2 - MATERIAL E MÉTODOS

Transcrição

1 Previsão de Curto Prazo de Eventos Extremos utilizando Redes Neurais Artificiais para o Aeroporto de Guarulhos-SP Juliana Hermsdorff Vellozo de Freitas 1,Phd. Gutemberg Borges França 1, DSc. Manoel Valdonel de Almeida 1 1 Universidade Federal do Rio de Janeiro UFRJ Rio de Janeiro RJ Brasil, s: juliana@lma.ufrj.br, valdonel@lma.ufrj.br, gutemberg@lma.ufrj.br ABSTRACT Extreme Meteorological Events (EME) has enormous implication for people, given their vast potential damage to human activities. Alerts for population and the adoption of strategies that minimize possible damage caused, it is very important. The study of favorable weather conditions for the formation these systems as well as their short-term forecasting are of great importance to operational agencies, particularly at flight protection. It is well known that the actual weather numerical forecasts models are not able to make very short time forecasting (nowcasting) in local scale resolutions, which are the scales (time and space) the extreme meteorological events occur. In this context, Artificial Neural Networks (ANN) has been used successfully in order to fill this deficiency of the models numerical (Almeida, 2009). In this work an ANN has been trained, tested and validated using regular meteorological surface observations during the period of 26 years ( ) from the Guarulhos Airport Meteorological Station. The skill performance of the ANN is quite interesting since the its forecasting probability to EME and false alarm for the period of 1-2 hours is great than 80% and less than 20%, respectively. Palavras-chave: Redes Neurais Artificiais, Nowcasting, Eventos Extremos 1 INTRODUÇÃO Eventos Meteorológicos Extremos (EME) têm grande importância para a sociedade em geral, tendo em vista o enorme potencial de danos que podem causar a atividades humanas. Por isso, é muito importante o alerta à população e a antecipação da adoção de estratégias que minimizem os possíveis danos que os eventos extremos possam causar. O estudo das condições meteorológicas favoráveis à formação de sistemas que gerem eventos extremos bem como a previsão em curto prazo desses eventos tem um grande valor para diversos órgãos operacionais da sociedade, em particular, à proteção ao vôo. Sabe-se que os modelos numéricos de previsão do tempo apresentam falhas em realizar prognósticos consistentes de curto prazo de tempo (nowcasting) de até 3 horas e em resolução espacial local, onde se enquadram os eventos extremos. Tendo em vista a importância da previsão de curto de prazo desses eventos extremos, atualmente as Redes Neurais Artificiais (RNA) vêm sendo utilizadas com bons resultados visando preencher essa deficiência dos modelos numéricos de previsão do tempo, conforme mencionado (Almeida, 2009). As RNAs possuem a capacidade de aprendizagem e com isto conseguem armazenar conhecimento experimental e torná-lo disponível para o uso. Baseando-se em informações sobre as condições favoráveis para a formação de sistemas meteorológicos que provocam condições extremas, uma ou mais RNAs foram treinadas e validadas para fazer a previsão em curto prazo desses fenômenos. Foram utilizadas observações meteorológicas regulares de superfície do período de 26 anos ( ) da Estação Meteorológica do Aeroporto de Guarulhos. Neste trabalho foi usado NeuroShell Classifier, um software da Ward Systems Group, que utiliza Redes Neurais Probabilísticas (Probabilistic Neural Nets - PNN).

2 A capacidade de previsão da RNA é satisfatória, pois a probabilidade de previsão de um EME e o alarme falso, para os períodos de 1-2 horas, é muito superior a 80% e inferior a 20%, respectivamente. Para a terceira hora o resultado foi fraco, apresentando uma grande percentagem de alarmes falsos (maior que 62%). 2 - MATERIAL E MÉTODOS Foram obtidos dados de observações meteorológicas de superfície disponíveis da estação de Cumbica/Guarulhos-SP no período de 1980 a Esses dados foram analisados, foram desconsiderados aqueles com falhas e inconsistências. Após isto restaram observações meteorológicas de superfície que serão chamadas aqui de eventos meteorológicos. Utilizou-se o registro do fenômeno trovoada nos eventos meteorológicos, para associar com ocorrência de eventos extremos. Trovoadas, que em meteorologia aeronáutica são definidas como nuvens cumulonimbus (CBs) com ocorrência de relâmpagos, são muito prejudiciais às aeronaves em vôo, uma vez que essas nuvens são associadas a correntes verticais intensas e à formação de gelo em seu interior. Estes dois fatores podem danificar seriamente as aeronaves em vôo e comprometer suas seguranças. Neste trabalho, foi considerada a existência do fenômeno trovoada quando ocorria pelo menos um dos seguintes registros nos eventos meteorológicos ou observações meteorológicas de superfície: Tempo Presente (ww) entre 90 a 99 (trovoada na hora da observação), de acordo com a tabela 4677 do Manual de Códigos Meteorológicos, do Comando da Aeronáutica; Tipo de Nuvem igual a 9 (Nuvens Cumulonimbus), em qualquer um dos quatro níveis de altura de nuvens da tabela 0500 do Manual de Códigos Meteorológicos, do Comando da Aeronáutica. Após esse filtro foi obtido um total de dados de ocorrência e não-ocorrência de trovoada. Foram utilizados 70% desses dados para treinamento e teste da RNA e 30% para validação dos resultados. As variáveis de entrada utilizadas foram obtidas dos dados das observações meteorológicas horárias de superfície. Estas variáveis são as seguintes: Visibilidade; Condição Geral do Tempo (CGT); Quantidade de nuvem; Tipo de nuvem; Pressão atmosférica; Diferença da pressão atmosférica em relação às 3 horas anteriores; Diferença da pressão atmosférica em relação às 24 horas anteriores; Umidade relativa; Temperatura do ar; Diferença da temperatura do ar em relação às 24 horas anteriores; Direção do vento; Velocidade do vento. A variável de saída tem um formato binário: positivo para a ocorrência do fenômeno de trovoada e negativo para não ocorrência do fenômeno. Assim temos: SIM para a ocorrência do fenômeno ; NÃO para não ocorrência do fenômeno.

3 Neste trabalho foi usado NeuroShell Classifier, um software da Ward Systems Group, que utiliza Redes Neurais Probabilísticas (Probabilistic Neural Nets - PNN), as quais têm a capacidade de resolver problemas de classificação. A análise dos resultados foi feita através de uma tabela de contingência 2x2 para cada hora prevista, cujo modelo é mostrado na Tabela 1. Tabela 1 - Modelo de tabela de contingência 2x2. Observado evento não-evento Previsto evento a b a+b não-evento c d c+d a+c b+d n=a+b+c+d onde, a é o número de acertos do evento; b é o número de eventos previstos, mas que não foram observados; c é o número de eventos que foram observados e não foram previstos; d é o número de acertos do não-evento; (a+c) é o total de eventos observados; (b+d) é o total de não-eventos observados; (a+b) é o total de eventos previstos; (c+d) é o total de não-eventos previstos n é o tamanho do conjunto ou amostra. Foram utilizadas duas medidas para a avaliação dos resultados da ocorrência do fenômeno trovoada: Sensibilidade: (POD Probabilidade de Detecção ou Previsão Correta do Evento ou verdadeiro-positivo); fornece a taxa de previsão correta do evento desejado (por exemplo, visibilidade-baixa ou nevoeiro): a POD = a + c Alarme Falso: (POFD Probabilidade de Falsa Detecção ou alarme falso (ou falsopositivo). Corresponde à razão do número de alarme falso dividido pelo total de não-eventos observados: b POFD = b + d 3 RESULTADOS E DISCUSSÃO A partir das redes treinadas foram obtidos os seguintes resultados: 1) Para a 1ª hora de previsão do evento, obtiveram-se os resultados apresentados na Tabela 2.

4 Tabela 2 Tabela de contingência com os resultados da previsão para a 1ª hora. NÃO SIM TOTAL OBSERVADO Os resultados para a primeira hora foram considerados bons, com a sensibilidade maior que 80% e o alarme falso menor que 20%. A seguir são apresentados esses resultados, de acordo com a Tabela 2: Sensibilidade = 80,5% Alarme falso = 19,5 % 2) Para a 2ª hora de previsão do evento foram obtidos os resultados mostrados na tabela 3. Tabela 3 Tabela de contingência com os resultados da previsão para a 2ª hora. NÃO SIM TOTAL OBSERVADO Os resultados para a segunda hora também foram considerados bons, com a sensibilidade maior que 81% e o alarme falso menor que 24%. A seguir são apresentados esses resultados, de acordo com a tabela 3: Sensibilidade = 81,7% Alarme falso = 23,5 3) Para a 3ª hora de previsão do evento foram obtidos os resultados mostrados na Tabela 4. Tabela 4 Tabela de contingência com os resultados da previsão para a 3ª hora. NÃO SIM TOTAL OBSERVADO

5 Os resultados para a terceira hora não foram considerados bons, pois embora a sensibilidade seja ainda alta (acima de 83%), o alarme falso é muito alto, em torno de 62%, de acordo com a tabela 4. Deste modo a confiabilidade da previsão para a terceira hora não é satisfatória. Esses resultados são apresentados a seguir: Sensibilidade = 83,7% Alarme falso = 62,1% 4 CONCLUSÕES Os resultados para as previsões do evento trovoada para a primeira e a segunda hora foram bons. Para a terceira hora o resultado foi fraco, mostrando uma superestimativa do evento e com isto gerando um alto índice de alarme. 5 REFERÊNCIAS BIBLIOGRÁFICAS ALMEIDA, M. V. Aplicação de Técnicas de Redes Neurais Artificiais na Previsão de Curtíssimo Prazo da Visibilidade e Teto para o Aeroporto de Guarulhos - SP. Tese de Doutorado em Ciências Atmosféricas, COPPE/UFRJ, outubro de BRASIL. DECEA. Manual de Códigos Meteorológicos - MCA Rio de Janeiro, novembro, FREITAS, J. H. V., ALMEIDA, M. V., FRANÇA, G. B. Análise da ocorrência de nevoeiro no aeroporto de Guarulhos. In: XXX Jornada Giulio Massaran de Iniciação Científica, Artística e Cultural. Rio de Janeiro, UFRJ, outubro HAYKIN, S. Redes Neurais: Princípios e prática. 2ª ed., Porto Alegre: Bookman, MENEZES, W., F. Tempestades Severas: Um modelo para latitudes subtropicais. São Paulo, USP SILVA, N., B. Aplicação de Métodos Estatísticos e Redes Neurais no pós-processamento de produtos de previsão numérica de tempo. Rio de Janeiro, COPPE/UFRJ, 2007.