Suzanna Maria Bonnet de Oliveira Martins
Título
PREVISÃO QUALITATIVA DE CHUVA POR DEEP LEARNING USANDO IMAGENS DE RADAR METEOROLÓGICO
Resumo
Nowcasting (ou previsão a curtíssimo prazo) de precipitação pode alertar e prever, em geral com um curto tempo de antecedência, a possibilidade de ocorrência de mudanças bruscas no tempo que possam causar algum risco humano ou material. A maioria dos métodos de nowcasting convencionais extrapolam os ecos de radares meteorológicos, mas o nowcasting de precipitação ainda é um desafio, devido a características intrínsecas da precipitação e deficiências nos sistemas de medição, entre outros fatores. Recentemente, algoritmos de previsão de vídeo por deep learning (VPDL) vêm sendo aplicados ao nowcasting de precipitação. Nesta tese, o modelo VPDL PredRNN++ é utilizado para prever sequências de imagens de refletividade do radar, com antecedência de pelo menos 1h, a partir de sequências de imagens de refletividade do radar de Ponte Nova (SP). Os resultados obtidos confirmam o potencial do modelo VPDL como uma ferramenta adicional no suporte ao nowcasting, com 86% POD, 53% FAR e 0,44 CSI para previsão de 30 min. As análises dos resultados apontaram que: o modelo VPDL prevê mais pixels com refletividade do que o observado; a qualidade da previsão se degrada com o aumento do horizonte de previsão; os resultados se mostraram sensíveis à frequência de pixels com refletividade observados no período avaliado; valores de refletividade previstos são suavizados em relação aos valores observados devido à arquitetura do modelo VPDL. De fato, o modelo provê tendências úteis na localização e no desenvolvimento de regiões com chuva para sistemas que possam causar risco a população. Apesar dos eventos meteorológicos que levam a desastres variarem de local para local, uma solução geral pode contribuir como uma ferramenta de auxílio na tomada de decisão e consequentemente a emissão de alertas mais eficientes.
Abstract
Precipitation nowcasting (or very-short range forecasting) can predict and alert, usually with a short lead time, for any possibility of abrupt weather changes which may cause both human and material risks. Most of the conventional nowcasting methods extrapolate weather radar echoes, but precipitation nowcasting is still a challenge, due to intrinsic characteristics of the meteorological systems and deficiencies in measurement, among others. Recently video prediction deep learning (VPDL) algorithms have been applied in precipitation nowcasting. In this thesis we use the VPDL PredRNN++ and sequences of the Ponte Nova (SP) weather radar reflectivity images to predict the future sequence of reflectivity images for up to 1-hour lead time. We also verify the feasibility for the continuous use of the VPDL model predictions, providing the meteorologist with trends and forecasts in precipitation edges regardless of the weather event occurring. The results obtained confirm the potential of the VPDL model as an additional tool to assist nowcasting, with 86% POD, 53% FAR and 0,44 CSI for 30 min lead time. By using pixel by pixel confusion matrix for the architecture used in the VPDL model, we find that: the VPDL model overforecasts the prediction of reflectivity pixels; the forecast quality decrease with prediction horizon; the number of reflectivity pixels affects the results; the numerical results are smoothed due to model architecture. In fact, the model provides trends in the localization and development of rain edges of systems that can cause damage. As a tool to assist nowcasting, this model should be used in parallel with other data and models. Even though meteorological systems which trigger natural disasters vary by location, a general solution can contribute as a tool to assist decision-makers and consequently issue efficient alerts.
