Uma experiência com modelo estatístico (MOS) para a previsão da temperatura mínima diária do ar

Sugahara, S.

doi:10.1590/s0102-261x2000000100001

Cited by 5 publications

(4 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In the simplest case (linear regression), the raw output correction is a function of only one parameter (Woodcock and Southern, 1983;Massie and Rose, 1997). In the more general case, many parameters (predictors) enter into a multilinear model (Sugahara, 2000;Schoof and Pryor, 2001;Casaioli et al, 2003). We applied a backward stepwise multilinear regression, where predictors were selected by the Akaike information criterion (AIC).…”

Section: Multilinear Regression (Mlr)mentioning

confidence: 99%

Prediction of minimum temperatures in an alpine region by linear and non-linear post-processing of meteorological models

Eccel

Ghielmi

Granitto

et al. 2007

Nonlin. Processes Geophys.

View full text Add to dashboard Cite

Abstract. Model Output Statistics (MOS) refers to a method of post-processing the direct outputs of numerical weather prediction (NWP) models in order to reduce the biases introduced by a coarse horizontal resolution. This technique is especially useful in orographically complex regions, where large differences can be found between the NWP elevation model and the true orography. This study carries out a comparison of linear and non-linear MOS methods, aimed at the prediction of minimum temperatures in a fruit-growing region of the Italian Alps, based on the output of two different NWPs (ECMWF T511-L60 and LAMI-3). Temperature, of course, is a particularly important NWP output; among other roles it drives the local frost forecast, which is of great interest to agriculture. The mechanisms of cold air drainage, a distinctive aspect of mountain environments, are often unsatisfactorily captured by global circulation models. The simplest post-processing technique applied in this work was a correction for the mean bias, assessed at individual model grid points. We also implemented a multivariate linear regression on the output at the grid points surrounding the target area, and two non-linear models based on machine learning techniques: Neural Networks and Random Forest. We compare the performance of all these techniques on four different NWP data sets. Downscaling the temperatures clearly improved the temperature forecasts with respect to the raw NWP output, and also with respect to the basic mean bias correction. Multivariate methods generally yielded better results, but the advantage of using non-linear algorithms was small if not negligible. RF, the best performing method, was implemented on ECMWF prognostic output at 06:00 UTC over the 9 grid points surrounding the target area. Mean absolute errors in the prediction of 2 m temperature at 06:00 UTC were approximately 1.2 • C, close to the natural variability inside the area itself.

show abstract

Section: Multilinear Regression (Mlr)mentioning

confidence: 99%

Prediction of minimum temperatures in an alpine region by linear and non-linear post-processing of meteorological models

Eccel

Ghielmi

Granitto

et al. 2007

Nonlin. Processes Geophys.

View full text Add to dashboard Cite

show abstract

“…Nota-se que o RMSE médio das estações após o refi namento foi de aproximadamente 1,2 °C. Esta foi a ordem de magnitude de erro das previsões de temperaturas mínimas obtidas por Sugahara (2000) empregando MOS.…”

Section: Séries Temporaisunclassified

“…Estas técnicas geralmente requerem uma série longa de dados históricos e um modelo com suas características mantidas constantes, isto é, congeladas para permitir o treinamento de padrões. Sugahara (2000) empregou MOS para previsão das temperaturas mínimas na cidade de Bauru e obteve erros absolutos menores que 1,5 °C. A equação de regressão se baseou em variáveis do modelo global do CPTEC e observações.…”

Section: Introductionunclassified

Refinamento estatístico das previsões horárias de temperatura a 2 m do modelo eta em estações do nordeste do Brasil

Chou

Souza

Gomes

et al. 2007

Rev. bras. meteorol.

View full text Add to dashboard Cite

Previsões de temperatura do Modelo Eta de 40 km de resolução são refinadas para produzir previsões em pontos localizados em sete cidades da região Nordeste: Salvador, Maceió, Recife, Natal, Fortaleza, São Luís e Teresina. O esquema de refinamento empregado é o Model Output Calibration (MOC) que se baseia em regressão linear do erro da previsão com as variáveis previstas pelo modelo. O esquema apresenta a vantagem de empregar período curto de treinamento, neste caso foi usado o período de somente 28 dias. A seleção dos preditores se baseou em correlação maior que 0,6. Os testes foram realizados com dados horários de temperatura do mês de setembro de 2003. Os erros sistemáticos das previsões foram substancialmente reduzidos para valores menores que 0,5 °C em média. Os erros quadráticos que eram da ordem de 2 °C passaram para valores em torno de 1 °C em média. As correlações entre as séries refinadas e as séries observadas foram geralmente mantidas altas e semelhantes às correlações entre as séries previstas pelo Modelo Eta e as séries observadas, indicando que a aplicação do esquema não prejudicou as tendências horárias da temperatura nas estações. As temperaturas de cidades onde as amplitudes dos ciclos diurnos não foram bem previstas pelo Eta, foram refinadas pelo esquema.

show abstract

“…Análise de regressão múltipla é uma técnica estatística utilizada principalmente com o propósito de previsão, consiste em determinar uma função matemática que busca descrever o comportamento de determinada variável, com base em mais de uma característica com poder explicativo. Auxilia a compreensão do comportamento do clima, ou seja, é um modelo estatístico muito empregado para previsão do tempo (SUGAHARA, 2000).…”

Section: Introductionunclassified

Elementos meteorológicos na barragem do Tapacurá (PE/Brasil): análise e validação estatística

Filho

Medeiros

Silva

et al. 2022

CONJ

View full text Add to dashboard Cite

A estatística contribui como instrumento de pesquisa, para a compreensão e validação das variáveis climáticas, integra distintos campos do conhecimento acadêmico-científico. Objetiva-se analisar as variáveis de evapotranspiração potencial, evaporação real, cobertura de nuvem, temperatura média do ar, umidade relativa do ar e insolação total em séries anuais e suas correlações de similaridades para a barragem do Tapacurá e seu entorno. Os dados foram obtidos da Agência Pernambucana de Águas e Clima, entre 1962 e 2019 para as estações pluviais, verificou-se sua homogeneidade, consistência e preenchimentos de falhas. As variáveis foram as coordenadas geográficas latitude e longitude e altitude, além dos dados de evapotranspiração potencial, evaporação real, cobertura de nuvem, temperatura média do ar, umidade relativa do ar e insolação em séries anuais. Calcularam-se as médias, desvio padrão, coeficiente de variância, máximos e mínimos valores absolutos. A existência da variabilidade temporal da precipitação, evapotranspiração e evaporação anual para sazonal e para a mensal em escala crescente, sendo que sua variabilidade é maior durante o inverno e o outono. Detectaram-se flutuações nos elementos meteorológicos decorrentes dos sistemas meteorológicos atuantes sob a barragem e sua vizinhança

show abstract

Uma experiência com modelo estatístico (MOS) para a previsão da temperatura mínima diária do ar

Cited by 5 publications

References 6 publications

Prediction of minimum temperatures in an alpine region by linear and non-linear post-processing of meteorological models

Prediction of minimum temperatures in an alpine region by linear and non-linear post-processing of meteorological models

Refinamento estatístico das previsões horárias de temperatura a 2 m do modelo eta em estações do nordeste do Brasil

Elementos meteorológicos na barragem do Tapacurá (PE/Brasil): análise e validação estatística

Contact Info

Product

Resources

About