Cuantificación de la incertidumbre en los pronósticos usando redes neuronales : aplicación en asimilación de datos
Hasta el momento, la metodología más usada para la estimación de la incertidumbre en los pronósticos meteorológicos es la técnica de ensambles. En esta tesis buscamos estimar la incertidumbre usando redes neuronales artificiales (RNAs) a partir de un único pronóstico determinístico (una única integr...
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | Tesis doctoral publishedVersion |
| Lenguaje: | Español |
| Publicado: |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
2023
|
| Materias: | |
| Acceso en línea: | https://hdl.handle.net/20.500.12110/tesis_n7459_Sacco https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesis&d=tesis_n7459_Sacco_oai |
| Aporte de: |
| id |
I28-R145-tesis_n7459_Sacco_oai |
|---|---|
| record_format |
dspace |
| institution |
Universidad de Buenos Aires |
| institution_str |
I-28 |
| repository_str |
R-145 |
| collection |
Repositorio Digital de la Universidad de Buenos Aires (UBA) |
| language |
Español |
| orig_language_str_mv |
spa |
| topic |
DINAMICA CAOTICA MODELOS DE ALTA DIMENSIONALIDAD RED NEURONAL CUANTIFICACION DE LA INCERTIDUMBRE ESTIMACION DE LA COVARIANZA ASIMILACION DE DATOS CHAOTIC DYNAMIC HIGH-DIMENTIONAL MODELS NEURAL NETWORK UNCERTAINTY QUANTIFICATION COVARIANCE ESTIMATION DATA ASSIMILATION |
| spellingShingle |
DINAMICA CAOTICA MODELOS DE ALTA DIMENSIONALIDAD RED NEURONAL CUANTIFICACION DE LA INCERTIDUMBRE ESTIMACION DE LA COVARIANZA ASIMILACION DE DATOS CHAOTIC DYNAMIC HIGH-DIMENTIONAL MODELS NEURAL NETWORK UNCERTAINTY QUANTIFICATION COVARIANCE ESTIMATION DATA ASSIMILATION Sacco, Maximiliano Antonio Cuantificación de la incertidumbre en los pronósticos usando redes neuronales : aplicación en asimilación de datos |
| topic_facet |
DINAMICA CAOTICA MODELOS DE ALTA DIMENSIONALIDAD RED NEURONAL CUANTIFICACION DE LA INCERTIDUMBRE ESTIMACION DE LA COVARIANZA ASIMILACION DE DATOS CHAOTIC DYNAMIC HIGH-DIMENTIONAL MODELS NEURAL NETWORK UNCERTAINTY QUANTIFICATION COVARIANCE ESTIMATION DATA ASSIMILATION |
| description |
Hasta el momento, la metodología más usada para la estimación de la incertidumbre en los pronósticos meteorológicos es la técnica de ensambles. En esta tesis buscamos estimar la incertidumbre usando redes neuronales artificiales (RNAs) a partir de un único pronóstico determinístico (una única integración del modelo). Para esto se entrenaron RNAs usando una nueva función de costo basada en el error, en inglés extended Mean Squared Error (eMSE), y se estudió la calidad de la incertidumbre estimada comparándola con entrenamientos con funciones de costo tradicionales (función de verosimilitud) y con la técnica de ensambles. En primera medida, se evaluó la estimación de la varianza de los pronósticos. Las redes mostraron un buen desempeño para capturar la incertidumbre (varianzas) en un entorno de prueba basado en el modelo dinámico multi-escala de Lorenz’96 que simula las características de la predictibilidad atmosférica, tanto en un escenario de modelo perfecto (donde se analiza el impacto del error presente en las condiciones iniciales), como en un escenario de modelo imperfecto (cuando el modelo numérico no puede representar todas las escalas del problema e introduce error en el pronóstico). En un desarrollo posterior, se entendió la función de costo eMSE para la estimación de la matriz de covarianza completa. Esta metodología resultó ser mucho más estable numéricamente y más rápida de entrenar comparado con funciones de costo basadas en la verosimilitud que necesitan invertir la matriz de covarianza. Se diseñó un método de asimilación de datos, en inglés Data Assimilation (DA) que combina la técnica del filtro de Kalman con la estimación de matriz de covarianza del error de pronóstico (MCEP) usando RNAs que denominamos UnnKF . Esta metodología nos permitió generar largas secuencias de ciclos de DA (más de 15.000 ciclos consecutivos) usando observaciones parciales del estado del sistema. Se obtuvo una secuencia de análisis cuyo error cuadrático medio (MSE) es comparable al obtenido por la técnica del filtro de Kalman por ensambles, en inglés Ensemble Kalman Filter (EnKF) usando grandes ensambles y logra disminuir considerablemente el MSE de los análisis comparado con un ensamble pequeño. |
| author2 |
Ruiz, Juan José |
| author_facet |
Ruiz, Juan José Sacco, Maximiliano Antonio |
| format |
Tesis doctoral Tesis doctoral publishedVersion |
| author |
Sacco, Maximiliano Antonio |
| author_sort |
Sacco, Maximiliano Antonio |
| title |
Cuantificación de la incertidumbre en los pronósticos usando redes neuronales : aplicación en asimilación de datos |
| title_short |
Cuantificación de la incertidumbre en los pronósticos usando redes neuronales : aplicación en asimilación de datos |
| title_full |
Cuantificación de la incertidumbre en los pronósticos usando redes neuronales : aplicación en asimilación de datos |
| title_fullStr |
Cuantificación de la incertidumbre en los pronósticos usando redes neuronales : aplicación en asimilación de datos |
| title_full_unstemmed |
Cuantificación de la incertidumbre en los pronósticos usando redes neuronales : aplicación en asimilación de datos |
| title_sort |
cuantificación de la incertidumbre en los pronósticos usando redes neuronales : aplicación en asimilación de datos |
| publisher |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
| publishDate |
2023 |
| url |
https://hdl.handle.net/20.500.12110/tesis_n7459_Sacco https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesis&d=tesis_n7459_Sacco_oai |
| work_keys_str_mv |
AT saccomaximilianoantonio cuantificaciondelaincertidumbreenlospronosticosusandoredesneuronalesaplicacionenasimilaciondedatos AT saccomaximilianoantonio quantificationofforecastuncertaintyusingneuralnetworksapplicationtodataassimilation |
| _version_ |
1824354468259430400 |
| spelling |
I28-R145-tesis_n7459_Sacco_oai2024-12-06 Ruiz, Juan José Pulido, Manuel Arturo Sacco, Maximiliano Antonio 2023-12-29 Hasta el momento, la metodología más usada para la estimación de la incertidumbre en los pronósticos meteorológicos es la técnica de ensambles. En esta tesis buscamos estimar la incertidumbre usando redes neuronales artificiales (RNAs) a partir de un único pronóstico determinístico (una única integración del modelo). Para esto se entrenaron RNAs usando una nueva función de costo basada en el error, en inglés extended Mean Squared Error (eMSE), y se estudió la calidad de la incertidumbre estimada comparándola con entrenamientos con funciones de costo tradicionales (función de verosimilitud) y con la técnica de ensambles. En primera medida, se evaluó la estimación de la varianza de los pronósticos. Las redes mostraron un buen desempeño para capturar la incertidumbre (varianzas) en un entorno de prueba basado en el modelo dinámico multi-escala de Lorenz’96 que simula las características de la predictibilidad atmosférica, tanto en un escenario de modelo perfecto (donde se analiza el impacto del error presente en las condiciones iniciales), como en un escenario de modelo imperfecto (cuando el modelo numérico no puede representar todas las escalas del problema e introduce error en el pronóstico). En un desarrollo posterior, se entendió la función de costo eMSE para la estimación de la matriz de covarianza completa. Esta metodología resultó ser mucho más estable numéricamente y más rápida de entrenar comparado con funciones de costo basadas en la verosimilitud que necesitan invertir la matriz de covarianza. Se diseñó un método de asimilación de datos, en inglés Data Assimilation (DA) que combina la técnica del filtro de Kalman con la estimación de matriz de covarianza del error de pronóstico (MCEP) usando RNAs que denominamos UnnKF . Esta metodología nos permitió generar largas secuencias de ciclos de DA (más de 15.000 ciclos consecutivos) usando observaciones parciales del estado del sistema. Se obtuvo una secuencia de análisis cuyo error cuadrático medio (MSE) es comparable al obtenido por la técnica del filtro de Kalman por ensambles, en inglés Ensemble Kalman Filter (EnKF) usando grandes ensambles y logra disminuir considerablemente el MSE de los análisis comparado con un ensamble pequeño. The ensemble technique is currently the most widely used method for estimating uncertainty in weather forecasts. The drawback of this technique is that it requires multiple numerical integrations of models and thus a lot of computational power. In this thesis we attempt to estimate uncertainty using Artificial Neural Networks (RNA) and a single deterministic prediction (a single model integration). For this purpose, RNA were trained with a new cost function (eMSE) and the quality of the uncertainty estimated in this way was studied by comparing it with training with traditional cost functions (likelihood function) and with the ensemble technique. First, the estimation of the variance of the forecasts was evaluated. The networks showed good performance in capturing uncertainty (variances) in a test environment based on the Lorenz’96 multiscale dynamic model that simulates the characteristics of atmospheric predictability, both in a perfect model scenario (where the impact of the error present in the initial conditions is analysed) and in an imperfect model scenario (when the numerical model cRNAot represent all the scales of the problem and introduces errors in the forecast). We also investigated extending the eMSE cost function to estimate the full covariance matrix. This method proved to be much more numerically stable and faster to train than likelihood-based cost functions, which require the covariance matrix to be inverted. In addition to analysing the structural characteristics of the estimated covariances, a hybrid data assimilation system (UnnKF) based on the Kalman filter was designed to provide an analysis of the system state using the covariances estimated by the RNA, partial observations of the system and a deterministic forecast. The results obtained are very encouraging. The covariances estimated by RNA trained with the eMSE cost function and the hybrid UnnKF methodology robustly estimate long assimilation sequences (more than 15,000 consecutive cycles), obtaining an analysis sequence whose mean squared error (MSE) is comparable to that obtained by the ensemble assimilation technique (EnKF) for large ensembles, and manages to significantly reduce the MSE of the analysis compared to a small ensemble. Fil: Sacco, Maximiliano Antonio. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. application/pdf https://hdl.handle.net/20.500.12110/tesis_n7459_Sacco spa Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar DINAMICA CAOTICA MODELOS DE ALTA DIMENSIONALIDAD RED NEURONAL CUANTIFICACION DE LA INCERTIDUMBRE ESTIMACION DE LA COVARIANZA ASIMILACION DE DATOS CHAOTIC DYNAMIC HIGH-DIMENTIONAL MODELS NEURAL NETWORK UNCERTAINTY QUANTIFICATION COVARIANCE ESTIMATION DATA ASSIMILATION Cuantificación de la incertidumbre en los pronósticos usando redes neuronales : aplicación en asimilación de datos Quantification of forecast uncertainty using neural networks : application to data assimilation info:eu-repo/semantics/doctoralThesis info:ar-repo/semantics/tesis doctoral info:eu-repo/semantics/publishedVersion https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesis&d=tesis_n7459_Sacco_oai |