Classificação de previsibilidade do modelo global do CPTEC utilizando breeding e inteligência computacional

• Ano de defesa: 2017
• Autor(a) principal: Luis Fernando Salgueiro Romero
• Orientador(a): Sandra Aparecida Sandri
• Banca de defesa: Stephan Stephany, Antonio Divino Moura, Fernando Antonio Campos Gomide
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Computação Aplicada
• País: BR
• Resumo em Inglês: Numerical Weather Prediction (NWP) has made great progress in the last decades due to the increase of computational power, new parameterizations of physical processes and the increase of observational data. PNT has a huge positive impact on human activities. The phenomena that describe the dynamics of the atmosphere are non-linear and can present chaotic behavior, being highly sensitive to the initial conditions. Thus, uncertainties inherent to the atmospheric model limit the quality of the forecast. One approach to study the evolution and propagation of these errors is the Breeding method which consists of a periodic evaluation of two simulations using the same model: one simulation starting from initial reference conditions and the other with disturbed initial conditions. Bred vectors are differences between the simulations mentioned above, in which the magnitude of the vector can be used as a measure of the uncertainty of the prediction. This dissertation aims to use the breeding technique with artificial intelligence algorithms to evaluate the prediction quality of the CPTEC-INPE global atmospheric circulation model. The first stage of the work consisted in the installation of the CPTEC-INPE global model of the Cray XE6 supercomputer (Tupã) - Portland compiler - to the Lacibrido cluster (LAC-INPE) - GNU compiler. The breeding technique was compared to ensemble prediction. There was a good agreement in the regions of the planet between the greater magnitude of the bred vector and larger variance of the ensemble. Prediction reliability classes were defined and classification was performed using neuro-fuzzy systems, artificial neural networks, binary hierarquical classifiers and committee method. The results obtained are promising, with satisfactory indexes of classification, which makes possible the introduction of the Breeding methodology as a tool for studying the predictability of weather models.
• Link de acesso: http://urlib.net/sid.inpe.br/mtc-m21b/2017/05.12.20.32

A Previsão Numérica de Tempo (PNT) teve um grande avanço nas últimas décadas devido ao aumento do poder computacional, novas parametrizações de processos físicos e o aumento de dados de observação. A PNT tem enorme impacto positivo nas atividades humanas. Os fenômenos que descrevem a dinâmica da atmosfera são não lineares e podem apresentar comportamento caótico, sendo altamente sensível às condições iniciais. Incertezas inerentes ao modelo atmosférico limitam a qualidade da previsão. Uma abordagem para o estudo da evolução e propagação desses erros é a técnica de Breeding, que consiste em uma avaliação periódica de ciclos de duas simulações do mesmo modelo: uma simulação partindo das condições iniciais de referência e a outra com as condições iniciais perturbadas. Bred Vectors são diferenças entre as simulações anteriormente mencionadas, em que a magnitude do vetor pode ser utilizada como uma medida da incerteza da previsão. Esta dissertação tem por objetivo utilizar a técnica de Breeding com algoritmos de inteligência computacional para avaliar a qualidade da previsão do modelo de circulação atmosférica global do CPTEC-INPE. A primeira fase do trabalho consistiu na instalação do modelo global do CPTEC-INPE do supercomputador Cray XE6 (Tupã) - compilador Portland, para o cluster Lacibrido (LAC-INPE) - compilador GNU. A técnica de Breeding foi comparada com previsão por conjuntos (Ensemble). Ocorreu uma concordância nas regiões no planeta entre a maior magnitude do Bred Vector e maior variância do Ensemble. Classes de confiabilidade da previsão foram definidas e a classificação foi realizada utilizando sistemas neuro-difusos, redes neurais artificiais, classificadores hierárquicos binários e máquinas de comitê. Os resultados obtidos são promissores, com índices de classificação satisfatórios, que possibilitam a introdução da metodologia de Breeding como uma ferramenta de estudo de previsibilidade de modelos atmosféricos.