| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 4.32 MB | Adobe PDF |
Authors
Abstract(s)
The numeric weather prediction (NWP) that is currently used is based on global circulation models (GCM), which may be used for weather forecasting within horizons of 15 days, commonly. Yet, GCM lacks the spatial resolution required for engineering applications such as wind energy. Additionally, weather forecasts and hindcasts are often affected by phase errors. This study presents the use of a post-processing technic applied to the forecasting of weather time series. The technic is based on identifying analog ensembles from another time series of observations and using these to refine the forecast. To evaluate the skill of the method it was applied to ten weather stations. The focus of the study is to create data for reanalysis in places that lack weather measurements. To be able to evaluate the skill of the method, data from one station was used to forecast six variables at another station. This study used five years of training data to predict two years of forecast. As the analysis required a significant computational power, the studies were divided into two major approaches. The first approach had only one variable in the training period. The results were good for the variables that are easier to predict but had poor results in predicting variables with high level of abrupt changes. The second approach used multiple variables for the training period. The results were found to be significantly better. Although quantitatively there is error in the forecast characterized by a mean absolute error of 0.49 m/s for the wind speed, qualitatively the forecast was able to follow the behavior of the observed curve. It was found that the method can be very sensitive to the initial calibration, which may hinder the results.
Os modelos de previsão meteorológica atualmente utilizados são baseados no modelo de circulação atmosférica global. Embora este modelo seja altamente eficiente para previsões de curto prazo é pouco eficiente para previsões de longo prazo, devido ao acumulo sistemático de erros. O presente trabalho utiliza uma técnica de pós processamento aplicada à previsão de séries temporais. A técnica utilizada baseia-se no uso de conjuntos análogos que refinam os resultados. O método foi avaliado através de sua aplicação a estações meteorológicas. O foco do estudo é a geração de data para reconstrução de series em locais que não possuam estações meteorológicas. O método foi aplicado de forma que a previsão para a estação A fosse gerada através dos dados da estação B. O estudo utilizou cinco anos de dados para treinamento, e a geração de dois anos de previsões. As análises realizadas demandam de um poder computacional relativamente alto e, portanto, o estudo foi divido em duas partes. Na primeira, o período de treinamento foi gerador por uma única variável. Os resultados foram relativamente bons para as variáveis consideradas de fácil previsão, embora não tenham sido satisfatórios para as variáveis que possuam altos índices de mudanças bruscas. Na segunda análise, múltiplas variáveis compuseram o período de treinamento. Os resultados foram significativamente superiores. Embora as previsões não possuam 100% de precisão, a curva gerada foi capaz de manter o padrão da curva observada em todo o período. Observou-se que o método é eficiente embora bastante sensível à calibração inicial de suas variáveis.
Os modelos de previsão meteorológica atualmente utilizados são baseados no modelo de circulação atmosférica global. Embora este modelo seja altamente eficiente para previsões de curto prazo é pouco eficiente para previsões de longo prazo, devido ao acumulo sistemático de erros. O presente trabalho utiliza uma técnica de pós processamento aplicada à previsão de séries temporais. A técnica utilizada baseia-se no uso de conjuntos análogos que refinam os resultados. O método foi avaliado através de sua aplicação a estações meteorológicas. O foco do estudo é a geração de data para reconstrução de series em locais que não possuam estações meteorológicas. O método foi aplicado de forma que a previsão para a estação A fosse gerada através dos dados da estação B. O estudo utilizou cinco anos de dados para treinamento, e a geração de dois anos de previsões. As análises realizadas demandam de um poder computacional relativamente alto e, portanto, o estudo foi divido em duas partes. Na primeira, o período de treinamento foi gerador por uma única variável. Os resultados foram relativamente bons para as variáveis consideradas de fácil previsão, embora não tenham sido satisfatórios para as variáveis que possuam altos índices de mudanças bruscas. Na segunda análise, múltiplas variáveis compuseram o período de treinamento. Os resultados foram significativamente superiores. Embora as previsões não possuam 100% de precisão, a curva gerada foi capaz de manter o padrão da curva observada em todo o período. Observou-se que o método é eficiente embora bastante sensível à calibração inicial de suas variáveis.
Description
Keywords
Analog ensemble Weather forecast Time series Post-processing method