Vinícius Albuquerque de Almeida
Título
SISTEMA DE PREVISÃO DE EVENTOS METEOROLÓGICOS CONVECTIVOS PARA A ÁREA TERMINAL DO RIO DE JANEIRO
Resumo
Neste trabalho são utilizadas duas abordagens de previsão de tempo usando algoritmos de aprendizado de máquina para a área terminal de voo do Aeroporto Internacional do Rio de Janeiro. O primeiro método utiliza índices termodinâmicos extraídos das sondagens do aeroporto como variável de entrada para o modelo e, como variável objetivo, a previsão de (a) ocorrência e (b) severidade de eventos convectivos – classificados a partir de descargas atmosféricas registradas pela rede RINDAT entre 2001 e 2016. Os resultados encontrados para previsão de ocorrência (severidade) apontam mais de 90% (84%) de probabilidade de detecção e cerca de 10% (20%) de falso alarme. Um segundo método, consiste no treinamento de redes neurais artificiais para assimilação de dados locais (superfície e perfil) no modelo atmosférico regional Weather Research Forecasting aplicada em campos de previsão de 6 horas. Este método se mostrou eficiente para emular a abordagem tradicional de assimilação (3d-var) sem perda significativa de informação e com duas grandes vantagens: tempo de execução cerca de 70 vezes mais rápido e poder ser executado em máquinas de pequeno porte, sem a necessidade de supercomputadores.
Abstract
In this work, two weather forecasting approaches using machine learning algorithms for the flight terminal area of the International Airport of Rio de Janeiro are explored. The first method uses thermodynamic stability indices extracted from the airport soundings as input variable for the model and, as target variable, the prediction of (a) occurrence and (b) severity of meteorological convective events - classified from atmospheric discharges recorded by the RINDAT network between 2001 and 2016. The results found for the prediction of occurrence (severity) indicate more than 90% (84%) probability of detection and about 10% (20%) false alarm. A second method consists of training artificial neural networks for local data assimilation (surface and profile) in the regional atmospheric model Weather Research Forecasting applied to 6-hour forecast fields. This method proved to be efficient to emulate the traditional data assimilation approach (3d-var) without significant loss of information and with two great advantages: execution time around 70 times faster and can be used without high-performance hardware.
