MONITORAMENTO E PREVISÃO DE ATIVIDADE CONVECTIVA USANDO DADOS DE DESCARGAS ELÉTRICAS ATMOSFÉRICAS

Transcrição

1 MONITORAMENTO E PREVISÃO DE ATIVIDADE CONVECTIVA USANDO DADOS DE DESCARGAS ELÉTRICAS ATMOSFÉRICAS Alex de Almeida Fernandes (CPTEC/INPE) Alan James Peixoto Calheiros (LAC/INPE) Cesar Strauss (CEA/INPE) Glauston Roberto Teixeira de Lima (CEMADEN) João Victor Cal Garcia (CEMADEN) Stephan Stephany (LAC/INPE) CAP/INPE (06 dezembro 2018)

2 MOTIVAÇÃO 2/37 previsão do tempo - grande volumes de dados de modelos numéricos, satélites, radares, etc. BIG DATA - tendência atual de uso de mineração de dados para auxílio ao meteorologista imprecisão dos modelos numéricos na previsão de atividade convectiva cobertura pequena de radares met. no Brasil correlação entre descargas elétricas atmosféricas e atividade convectiva como detetar e monitorar a atividade convectiva severa?

3 PROJETOS ANTERIORES (há 10 anos...) 3/37 CB-MINING: Mineração de dados associados a sistemas convectivos (duração , Edital Universal CNPq) ADAPT - Tempestades: desenvolvimento de um sistema dinamicamente adaptativo para produção de alertas para a região Sul/Sudeste (duração ) (FINEP) Meta 2 Mineração de dados para identificação de condições favoráveis à gênese e evolução de tempestades

4 SOFTWARES DESENVOLVIDOS OU EM DESENVOLVIMENTO 4/37 EDDA - Estimação de Densidade de Descargas elétricas Atmosféricas (monitoramento / nowcasting operacional ) EDDA G - Estimação de Densidade de Descargas elétricas Atmosféricas com agrupamento (monitoramento/ nowcasting - operacional ) EDDA-chuva (EDDA + estimação de precipitação acumulada, monitoramento - operacional ) EPPA - Estimação de Precipitação a partir de dados de Previsão e Análise (previsão - em desenvolvimento )

5 SOFTWARE EDDA Geração de um campo de densidade de ocorrência de descargas 2D fictício de descargas NS para um intervalo de tempo determinado Estimação de núcleo Gaussiano 2D Dados do RINDAT Correção da distância Euclidiana devida à latitude Avaliação operacional no CEMADEN feita em /37 Versão derivada para agrupamento espaço-temporal de descargas (EDDA-G)

6 ALGUNS MÉTODOS KERNEL ESTIMAÇÃO DE DENSIDADE Largura de janela/raio influência (fixo/automático) 6/37

7 DADOS METEOROLÓGICOS DADOS DE DESCARGAS 7/37 Rede detecção RINDAT (ou BRASILDAT/Earth Networks) Sensores RF, dados em formato UALF (descargas NS +/-, NN +/-, futuramente IN +/-)

8 SOFTWARE EDDA (ex. CEMADEN) 8/37 Densidade de descargas (EDDA) x Imagem GOES realçada (temperatura de topo de nuvens)

9 SOFTWARE EDDA (ex. CEMADEN) 9/37 Densidade de descargas (EDDA) x Sistemas convectivos identificados p/ ForTraCC

10 SOFTWARE EDDA (ex. CEMADEN) Densidade de descargas (EDDA) x Radar de São Roque (CAPPI 3 km) 10/37

11 SOFTWARE EDDA (ex. CEMADEN) 11/37 Densidade de descargas (EDDA) x Precipitação estimada por satélite (Hidroestimador)

12 ALGUNS MÉTODOS EDDA CHUVA 12/37 Análise da correlação entre descargas NS e chuva convectiva (séries temporais para acumulados de 30 min de descargas NS e chuva para uma tempestade em setembro de 2013 numa área 50km x 50 km próxima Bauru) (Garcia et al. 2013) Precipitação Descargas NS

13 ALGUNS MÉTODOS EDDA CHUVA Estimativas de massa de chuva convectiva por radar (azul) e pelo S/W EDDA-CHUVA (vermelho) para a tempestade de 22/4/2010 em Presidente Prudente (acumulados de 30 min e massa cumulativa, horário UTC). 13/37

14 SOFTWARE EDDA-G COM AGRUPAMENTO 14/37 ESPAÇO-TEMPORAL DE DESCARGAS Agrupamento espaço-temporal com janela deslizante temporal Utiliza algoritmo de agrupamento DENCLUE Grupos podem se dividir ou fundir:

15 DADOS METEOROLÓGICOS 15/37 DADOS DE RADARES METEOROLóGICOS (Exemplo) radares Bauru e Presidente Prudente (IPMet/UNESP) e São Roque (DECEA): radares Doppler banda S, imagens CAPPI 3 km

16 RESULTADOS ANÁLISE SINÓTICA 16/37 Evento A 16/01/ :30 20:30 UTC

17 RESULTADOS SOFTWARE EDDA 17/37 Evento A Chuva convectiva sobreposta a contorno de limiar de densidade, 1 / (grau².min)

18 RESULTADOS SOFTWARE EDDA-G Evento A Chuva convectiva sobreposta a contorno do agrupamento espaço-temporal 18/37

19 RESULTADOS ANÁLISE SINÓTICA 19/37 Evento B 19/01/ :00-23:30 UTC

20 RESULTADOS SOFTWARE EDDA 20/37 Evento B Chuva convectiva sobreposta a contorno de limiar de densidade, 1 / (grau².min)

21 RESULTADOS SOFTWARE EDDA-G Evento B Chuva convectiva sobreposta a contorno do agrupamento espaço-temporal 21/37

22 RESULTADOS SOFTWARE EDDA-G 22/37 Evolução temporal de células selecionadas número de descargas NS número de descargas NS precipitação número de descargas NS Evento A célula #1 Evento B célula #3 tempo

23 ALGUNS MÉTODOS PROCESSO KDD KDD DESCOBRIMENTO DE CONHECIMENTO EM BASES DE DADOS 23/37

24 DADOS METEOROLÓGICOS DADOS DO MODELO NUMÉRICO 24/37 Utilizou-se modelo ETA (resolução 20 km e 5 km) Migração para WRF, BRAMS, etc.? Exemplos de variáveis e índices de instabilidade empregados: umrl500, umrl700, umrl850, umrl925, umrl1000 t500, t700, t850, uvel500, uvel850, vvel500, vvel850 índices VT, CT, TT, K, SWEAT, CAPE, CINE, BLI

25 DADOS METEOROLÓGICOS DADOS DO MODELO NUMÉRICO ETA 25/37 SELEÇÃO DE ATRIBUTOS PARA CLASSIFICAÇÃO (software EPPA): 11 atributos, iguais ao da ferramenta objetiva de previsão do CPTEC OUTRAS ABORDAGENS DE MINERAÇÃO DE DADOS: 65 atributos relativos à variáveis selecionadas do modelo ETA (Pessoa et al., 2012) 26 atributos selecionados dentre os 65 atributos acima (Lima & Stephany, 2013 a/b)

26 ALGUNS MÉTODOS - EPPA 26/37 Software EPPA: deve classificar padrões associados à chuva forte e convectiva Classificação por árvore de decisão e (futuramente) random forest CART Classification and Regression Trees (Breiman et al. 1984): árvore binária, variáveis contínuas, pureza de cada nó pelo índice Gini: ( p = proporção de elementos da classe i no nó S)

27 ALGUNS MÉTODOS - EPPA FERRAMENTA OBJETIVA DE PREVISÃO DO TEMPO (CPTEC/INPE) regras práticas que utilizam variáveis e índices de previsões do ETA 20km Caso I : Pancada de Caso II : Chuva com Trovoada Tempestade Caso III : Granizo Chuvas geralmente moderadas ou intensas e acompanhadas de atividade elétrica Ocorrência de tempo mais severo, geralmente associado com chuvas torrenciais, grandes acumulados de chuva, rajadas de vento, fortes descargas elétricas e até presença de tornados Identificar prováveis áreas com potencial ocorrência de granizo. média umid.relat. (1000/925/850) > 60% média umid.relat. (850/700/500) > 60% omega(500) < -2.10^-5 TT > 45 K > 30 média umid.relat. (1000/925/850) > 60% média umid.relat. (850/700/500) > 60% omega(500) < -2.10^-5 TT > 48 K > 33 média umid.relat. (1000/925/850) > 60% média umid.relat. (850/700/500) > 60% omega(500) < -3.10^-5 TT > 52 SWEAT > /37

28 SOFTWARE EPPA 28/37 Previsão de chuva forte e convectiva a partir de saídas do modelo ETA Em desenvolvimento no ambiente de software R Treinamento com dados de radar e/ou descargas Usa árvore de decisão CART (random forest?) Atributos: variáveis e índices de instabilidade da ferramenta objetiva do CPTEC Desempenho de classificação: POD FAR = VP / (VP + FN) 100% = FP / (VP + FP) 100%

29 SOFTWARE EPPA 29/37 USO DE VIZINHANÇA RELAXADA PARA CORRELAÇÃO ENTRE A CHUVA PREVISTA E A OBSERVADA Desempenho da classificação pode ser subestimado devido a imprecisões do modelo numérico Critério adotado: (espacial 1) Pixel com chuva observada vizinho a chuva prevista é tratado como VP (não como FN) (espacial 2) Pixel com chuva prevista vizinho a chuva observada é tratada como VP (não como FP) (temporal) Pixel com chuva prevista é tratado como VP se houver chuva observada 30 min antes ou depois

30 RESULTADOS FERRAMENTA OBJETIVA CPTEC 30/37 Desempenho de classificação na previsão de ocorrência de precipitação (ETA 20km, jan/2010) Pancada de chuva com trovoadas vizinhança (pixels) (caso 1) nula previsões (h) POD FAR POD FAR POD FAR ,2 72,8 32,3 46,3 41,4 30, ,5 67,9 31,0 37,0 38,8 20, ,3 74,6 31,9 49,0 41,2 33, ,8 72,1 33,9 44,0 42,5 26,9 Tempestades vizinhança (pixels) (caso 2) nula previsões (h) POD FAR POD FAR POD FAR ,61 26,1 2,76 36,2 4,07 21, ,25 27,5 5,16 33,3 8,23 16, ,96 16,7 4,70 50,4 7,41 30, ,00 24,2 7,69 43,7 11,44 24,5

31 RESULTADOS SOFTWARE EPPA 31/37 Previsão de ocorrência de precipitação, treinando e testando com dados de análise e previsão (ETA 20 km, janeiro/2010) vizinhança (pixels) nula previsões (UTC) POD FAR POD FAR POD FAR ,7 68,5 85,4 44,6 94,3 30, ,0 68,1 83,4 42,4 92,6 27, ,4 66,6 82,7 40,6 93,7 26, ,8 70,3 80,8 43,7 92,7 25,5

32 PREDIÇÃO DE ATIVIDADE CONVECTIVA 32/37 USO DE REDES NEURAIS TREINADAS COM DADOS DE ANÁLISE E PREVISÃO DE MODELO PARA PREDIÇÃO DE OCORRÊNCIA DE ATIVIDADE CONVECTIVA FORTE TESTES COM MODELO ETA 20 km, 2 CLASSES (FORTE, NÃO-FORTE), 26 ATRIBUTOS,...

33 PREDIÇÃO DE ATIVIDADE CONVECTIVA 33/37 ( ) USO DE REDES NEURAIS TREINADAS COM DADOS DE ANÁLISE E PREVISÃO DE MODELO PARA PREDIÇÃO DE OCORRÊNCIA DE ATIVIDADE CONVECTIVA TESTES COM MODELO ETA 20 km, CLASSES NSCA/SCA, PREDIÇÃO 48 hs, MÉDIAS E MÁXIMOS/MíNIMOS DE 20 EXECUÇÕES MELHOR RESULTADO ABAIXO! TREINAMENTO TESTES POD/FAR 0.909/0.149 POD/FAR 0.913/0.087

34 PREDIÇÃO DE ATIVIDADE CONVECTIVA 34/37 ( ) USO DE REDES NEURAIS TREINADAS COM DADOS DE ANÁLISE E PREVISÃO DE MODELO PARA PREDIÇÃO DE OCORRÊNCIA DE ATIVIDADE CONVECTIVA. TESTES COM MODELO BRAMS 5 km, CLASSES NSCA/SCA, PREDIÇÕES 6-72 hs, EM ANDAMENTO! SANITIZAÇÃO DOS DADOS, REDUÇÃO DE ATRIBUTOS, CONSTRUÇÃO DE UMA BASE DE DADOS MAIS EXTENSA... FOCO NA PREDIÇÃO QUALITATIVA EM VEZ QUANTITATIVA COMO INDICADOR AUXILIAR METEOROLOGISTA PREVISOR. DA AO

35 Conclusões e Comentários Finais 35/37 Softwares EDDA, EDDA-chuva e EDDA-G disponíveis. O software EDDA e seus derivados demonstram o potencial do uso de dados de descargas no monitoramento da atividade convectiva, que serviria para países com pequena cobertura radar. O software EDDA-G tem potencial para o estudo dos aspectos eletrodinâmicos das tempestades e para disparar automaticamente modelo de alta resolução. O software EDDA foi usado na pesquisa de alguns classificadores em abordagens de mineração de dados meteorológicos para predição. Software EPPA ainda em desenvolvimento, mas predição por redes neurais possível como informação adicional qualitativa ao meteorologista.

36 PRODUÇÃO BIBLIOGRÁFICA RECENTE 1. DE LIMA, G. R. T. ; STEPHANY, S. ; de PAULA, E. R. ; BATISTA, I. S. ; ABDU, M. A. ; REZENDE, L. F. C. ; AQUINO, M. G. S. ; DUTRA, A. P. S. Correlation analysis between the occurrence of ionospheric scintillation at the magnetic equator and at the southern peak of the Equatorial Ionization Anomaly. Space Weather (Online), v.12, p , DE LIMA, G. R. T. ; STEPHANY, S. ; de PAULA, E. R. ; BATISTA, I. S. ; ABDU, M. A. Prediction of the level of ionospheric scintillation at equatorial latitudes in Brazil using a neural network. Space Weather (Online), v. 13, PESSOA, Alex Sandro Aguiar ; Stephany, Stephan. An Innovative Approach for Attribute Reduction in Rough Set Theory. Intelligent Information Management, v.6, p , LIMA, Glauston Roberto Teixeira de ; STEPHANY, S.. A new classification approach for detecting severe weather patterns. Computers & Geosciences, v. 57, p , LIMA, Glauston Roberto Teixeira de ; STEPHANY, S.. Training a neural network to detect patterns associated with severe weather. Learning and Nonlinear Models, v. 11, p , GARCIA, JOÃO V. C. ; Stephany, Stephan ; D'OLIVEIRA, AUGUSTO B.. Estimation of convective precipitation mass from lightning data using a temporal slidingwindow for a series of thunderstorms in Southeastern Brazil. Atmospheric Science Letters, v. 14, p , 2013.

37 PRODUÇÃO BIBLIOGRÁFICA RECENTE 7. STRAUSS, Cesar ; ROSA, Marcelo Barbio ; Stephany, Stephan. Spatiotemporal clustering and density estimation of lightning data for the tracking of convective events. Atmospheric Research (Print), v. 134, p , PESSOA, Alex Sandro Aguiar ; LIMA, Glauston Roberto Teixeira de ; SILVA, José Demísio Simões ; STEPHANY, S. ; STRAUSS, Cesar ; CAETANO, Mirian ; FERREIRA, Nelson Jesus. Mineração de dados meteorológicos para previsão de eventos severos. Revista Brasileira de Meteorologia (Impresso), v. 27, p , GARCIA, João Victor Cal ; STEPHANY, S. ; CALHEIROS, Roberto Vicente ; D'OLIVEIRA, Augusto Brandão. Um filtro gaussiano adaptativo para análise comparativa de imagens de radares e satélites meteorológicos. Irriga (UNESP Botucatu), v. 16, p , REZENDE, L. F. C. ; de PAULA, E. R. ; STEPHANY, S. ; KANTOR, I. J. ; MUELLA, M. T. A. H. ; de Siqueira, P. M. ; CORREA, K. S.. Survey and prediction of the ionospheric scintillation using data mining techniques. Space Weather (Online), v. 8, p. 1-10, 2010.