}todo de 
                         aprendizado de m{\'a}quina para o problema de 
                         assimila{\c{c}}{\~a}o de dados (DA: Data Assimilation) aplicado 
                         ao modelo de meso-escala WRF. Para o desenvolvimento do projeto, 
                         foi estruturado um banco de dados contendo an{\'a}lises do 
                         sistema 3D-Var, previs{\~o}es do modelo WRF (Weather Research and 
                         Forecasting System) e um conjunto de observa{\c{c}}{\~o}es. Para 
                         gerar essas an{\'a}lises, foram obtidos dados de previs{\~a}o do 
                         modelo GFS-NOAA (Global Forecast System) e dados de 
                         observa{\c{c}}{\~o}es para execu{\c{c}}{\~a}o do m{\'o}dulo 
                         de assimila{\c{c}}{\~a}o do modelo WRF (WRF-DA). Os dados para o 
                         experimento num{\'e}rico foram coletados dos meses de Junho, 
                         Julho e Agosto dos anos de 2015, 2016, 2017 e 2018. O 
                         dom{\'{\i}}nio estudado abrange a regi{\~a}o sul do Brasil, Rio 
                         Grande do Sul, Santa Catarina e Paran{\'a}, al{\'e}m do Uruguai 
                         e parte da Argentina e sul do Paraguai. O m{\'e}todo de 
                         aprendizado de m{\'a}quina {\'e} chamado de {\'a}rvores de 
                         decis{\~a}o e usou-se a codifi ca{\c{c}}{\~a}o da biblioteca 
                         XG- Boost, que implementa uma vers{\~a}o otimizada do algoritmo 
                         Gradient Boosting, um algoritmo supervisionado. Para confi gurar a 
                         biblioteca XGBoost para a aplica{\c{c}}{\~a}o, o conjunto de 
                         dados foi subdividido em dois conjuntos distintos: conjunto de 
                         trei- namento e conjunto de teste. O conjunto de treinamento 
                         {\'e} constitu{\'{\i}}do pelos dados dos anos de 2015, 2016 e 
                         2017, enquanto o conjunto de teste possui os dados do ano de 2018. 
                         A t{\'e}cnica de K-fold Cross-Validation foi utilizada para o 
                         treinamento do modelo, com k = 3, sendo os conjuntos de 
                         valida{\c{c}}{\~a}o para cada itera{\c{c}}{\~a}o um dos anos 
                         do conjunto de treinamento. Ou seja, o modelo XGBoost-DA foi confi 
                         gurado por um procedimento em etapas: inicialmente, treinado com 
                         os anos de 2015 e 2016 e avaliado no ano de 2017; ap{\'o}s, 
                         treinado com os anos de 2015-2017 e avaliado no ano de 2017 e, por 
                         fi m, o {\'u}ltimo modelo foi treinado nos anos de 2016 e 2017e 
                         avaliado no ano de 2015. Ao fi m desse processo, foi escolhido o 
                         modelo com menor erro sobre o conjunto de valida{\c{c}}{\~a}o. 
                         Para avalia{\c{c}}{\~a}o fi nal do modelo, foi executado um 
                         exemplo de previs{\~a}o de 24 horas no ano de 2018, com 
                         an{\'a}lises geradas pelo m{\'o}dulo de 3D-Var (nativo no WRF) e 
                         an{\'a}lise geradas pelo XGBoost-DA. Previs{\~o}es geradas com 
                         as duas an{\'a}lises se mostraram muito similares, evidenciando a 
                         aplica{\c{c}}{\~a}o do XGBoost como uma ferramenta promissora 
                         para assimila{\c{c}}{\~a}o de dados.",
          affiliation = "{Universidade Federal de Pelotas (UFPEL)} and {Instituto Nacional 
                         de Pesquisas Espaciais (INPE)} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)}",
             language = "pt",
                pages = "18",
                  ibi = "8JMKD3MGP3W34T/49SMRCH",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34T/49SMRCH",
           targetfile = "Relatorio_Final_Geronimo_Gallarreta_Z_Lemos.pdf",
        urlaccessdate = "27 abr. 2024"
}