Filtragem adaptativa aplicada à redução de desvios em séries temporais de previsão numérica climática.

Esta dissertação apresenta resultados da aplicação de filtros adaptativos, utilizando os algoritmos NLMS (Normalized Least Mean Square) e RLS (Recursive Least Square), para a redução de desvios em previsões climáticas. As discrepâncias existentes entre o estado real da atmosfera e o previsto por um modelo numérico tendem a aumentar ao longo do período de integração. O modelo atmosférico Eta é utilizado operacionalmente para previsão numérica no CPTEC/INPE e como outros modelos atmosféricos, apresenta imprecisão nas previsões climáticas. Existem pesquisas que visam introduzir melhorias no modelo atmosférico Eta e outras que avaliam as previsões e identificam os erros do modelo para que seus produtos sejam utilizados de forma adequada. Dessa forma, neste trabalho pretende-se filtrar os dados provenientes do modelo Eta e ajustá-los, de modo a minimizar os erros entre os resultados fornecidos pelo modelo Eta e as reanálises do NCEP. Assim, empregamos técnicas de processamento digital de sinais e imagens com o intuito de reduzir os erros das previsões climáticas do modelo Eta. Os filtros adaptativos nesta dissertação ajustarão as séries ao longo do tempo de previsão. Para treinar os filtros foram utilizadas técnicas de agrupamento de regiões, como por exemplo o algoritmo de clusterização k-means, de modo a selecionar séries climáticas que apresentem comportamentos semelhantes entre si. As variáveis climáticas estudadas são o vento meridional e a altura geopotencial na região coberta pelo modelo de previsão atmosférica Eta com resolução de 40 km, a um nível de pressão de 250 hPa. Por fim, os resultados obtidos mostram que o filtro com 4 coeficientes, adaptado pelo algoritmo RLS em conjunto com o critério de seleção de regiões por meio do algoritmo k-means apresenta o melhor desempenho ao reduzir o erro médio e a dispersão do erro, tanto para a variável vento meridional quanto para a variável altura geopotencial.

This thesis presents results of application of adaptive filters, using the NLMS (Normalized Least Mean Square) and RLS (Recursive Least Square), to reduce deviations in weather forecasts. Discrepancies between the actual state of the atmosphere and predicted by a numerical model tend to increase over the integration period. The atmospheric model Eta is used operationally for numerical forecasting at CPTEC / INPE and as other atmospheric models, shows the accuracy of the weather forecasts. There is research aimed at introducing improvements in atmospheric model Eta 40km and others who evaluate the predictions and identify model errors for their products to be used properly. This work is intended to filter data from the Eta model and adjust them so as to minimize the error between the results provided by the Eta model and the NCEP. Thus, we employ digital signal processing techniques and images in order to improve weather forecasts Eta model. The adaptive filter in this paper will adapt the series throughout the forecast period. To train the filter regions, clustering techniques were used, such as clustering algorithm k-means so as to select climate series which have similar behavior to each other. Climate variables are the meridional wind and geopotential height in the area covered by atmospheric forecast model Eta with resolution of 40 km, to a pressure level of 250 hPa. Finally, the results show that the filter with 4 coefficients, adapted by RLS algorithm in conjunction with the criteria for selection of areas through k-means algorithm has the best performance by reducing the EQMn and dispersion of error, both the meridional wind variable and for the variable geopotential height.