@InProceedings{LemosCampAnoc:2023:AsDaRe,
author = "Lemos, Ger{\^o}nimo Gallarreta Zubiaurre and Campos Velho,
Haroldo Fraga de and Anochi, Juliana Aparecida",
affiliation = "{Universidade Federal de Pelotas (UFPEL)} and {Instituto Nacional
de Pesquisas Espaciais (INPE)} and {Instituto Nacional de
Pesquisas Espaciais (INPE)}",
title = "Assimila{\c{c}}{\~a}o de dados por redes neurais no modelo
WRF-NCAR",
booktitle = "Resumos...",
year = "2023",
editor = "Ribeiro, Val{\'e}ria Cristina dos Santos and Barreto, Joaquim
Pedro (Substituto) and Lopes Filho, Antonio and Paulicena,
Ed{\'e}sio Hernane and Cortez, Ely Vieira and Almeida, Elton
Kleiton Albuquerque de and Jesus, Gabriel Torres de (Suplente) and
Souza, Jo{\~a}o Paulo Estevam de (Suplente) and Cecatto,
Jos{\'e} Roberto (Suplente) and Coelho, Simone Marlene Sievert da
Costa (Suplente) and Almeida, Eug{\^e}nio Sper de and Hey, Heyder
and Saturno, Mario Eugenio and Escada, Paulo Augusto Sobral and
Savonov, Roman Ivanovitch (Suplente) and Camayo Maita, Rosio Del
Pilar (Suplente) and Barbedo, Simone Ang{\'e}lica Del Ducca
(Suplente) and Algarve, Viviane Regina (Suplente)",
pages = "1",
organization = "Semin{\'a}rio de Inicia{\c{c}}{\~a}o Cient{\'{\i}}fica e
Inicia{\c{c}}{\~a}o em Desenvolvimento Tecnol{\'o}gico e
Inova{\c{c}}{\~a}o (SICINPE)",
publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
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.",
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 codifica{\c{c}}{\~a}o da biblioteca
XGBoost, que implementa uma vers{\~a}o otimizada do algoritmo
Gradient Boosting, um algoritmo supervisionado. Para configurar a
biblioteca XGBoost para a aplica{\c{c}}{\~a}o, o conjunto de
dados foi subdividido em dois conjuntos distintos: conjunto de
treinamento 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
configurado 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
fim, o {\'u}ltimo modelo foi treinado nos anos de 2016 e 2017 e
avaliado no ano de 2015. Ao fim desse processo, foi escolhido o
modelo com menor erro sobre o conjunto de valida{\c{c}}{\~a}o.
Para avalia{\c{c}}{\~a}o final 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.",
conference-location = "on line",
conference-year = "21 a 25 – ago",
label = "self-archiving-INPE-MCTIC-GOV-BR",
language = "pt",
organisation = "Divis{\~a}o de Fomento a Pesquisa e Desenvolvimento (DIFPD)",
ibi = "8JMKD3MGP3W34T/4A3P4LL",
url = "http://urlib.net/ibi/8JMKD3MGP3W34T/4A3P4LL",
targetfile = "Resumo_Geronimo_Gallarreta_Zubiaurre_Lemos.pdf",
urlaccessdate = "27 abr. 2024"
}