POST-PROCESSING AIR TEMPERATURE WEATHER FORECAST USING ARTIFICIAL NEURAL NETWORKS WITH MEASUREMENTS FROM METEOROLOGICAL STATIONS

Abstract

In a time of more frequent extreme weather events, an accurate weather forecast can bring benefits that go beyond planning the best position for equipment that uses the forces of nature to produce electricity, but also contribute to the safety of human life. Among the various institutes dedicated to the study and forecasting of the weather around the globe, the Institute of Meteorology of Norway is the one responsible for matters related to the climate in that country, and among its contributions is the numerical weather forecast presented in the format of a 2.5 km grid. Intending to carry out a post-processing that improves the resolution of this forecast and reduces its error, the Institute developed a tool called GRIDPP that downscale the grid to 1 km. The present work aimed to improve the current post-processing approach to air temperature using Neural Networks with measurements from meteorological stations. Two neural network architectures were tested: a Multilayer Perceptron and a Convolutional Neural Network. Both architectures managed to achieve a lower error rate than the original approaches. Among the test samples where the GRIDPP error was greater than 3°C, with 3°C being a critical limit defined by the Institute, the proposed solution achieved a lower error in 74.8% of the cases.

Em um tempo de eventos climáticos extremos mais frequentes, uma previsão do tempo acurada pode trazer benefícios que vão além do planejamento da melhor posição de equipamentos que usam as forças da natureza para produzir energia elétrica, mas também contribui para segurança da vida humana. Dos vários institutos que se dedicam ao estudo e previsão do tempo ao redor do globo, o Instituto de Meteorologia da Noruega é o órgão responsável pelos assuntos relacionados ao clima naquele país, e entre as suas contribuições está a previsão numérica do tempo apresentada no formato de uma grade de 2,5 km. De modo a realizar um pós processamento que melhore a resolução dessa previsão e diminua o erro da mesma, o Instituto desenvolveu uma ferramenta chamada GRIDPP que realiza a redução da escala para 1 km. O presente trabalho objetivou melhorar a abordagem de pós-processamento atual da temperatura do ar usando Redes Neurais valendo-se de medições de estações meteorológicas. Duas arquiteturas de redes neurais foram testadas: uma Multilayer Perceptron e uma Convolutional Neural Network. Ambas as arquiteturas conseguiram alcançar uma taxa de erro menor do que as abordagens originais. Dentre as amostras de teste onde o erro do GRIDPP foi maior que 3°C, sendo 3°C um limite crítico definido pelo Instituto, a solução proposta conseguiu um erro menor em 74.8% dos casos.