Modelagem da maré meteorológica utilizando redes neurais artificiais: uma aplicação para a Baía de Paranaguá-PR, parte 2: dados meteorológicos de reanálise do NCEP/NCAR Meteorological tide modeling using an artificial neural netwok: an aplication to the Paranaguá Bay-PR: part 2: NCEP/NCAR reanalysis meterological data

• Main Authors: Marilia Mitidieri F. de Oliveira, Nelson Francisco F. Ebecken, Isimar de A. Santos, Claudio F. Neves, Luiz P. Caloba, Jorge Luiz F. de Oliveira
• Format: Article
• Language: English
• Published: Sociedade Brasileira de Meteorologia 2007-04-01
• Series: Revista Brasileira de Meteorologia
• Subjects: Redes Neurais Artificiais; variabilidade do nível do mar; maré meteorológica; previsão de séries temporais; dados de reanálise; Artificial Neural Network; sea level variability; meteorological tide (surge); time series forecasting; reanalysis dataset
• Online Access: http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0102-77862007000100006
• ISSN: 0102-7786; 1982-4351

A variabilidade do nível do mar observado e a maré meteorológica na Baía de Paranaguá-PR foram analisadas, neste trabalho, com os dados maregráficos utilizados na Parte 1 e os dados meteorológicos de reanálise do "National Centers for Environmental Prediction" (NCEP) e do "National Center Atmospheric Research" (NCAR) pontos de grade no oceano, próximos ao local de estudo, referentes ao mesmo período. As componentes de alta freqüência contidas nos dados de reanálise foram retiradas com o filtro passa-baixa de Thompson, descrito na Parte 1, adaptado para intervalos de 6 horas. Analisou-se as influências das variáveis meteorológicas mais remotas, nas sobre-elevações e abaixamentos do nível do mar observado, utilizando dados de reanálise de pressão e vento. Conforme descrito na Parte 1, as séries foram analisadas, estatisticamente, no domínio do tempo e da freqüência. A série maregráfica filtrada de Cananéia (SP), utilizada para verificar a existência de correlação com a série de Paranaguá, confirmou os estudos de Mesquita (1997) para o litoral Sudeste. Essa correlação foi verificada devido à proximidade da estação de Cananéia ao ponto de grade relativo à pressão. A Rede Neural Artificial (RNA) desenvolvida na Parte 1 foi, então, utilizada com os dados de reanálise, mantendo-se a mesma arquitetura de rede com as máximas correlações entre as variáveis de entrada e saída, ajustando-se os parâmetros de taxa de aprendizado e momento para alcançar o melhor desempenho. Os resultados obtidos com ambas as fontes de dados foram comparados e a eficiência da rede foi semelhante à Parte 1 para as simulações de 6h e 12 h. Para as simulações de 18h e 24h, os resultados foram inferiores como os encontrados para a estação de superfície, sugerindo também, o desenvolvimento de outras arquiteturas de rede, visando melhorar as previsões para períodos maiores. Os resultados obtidos com os dados de reanálise sugerem a sua utilização na falta de estações meteorológicas convencionais próximas a estações maregráficas.<br>The variability of the observed sea level and the meteorological tide in Paranaguá Bay-PR was analyzed with the tide gauge station time series used in the Part 1 and reanalysis data set of the "National Centers for Environmental Prediction" (NCEP) and the "National Center Atmospheric Research" (NCAR), on some grid points over the oceanic area, near the Bay to the same period. The Thompson low-pass filter was adapted for 6 hours intervals to remove the high frequency oscillations present in teh reanalysis data set. Remote influence of the meteorological variables, in the rises and lowing of the coastal sea level, are analyzed, statistically, in the time and the frequency domain according to the Part 1. Tide gauge station time series from Cananéia (SP), used to verify the correlation with Paranaguá data set, confirmed the Mesquita (1997) research to the southeastern coastal region. Correlation between the variability of the meteorological tide in both cities were made due to the point 1 is near Cananéia. Artificial Neural Network (ANN) with the same architecture developed in Part 1 was applied to the reanalysis data. The maxima correlations between the input/output vectors were also used, adjusting the learning rate and momentum for improving the algorithm to reach the best performance. As the Part 1, the network performed very well at 6 and 12 time lag simulations. The results to 18 and 24 time lag simulations were lower than these ones presented to the surface station, than these ones, suggesting also, others ANN architectures to improve the predictions for larger periods. The results suggest the using of reanalysis data where the lack of conventional station is significant.