Previsão de curtíssimo prazo a partir de um radar meteorológico polarimétrico
Este trabalho propõe um modelo de previsão de chuva de curtíssimo prazo baseado em aprendizado de máquina, integrando o TITAN (Thunderstorm Identification, Tracking, Analysis, and Nowcasting) a uma rede neural recorrente do tipo LSTM (Long Short-Term Memory). O objetivo é prever a evolução temporal...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2025 |
| País: | Brasil |
| Institución: | Universidade de São Paulo (USP) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | portugués |
| OAI Identifier: | oai:teses.usp.br:tde-14082025-104836 |
| Acceso en línea: | https://www.teses.usp.br/teses/disponiveis/14/14133/tde-14082025-104836/ |
| Access Level: | acceso abierto |
| Palabra clave: | LSTM Previsão de curtíssimo prazo Radar meteorológico TITAN Very Short-Term Forecasting Weather Radar |
| Sumario: | Este trabalho propõe um modelo de previsão de chuva de curtíssimo prazo baseado em aprendizado de máquina, integrando o TITAN (Thunderstorm Identification, Tracking, Analysis, and Nowcasting) a uma rede neural recorrente do tipo LSTM (Long Short-Term Memory). O objetivo é prever a evolução temporal e espacial da área de chuva e a intensidade da precipitação utilizando campos de chuva estimados por um radar meteorológico polarimétrico. No modelo, TITAN-LSTM, o TITAN identifica e rastreia os sistemas precipitantes observados no radar, alimenta o algoritmo LSTM e prevê a posição dos centroides das tempestades em até 30 minutos, enquanto a LSTM estima a área, a forma e a intensidade da chuva. A rede é composta por três camadas LSTM com dropout de 0,2 e uma camada linear, treinada com o otimizador ADAM (taxa de aprendizado de 0,0001). Utilizaram-se dados do radar Doppler banda S de dupla polarização (SPOL) do DAEE e operado pela FCTH, com resolução temporal de 5 minutos, no estado de São Paulo, entre 2016 e 2019. Um total de 439 tempestades foi selecionado por critérios de trajetória, duração, localização e proximidade; 307 (70%) tempestades foram usadas no treinamento e 132 (30%) na validação. Para tempestades com duração entre 20-40 minutos, o RMSE da área de chuva prevista reduziu-se em cerca de 6% (36%) para quando são utilizados entre 10 e 15 (30-35) minutos de entrada. O viés médio (MBE) indica superestimação (subestimação) da área de chuva para tempestades com duração entre 20-40 (> 60) minutos. A probabilidade de detecção de chuva (POD) atingiu 89% nos primeiros 15 minutos de previsão com taxa de falso alarme (FAR) inferior a 20%. Nos demais tempos de previsão, o POD variou entre 50-70% e o FAR entre 30-60%, a depender do intervalo de entrada. Para a intensidade da chuva, o melhor desempenho apresentou RMSE entre 3,5 e 4,5 mm/h quanto se utilizaram 20 minutos de entrada. De modo geral, o modelo mostrou bom desempenho espacial e temporal na previsão da área de chuva e da taxa de precipitação, destacando-se pelo uso de campos de chuva estimados por radar, pela previsão da evolução das tempestades com base em propriedades físicas e pelo baixo custo computacional. |
|---|