Investigação de técnicas de aprendizagem de máquina no pós processamento de previsões de rajada de vento e detecção de evento severo

Abstract

Resumo: A previsão de rajadas de vento apresenta grandes desafios devido à sua alta variabilidadeespaço-temporal e ao seu significativo potencial destrutivo. Este trabalho investigou a aplicaçãode técnicas de Aprendizagem de Máquina (AM) no pós-processamento de previsões numéricasdo tempo, especificamente do modelo Integrated Forecasting System (IFS), com o objetivode aprimorar a acurácia das previsões no estado do Paraná utilizando-se apenas variáveis desuperfície como preditores. Foram avaliadas cinco arquiteturas distintas — Regressão Linear,Long Short-Term Memory (LSTM), Redes Neurais Convolucionais (CNN), Transformer eSupport Vector Machine (SVM) — utilizando dados observacionais de estações meteorológicase previsões por conjunto (ensemble) entre os anos de 2021 e 2024. A metodologia abordouo problema sob a perspectiva da correção da magnitude da rajada via regressão e também aidentificação de eventos severos através da detecção de anomalias. Os resultados demonstraramque, embora os modelos de AM tenham sido eficazes na redução dos erros globais e no aumentoda correlação em comparação à previsão bruta do IFS, eles tenderam a suavizar a variabilidadedos dados, falhando em capturar a magnitude dos eventos extremos. A detecção de anomalias viaSVMapresentou limitações, com altas taxas de falsos positivos. Conclui-se que o uso exclusivode variáveis de superfície do modelo numérico é insuficiente para a previsão de rajadas severas,indicando a necessidade de incorporar informações sobre a estrutura vertical da atmosfera parasuperar as limitações físicas na previsão destes extremos

Abstract: Wind gust forecasting presents major challenges due to its high spatiotemporal variability andsignificant destructive potential. This work investigated the application of Machine Learning (ML)techniques in the post-processing of numerical weather predictions, specifically the IntegratedForecasting System (IFS) model, with the objective of improving forecast accuracy in thestate of Paraná using only surface variables as predictors. Five distinct architectures wereevaluated — Linear Regression, Long Short-Term Memory (LSTM), Convolutional NeuralNetworks (CNN), Transformer, and Support Vector Machine (SVM) — using observational datafrom meteorological stations and ensemble forecasts between the years 2021 and 2024. Themethodology approached the problem from the perspective of correcting gust magnitude viaregression and also identifying severe events through anomaly detection. The results demonstratedthat, although the ML models were effective in reducing global errors and increasing correlationcompared to the raw IFS forecast, they tended to smooth data variability, failing to capture themagnitude of extreme events. Anomaly detection via SVM presented limitations, with high falsepositive rates. It is concluded that the exclusive use of surface variables from the numericalmodel is insufficient for forecasting severe gusts, indicating the need to incorporate informationregarding the vertical structure of the atmosphere to overcome physical limitations in predictingthese extremes