@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"
}