Sistema de Modelagem Estocástica para Previsão Climática Sazonal

Transcrição

1 Sistema de Modelagem Estocástica para Previsão Climática Sazonal Prof. Paulo Sergio Lucio Prof. David Mendes Programa de Pós-graduação em Ciências Climáticas PPGCC Bacharelado em Meteorologia BM Universidade Federal do Rio Grande do Norte - UFRN

2 Previsão sazonal: Uma abordagem mais ampla MONITORAMENTO GLOBAL DINÂMICO

3 Previsão sazonal: Uma abordagem mais ampla

4

5 DEMETER: previsão por conjunto de modelos acoplados Índice Nino-3.4 (Y) Período: Conjunto: 9 membros Jul -> Dez Defasagem: 5 meses 2 Y ~ N( t, t ) ECMWF Meteo-France (MF) Max Planck Institut (MPI) DEMETER web page:

6 Thomas Bayes ( ) Revisão da crença prévia em um evento Y consiste na atualização da prob. de Y quando nova info. X torna-se disponível. Posterior:p(Y X=x) Prob. condicional:p(x=x Y) Prévia:p(Y)

7 Observações do índice Nino-3.4 Índice Nino-3.4 valores médios: Jul: 27.1 C Dez: 26.5 C r: 0.87 TSM de Julho e Dezembro: Reynolds OI V2 ( )

8 O modelo empírico Fontes de dados: TSM (Reynolds OI v2) Precipitação (GPCP v2) Y Z ~ N (M (Z - Z o ),T) Y: Precipitação em DJF M T M S S Z o YY YZ S 1 ZZ Y S YZ S Z M 1 ZZ S T YZ Y : n q Z: Temp. Superf. Mar (TSM) em Outubro YZ : n qv Z : n v Model utiliza os três primeiros modos da Análise de Máxima Covariância (AMC) da matriz Y T Z. Coelho et al. (2006)

9 Desafio Sistema de Modelagem Estocástica para Previsão Climática Sazonal A finalidade de obter conhecimento relevante a climatologia, há necessidade de criar critérios determinísticos, como por exemplo, identificar possíveis preditores de uma previsão sazonal obtida estatisticamente. Modelos Estatísticos

10 Sistema de Modelagem Estocástica para Previsão Climática Sazonal Hipótese Problema A Ha um único método capaz de otimizar a destreza de previsões Sazonal? Hipótese A Não. Por construção cada forma de combinação pondera características diferentes, havendo diferentes respondas temporal e espacialmente. Problema B A previsão probabilística e enunciada pelos diferentes tipos de combinações utilizados nas previsões? Hipótese B Sim. Serão utilizada simulações estocásticas visando otimizar as associações entre as previsões combinadas e as observações.

11 Modelos Univariados ARIMA São modelos que utilizam a correlação entre as observações em diversos instantes. A ideia é envolver filtros diversos lineares. Decomposição do ARIMA 1 Tendência 2 Ciclo 3 - Sazonalidade

12 Analise de Correlação Canônica

13 Redes Neurais Artificiais

14 Redes Neurais Artificiais

15 Alguns resultados Dados Período Semanal ( ) Método de comparação Figura: NCEP Temp. Sup. Mar (TSM) Sea Lev. Press. (SLP) Vento (direção) Precipitação (Chuva) /INMET-ANEEL-CPTEC Redes Neurais Artificiais vs Correlações Canônicas

16 V REUNIÃO DE ANÁLISE E PREVISÃO CLIMÁTICA PARA O SETOR NORTE DO NORDESTE Correlação Canônica: objetivo principal explicar a relação entre dois conjuntos de variáveis encontrando um pequeno número de combinações lineares, para cada um dos conjuntos de variáveis, de modo a maximizar as correlação possíveis entre os grupos. PRP TSM PRP PNMM PRP VENTO

17 V REUNIÃO DE ANÁLISE E PREVISÃO CLIMÁTICA PARA O SETOR NORTE DO NORDESTE Redes Neurais Artificiais (RNA) As redes neurais artificiais (RNA) são inspiradas no modo como o cérebro humano trabalha. Camada de Entrada: Ex. Dados meteorológicos (PNMM, VENTO, UMIDADE RELATIVA, ETC); Camadas Intermediárias ou Escondidas: onde é feita a maior parte do processamento; Camada de Saída: ondeoresultadofinaléconcluídoeapresentado. Ex. o que você quer prever, cito: PRP, Anom.PRP, etc Aprendizado Supervisionado, quando é utilizado um agente externo que indica à rede a resposta desejada para o padrão de entrada; Aprendizado Não Supervisionado (autoorganização), quando não existe uma agente externo indicando a resposta desejada para os padrões de entrada; Reforço, quando um crítico externo avalia a resposta fornecida pela rede.

18 Alguns resultados 2) Aplicação cruzada RNA + ACC Redes Neurais Artificiais 1) Aplicação simples das RNA PRP TSM PNMM Vento CCA PRP ANN TSM PNMM Vento

19 Resultados PRP TSM SLP VENTO RNA CCA

20 LAG DE TEMPOS Resultados Padrão, tanto para RNA como para CCA Figura: NCEP

21 Resultados Parâmetros de comparação ( variaveis vs Chuva) - Natal Cruzamento RNA CCA CORRELAÇÃO (%) 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 Correlação (VARIAVEIS) vs PREC NATAL Niño M 6M 9M 12M 15M 18M CCA 0,79 0,61 0,54 0,4 0,35 0,18 ANN 0,78 0,62 0,56 0,43 0,39 0,19 CRUZ 0,8 0,63 0,57 0,44 0,38 0,19

22 Resultados Parâmetros de comparação ( variaveis vs Chuva) - Natal Cruzamento RNA CCA CORRELAÇÃO (%) 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 Correlação (VARIAVEIS) vs PREC NATAL Niño 3,4 0 3M 6M 9M 12M 15M 18M CCA 0,85 0,74 0,58 0,56 0,39 0,21 ANN 0,85 0,75 0,58 0,59 0,4 0,21 CRUZ 0,84 0,7 0,58 0,6 0,42 0,23

23 Resultados Se a correlação é muito boa entre as variáveis nos metodos de validação, o que ocorre em relação a uma das variáveis preditoras. Escolhemos a TSM?

24 ENSO

25 Resultados TSM SEMANAL OBS vs ANN NINO34 ANN CRUZ TSM (C) ENSO 5 ANOMALIA TSM NINO 3, ATSM 9C) NINO34 ANN CRUZ

26 Resultados ATLÂNTICO EQUATORIAL NORTE OBS ANN CRUZ 1,5 1 0,5 Figura: NCEP 0 0,5 1 ATLÂNTICO EQUATORIAL SUL 1,5 jan/61 mar/65 MAY1969 jul/73 SEP1977 nov/81 jan/86 mar/90 MAY1994 1,5 jul/98 SEP2002 nov/06 jan/11 OBS ANN CRUZ 1 Anomalia de TSM 0,5 0 0,5 1 1,5 jan/61 mar/65 MAY1969 jul/73 SEP1977 nov/81 jan/86 mar/90 MAY1994 jul/98 SEP2002 nov/06 jan/11

27 prp natal jan prp natal rna jan 14,00 12,00 Daily prp Figura: NCEP 10,00 8,00 6,00 4,00 2,00 0, Janeiro ( ) 14,00 12,00 Daily prp prp natal feb PRP-NATAL-FEV prp natal rna jan PRP-NATAL- RNA-FEV RNA 10,00 8,00 6,00 4,00 atsm 2,00 0, Fevereiro ( )

28 70,0 60,0 50,0 40,0 30,0 20,0 10,0 0,0 jan/79 13SEP MAY FEB OCT /jun/82 11/mar/83 21/nov/83 02AUG APR DEC SEP MAY /jan/88 10OCT /jun/89 04/mar/90 14/nov/90 27/jul/91 07APR DEC AUG MAY /jan/95 04OCT /jun/96 25FEB /nov/97 20/jul/98 APR DEC AUG MAY /jan/02 27SEP FEB OCT /jul/05 25/mar/06 05DEC AUG APR /jan/09 20SEP /jun/10 12FEB OCT /jun/03 REUNIÃO DE ANÁLISE E PREVISÃO CLIMÁTICA PARA O SETOR NORTE DO NORDESTE Resultados NATAL PREC OBS ANN CRUZ

29

30 Macro: Variáveis Canônicas Correlatadas X1 V1 W1 Y1 X2 V2 W2 Y1 X3 V3 W3 Y1 X4