Previsão de Convecção Profunda Usando Árvore de Decisão na Região Metropolitana do Rio de Janeiro

• Autor(a) principal: Freitas, Juliana Hermsdorff Vellozo de
• Data de Publicação: 2019
• Outros Autores: França, Gutemberg Borges, Menezes, Wallace Figueiredo
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Anuário do Instituto de Geociências (Online)
• Texto Completo: https://revistas.ufrj.br/index.php/aigeo/article/view/29976
• topic: Descargas atmosféricas; Tempestades; Nowcasting; Árvore de decisão; Inteligência artificial

Neste trabalho são estudadas e analisadas descargas atmosféricas, e árvore de decisão é usada como ferrramenta de nowcasting de eventos convectivos intensos, baseando-se no comportamento do conjuntos dos índices de instabilidade atmosférica, na área entre as latitudes 22,7ºS e 23,1ºS e longitudes 43ºW e 44ºW, da Região Metropolitana do Rio de Janeiro (RMRJ). Para seleção de eventos convectivos, foi usado dados de descargas atmosféricas e posteriormente houve a seleção de seus respectivos índices termodinâmicos. Os eventos foram classificados como A, B, C e D de acordo com a taxa de descargas por tempestade observada na área de estudo. Os índices de instabilidade atmosférica foram calculados através do perfil atmosférico da radiossondagens diariamente lançados às 09h e 21h na Estação de ar superior Galeão, no aeroporto internacional do Galeão (SBGL) na cidade do Rio de Janeiro - RJ, no período entre Abril de 2000 a Dezembro de 2016. O total de descargas ocorrido soma 81.317 e estes filtrado dos possíveis ruídos resultaram em 60.145. Resultados da série de treinamentos executados até a obtenção da árvore são apresentados e analisados. O desempenho da árvore foi testada através dos indicadores: taxa de verdadeiro positivo, alarme falso, precisão e taxa verdadeiro negativo por classes, e seus valores são (classe): 0,995 (A), 0,015 (A), 0,888 (A), 0,981 (A); 1,000 (B), 0,042 (B), 0,828 (B) 0,949 (B); 0,824 (C), 0,135 (C), 0,632 (C), 0,858 (C), e 0,717(D), 0,056 (D), 0,928 (D), 0,942(D), respectivamente. Um estudo de caso é apresentado e sua análise mostra que a delimitação da área de estudo influenciou no resultado das estatísticas e, principalmentamente, daqueles relacionados com as classes D, caracterizando uma árvore de decisão robusta.