Duas metodologias aplicadas à classificação de precipitação convectiva e estratiforme com radar meteorológico : SVM e K-MEANS

Orientador : Prof. Dr. Arinei Carlos Lindbeck da SilvaDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas e Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa: Curitiba, 2011Bibliografia: fls. 92-95Área de concentração: Programação matemáticaResumo: A influência da chuva nas diversas áreas da atividade humana torna indispensável o seu monitoramento. A maioria das precipitacções pode ser classificada em dois grupos: sistemas convectivos e estratiformes. Os sistemas estratiformes são caracterizados por chuvas leves e moderadas e grande área de cobertura. Já os convectivos estão associados com altas taxas de precipitação. Devido às acentuadas diferenças que existem entre os dois sistemas, ser capaz de classificálos contribui para a melhora da estimativa de precipitação. Além disso, a classificação torna possível também a identificação, previsão e acompanhamento de tempestades severas (sistemas convectivos), resultados que podem ainda ser utilizados nos alertas de temporais, nchentes e inundações, com aplicações diretas em diversas áreas da atividade humana (energia, agricultura, turismo, defesa civil, entre outros). Tudo isso justifica a necessidade de um critério para separar e classificar os diferentes tipos de chuva que podem ocorrer na região de abrangência do radar. O objetivo deste trabalho é classificar os sistemas meteorológicos em convectivo ou estratiforme, de acordo com as características peculiares a cada evento. Para tanto, duas técnicas são aplicadas. A primeira é um método de reconhecimento de padrões, o chamado Support Vector Machine (SVM), técnica que, a partir de dados previamente classificados, cria um hiperplano separador entre as classes, através do qual novos dados podem ser classificados. Assumindo como padrão imagens de radar classificadas por especialista, os resultados obtidos pelo método apresentam um maior índice de acerto, quando comparados com as soluções obtidas por uma técnica de separação da chuva já existente. O segundo método bordado é uma técnica de análise de agrupamentos, o K-means, que classifica um conjunto de dados em um determinado número de grupos, baseado na similaridade ou dissimilaridade entre os dados. Em relação á classificação feita pelo especialista, o SVM apresenta melhores resultados. Porém, o K-means mostra resultados melhores quando a comparação é feita com a técnica de classificação já existente na literatura. Além disso, o K-means mostrou-se mais eficiente com relação a tempo de execução, e possui a vantagem de não necessitar de dados previamente classificados, já que a classificação, neste caso, é muito subjetiva. Quando a comparação é feita entre as duas técnicas propostas, observa-se que mais de 85% dos dados obtiveram a mesma classificação.Abstract: The influence of rainfall in several areas of human activity makes indispensable its monitoring. Most precipitation events can be classified in two groups: convective and stratiform systems. Stratiform systems are characterized by light and moderate rain and a large coverage area. Convective rain is associated to high rainfall rate. Due to differences which exist between the two systems, being capable of classification contributes to the improvement on precipitation estimation. Moreover, classification also allows for identification, forecasting and tracking of severe storms (convective systems), results that can yet be used on alerts for thunderstorms, increasing streamflow and flooding, with direct application to several areas of human activity (energy, agriculture, tourism, civil defense, among others). All these justify the needs for a criteria for classification and separation of different types of rain that may occur within weather radar coverage area. The objective of this work is to classify convective and stratiform meteorological systems, in accordance with the peculiar characteristics to each event. For that, two techniques were applied. The first one is a pattern recognition method called Support Vector Machine (SVM), a technique that, from previously classified data, creates a hyperplane separating between classes, through which new data can be recognized. Assuming radar images classified by a specialist, the results obtained with this method presented a better hit index, when compared with the results from a previous technique for rainfall separation. The second method evaluated is a cluster analysis, K-means, which classifies a data set in a number of determined groups or clusters, based on similarities or dissimilarities between the data. In relation to the classification made by the specialist, SVM presents better results. However, K-means showed better results when compared to a technique already existent in the literature. Moreover, Kmeans revealed more efficient with regard to execution time, and had the advantage of no need of data previously classified, since classification in this case is very subjective. When the comparison is made between the two proposed techniques, it was observed that more than 85% of the data got the same classification