Monitoramento e previsão de atividade convectiva usando abordagens de mineração de dados

Detalhes bibliográficos
Autor(a) principal: Cesar Strauss
Data de Publicação: 2013
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações do INPE
Texto Completo: http://urlib.net/sid.inpe.br/mtc-m19/2013/11.28.14.11
Resumo: Neste trabalho são propostas algumas abordagens de mineração de dados para o monitoramento e previsão de atividade convectiva atmosférica. Os dados meteorológicos são referentes a descargas elétricas atmosféricas, radares meteorológicos e modelos numéricos de previsão de tempo. Uma primeira abordagem é a geração de campos de densidade de ocorrência de descargas para identificar as regiões mais densas, correspondentes a células de tempestade eletricamente ativas, implementada pelo software EDDA. Foi desenvolvida uma funcionalidade extra deste software, a qual também executa o agrupamento espaço-temporal das descargas, identificando assim células elétricas com mais precisão. Testes em ambiente operacional demonstraram que esses campos de densidade de descargas podem monitorar de maneira mais efetiva a atividade convectiva em comparação a outras técnicas correntes que empregam imagens de satélites meteorológicos. Naturalmente, os radares meteorológicos são mais efetivos, porém sua cobertura espacial é muito limitada no território brasileiro. A segunda abordagem baseia-se na identificação de padrões associados à atividade convectiva em saídas de um modelo numérico de previsão de tempo, de forma a prever a ocorrência e distribuição de chuva forte e convectiva a partir as previsões desse modelo. Essa abordagem foi implementada no software EPPA, ainda em desenvolvimento, que utiliza uma técnica de aprendizado de máquina, uma árvore de decisão. Testes preliminares demonstraram que esse software tem potencial para melhorar a previsão de chuva, uma vez que os modelos numéricos são sabidamente imprecisos nesse aspecto.
id INPE_3bf873d0972455ca5f676248c4409f3f
oai_identifier_str oai:urlib.net:sid.inpe.br/mtc-m19/2013/11.28.14.11.44-0
network_acronym_str INPE
network_name_str Biblioteca Digital de Teses e Dissertações do INPE
spelling info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisMonitoramento e previsão de atividade convectiva usando abordagens de mineração de dadosMonitoring and prediction of convective events using data mining approaches2013-11-29Stephan StephanyMarcelo Barbio RosaRodrigo Arnaldo ScarpelTércio AmbrizziCesar StraussInstituto Nacional de Pesquisas Espaciais (INPE)Programa de Pós-Graduação do INPE em Computação AplicadaINPEBRmineração de dadosdescargas elétricas atmosféricassistemas convectivosprevisão meteorológicaestimação de densidadedata miningelectric atmospheric dischargesconvective systemsmeteorologic predictiondensity estimationNeste trabalho são propostas algumas abordagens de mineração de dados para o monitoramento e previsão de atividade convectiva atmosférica. Os dados meteorológicos são referentes a descargas elétricas atmosféricas, radares meteorológicos e modelos numéricos de previsão de tempo. Uma primeira abordagem é a geração de campos de densidade de ocorrência de descargas para identificar as regiões mais densas, correspondentes a células de tempestade eletricamente ativas, implementada pelo software EDDA. Foi desenvolvida uma funcionalidade extra deste software, a qual também executa o agrupamento espaço-temporal das descargas, identificando assim células elétricas com mais precisão. Testes em ambiente operacional demonstraram que esses campos de densidade de descargas podem monitorar de maneira mais efetiva a atividade convectiva em comparação a outras técnicas correntes que empregam imagens de satélites meteorológicos. Naturalmente, os radares meteorológicos são mais efetivos, porém sua cobertura espacial é muito limitada no território brasileiro. A segunda abordagem baseia-se na identificação de padrões associados à atividade convectiva em saídas de um modelo numérico de previsão de tempo, de forma a prever a ocorrência e distribuição de chuva forte e convectiva a partir as previsões desse modelo. Essa abordagem foi implementada no software EPPA, ainda em desenvolvimento, que utiliza uma técnica de aprendizado de máquina, uma árvore de decisão. Testes preliminares demonstraram que esse software tem potencial para melhorar a previsão de chuva, uma vez que os modelos numéricos são sabidamente imprecisos nesse aspecto.In this work, some data mining approaches are proposed for the monitoring and prediction of atmospheric convective activity. The related meteorological data include atmospheric electrical discharges, weather radar images and numerical weather forecast outputs. A first approach is the generation of fields of density of occurrence of discharges in order to identify the denser areas that correspond to electrically active storm cells. This approach is implemented by the EDDA software. An extra funcionality of this software performs the spatio-temporal clustering of the electrical discharges allowing a more precise identification of the electrical cells. Tests performed in an operation environment show that these fields of density of discharges are more effective for the monitoring of convective activity in comparison to other current techniques that use satellite images. Naturally, weather radar are more effective, but their spatial coverage is very limited in the Brazilian territory. The second approach is based on the identification of patterns associated to convective activity in the outputs of a numerical weather forecast model, in order to predict the occurrence and distribution of intense and convective rain from the model forecasts. This approach was implemented in the EPPA software that is being developed. It employs a machine learning technique, a decision tree. Preliminary tests show that this sofware may potentially improve rain prediction, since numerical models are known to be imprecise for such task.http://urlib.net/sid.inpe.br/mtc-m19/2013/11.28.14.11info:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações do INPEinstname:Instituto Nacional de Pesquisas Espaciais (INPE)instacron:INPE2021-07-31T06:54:21Zoai:urlib.net:sid.inpe.br/mtc-m19/2013/11.28.14.11.44-0Biblioteca Digital de Teses e Dissertaçõeshttp://bibdigital.sid.inpe.br/PUBhttp://bibdigital.sid.inpe.br/col/iconet.com.br/banon/2003/11.21.21.08/doc/oai.cgiopendoar:32772021-07-31 06:54:21.315Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE)false
dc.title.pt.fl_str_mv Monitoramento e previsão de atividade convectiva usando abordagens de mineração de dados
dc.title.alternative.en.fl_str_mv Monitoring and prediction of convective events using data mining approaches
title Monitoramento e previsão de atividade convectiva usando abordagens de mineração de dados
spellingShingle Monitoramento e previsão de atividade convectiva usando abordagens de mineração de dados
Cesar Strauss
title_short Monitoramento e previsão de atividade convectiva usando abordagens de mineração de dados
title_full Monitoramento e previsão de atividade convectiva usando abordagens de mineração de dados
title_fullStr Monitoramento e previsão de atividade convectiva usando abordagens de mineração de dados
title_full_unstemmed Monitoramento e previsão de atividade convectiva usando abordagens de mineração de dados
title_sort Monitoramento e previsão de atividade convectiva usando abordagens de mineração de dados
author Cesar Strauss
author_facet Cesar Strauss
author_role author
dc.contributor.advisor1.fl_str_mv Stephan Stephany
dc.contributor.advisor2.fl_str_mv Marcelo Barbio Rosa
dc.contributor.referee1.fl_str_mv Rodrigo Arnaldo Scarpel
dc.contributor.referee2.fl_str_mv Tércio Ambrizzi
dc.contributor.author.fl_str_mv Cesar Strauss
contributor_str_mv Stephan Stephany
Marcelo Barbio Rosa
Rodrigo Arnaldo Scarpel
Tércio Ambrizzi
dc.description.abstract.por.fl_txt_mv Neste trabalho são propostas algumas abordagens de mineração de dados para o monitoramento e previsão de atividade convectiva atmosférica. Os dados meteorológicos são referentes a descargas elétricas atmosféricas, radares meteorológicos e modelos numéricos de previsão de tempo. Uma primeira abordagem é a geração de campos de densidade de ocorrência de descargas para identificar as regiões mais densas, correspondentes a células de tempestade eletricamente ativas, implementada pelo software EDDA. Foi desenvolvida uma funcionalidade extra deste software, a qual também executa o agrupamento espaço-temporal das descargas, identificando assim células elétricas com mais precisão. Testes em ambiente operacional demonstraram que esses campos de densidade de descargas podem monitorar de maneira mais efetiva a atividade convectiva em comparação a outras técnicas correntes que empregam imagens de satélites meteorológicos. Naturalmente, os radares meteorológicos são mais efetivos, porém sua cobertura espacial é muito limitada no território brasileiro. A segunda abordagem baseia-se na identificação de padrões associados à atividade convectiva em saídas de um modelo numérico de previsão de tempo, de forma a prever a ocorrência e distribuição de chuva forte e convectiva a partir as previsões desse modelo. Essa abordagem foi implementada no software EPPA, ainda em desenvolvimento, que utiliza uma técnica de aprendizado de máquina, uma árvore de decisão. Testes preliminares demonstraram que esse software tem potencial para melhorar a previsão de chuva, uma vez que os modelos numéricos são sabidamente imprecisos nesse aspecto.
dc.description.abstract.eng.fl_txt_mv In this work, some data mining approaches are proposed for the monitoring and prediction of atmospheric convective activity. The related meteorological data include atmospheric electrical discharges, weather radar images and numerical weather forecast outputs. A first approach is the generation of fields of density of occurrence of discharges in order to identify the denser areas that correspond to electrically active storm cells. This approach is implemented by the EDDA software. An extra funcionality of this software performs the spatio-temporal clustering of the electrical discharges allowing a more precise identification of the electrical cells. Tests performed in an operation environment show that these fields of density of discharges are more effective for the monitoring of convective activity in comparison to other current techniques that use satellite images. Naturally, weather radar are more effective, but their spatial coverage is very limited in the Brazilian territory. The second approach is based on the identification of patterns associated to convective activity in the outputs of a numerical weather forecast model, in order to predict the occurrence and distribution of intense and convective rain from the model forecasts. This approach was implemented in the EPPA software that is being developed. It employs a machine learning technique, a decision tree. Preliminary tests show that this sofware may potentially improve rain prediction, since numerical models are known to be imprecise for such task.
description Neste trabalho são propostas algumas abordagens de mineração de dados para o monitoramento e previsão de atividade convectiva atmosférica. Os dados meteorológicos são referentes a descargas elétricas atmosféricas, radares meteorológicos e modelos numéricos de previsão de tempo. Uma primeira abordagem é a geração de campos de densidade de ocorrência de descargas para identificar as regiões mais densas, correspondentes a células de tempestade eletricamente ativas, implementada pelo software EDDA. Foi desenvolvida uma funcionalidade extra deste software, a qual também executa o agrupamento espaço-temporal das descargas, identificando assim células elétricas com mais precisão. Testes em ambiente operacional demonstraram que esses campos de densidade de descargas podem monitorar de maneira mais efetiva a atividade convectiva em comparação a outras técnicas correntes que empregam imagens de satélites meteorológicos. Naturalmente, os radares meteorológicos são mais efetivos, porém sua cobertura espacial é muito limitada no território brasileiro. A segunda abordagem baseia-se na identificação de padrões associados à atividade convectiva em saídas de um modelo numérico de previsão de tempo, de forma a prever a ocorrência e distribuição de chuva forte e convectiva a partir as previsões desse modelo. Essa abordagem foi implementada no software EPPA, ainda em desenvolvimento, que utiliza uma técnica de aprendizado de máquina, uma árvore de decisão. Testes preliminares demonstraram que esse software tem potencial para melhorar a previsão de chuva, uma vez que os modelos numéricos são sabidamente imprecisos nesse aspecto.
publishDate 2013
dc.date.issued.fl_str_mv 2013-11-29
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
status_str publishedVersion
format doctoralThesis
dc.identifier.uri.fl_str_mv http://urlib.net/sid.inpe.br/mtc-m19/2013/11.28.14.11
url http://urlib.net/sid.inpe.br/mtc-m19/2013/11.28.14.11
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Instituto Nacional de Pesquisas Espaciais (INPE)
dc.publisher.program.fl_str_mv Programa de Pós-Graduação do INPE em Computação Aplicada
dc.publisher.initials.fl_str_mv INPE
dc.publisher.country.fl_str_mv BR
publisher.none.fl_str_mv Instituto Nacional de Pesquisas Espaciais (INPE)
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações do INPE
instname:Instituto Nacional de Pesquisas Espaciais (INPE)
instacron:INPE
reponame_str Biblioteca Digital de Teses e Dissertações do INPE
collection Biblioteca Digital de Teses e Dissertações do INPE
instname_str Instituto Nacional de Pesquisas Espaciais (INPE)
instacron_str INPE
institution INPE
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE)
repository.mail.fl_str_mv
publisher_program_txtF_mv Programa de Pós-Graduação do INPE em Computação Aplicada
contributor_advisor1_txtF_mv Stephan Stephany
_version_ 1706809355943280640

Registros relacionados