Predição de eventos severos em saídas de modelos meteorológicos utilizando a teoria dos conjuntos aproximativos e metaheurísticas para redução de atributos

• Main Author: Alex Sandro Aguiar Pessoa
• Other Authors: Stephan Stephany
• Language: Portuguese
• Published: Instituto Nacional de Pesquisas Espaciais (INPE) 2014
• Online Access: http://urlib.net/sid.inpe.br/mtc-m21b/2014/11.27.23.46

A Teoria dos Conjuntos Aproximativos (TCA) é um paradigma para tratamento de informações incertas e imprecisas proposta no início dos anos 80 e vem se difundindo nas últimas duas décadas graças ao aumento das capacidades de processamento e armazenamento de dados. Um ponto central na TCA é a obtenção de conjuntos reduzidos de atributos conhecidos como reduções, as quais reduzem a dimensionalidade da classificação. Entretanto, a obtenção de reduções a partir do conjunto completo de atributos possui alta complexidade computacional, recorrendo-se então ao uso de metaheurísticas. Nesta tese, objetiva-se identificar padrões associados à ocorrência de eventos convectivos severos em saídas de modelos numéricos de previsão de tempo utilizando-se TCA. Estes padrões são constituídos por um conjunto selecionado de variáveis meteorológicas e são encontrados a partir de um conjunto de eventos convectivos conhecidos, os quais foram identificados por meio da densidade de ocorrência de descargas elétricas nuvem-solo. A aplicação de metaheurísticas específicas otimiza a identificação desses padrões no escopo da TCA e permite gerar classificadores que possam detectar a possível ocorrência de eventos convectivos em previsões meteorológicas. Isso auxiliaria a previsão operacional de tempo, dada a deficiência que os modelos meteorológicos tem em simular a gênese e evolução de eventos convectivos devida a limitações de resolução espacial e à necessidade de se aprimorar a microfísica correspondente nesses modelos. === The Rough Set Theory (RST) is a standard proposed to deal with uncertain, incomplete or vague information that was proposed in the early 80s. The use of RST has been spreading over the last two decades thanks to increase of data processing and storage capabilities. A fundamental point of RST is the calculation of reduced sets of attributes known as reducts, which allow to reduce the classification dimensionality. However, the calculation of reducts from the complete set of attributes presents high algorithmic complexity demanding the use of metaheuristics. The aim of this thesis is to identify patterns associated to the occurrence of severe convective events from the output of weather forecast numerical models using RST. These patterns are composed of a selected set of meteorological variables and are found using a set of known convective events, which were identified using the density of occurrence of cloud-to-ground electrical discharges. The application of specific metaheuristics optimizes the identification of such patterns in the scope of RST, and allows to derive classifiers able to detect the possible occurrence of convective events in weather forecasts. This approach would help the operational weather forecasting considering that meteorological models have poor performance to simulate the genesis and evolution of convective events due to spatial resolution limitations and to the need of improving the corresponding microphysics in such models.