Estimativa da altura da camada limite atmosférica com uso de redes neurais artificiais

Orientador : Prof. Dr. Ricardo Carvalho de AlmeidaDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Ambiental. Defesa: Curitiba, 25/11/2015Inclui referências : f. 70-72Resumo: A altura da camada limite atmosférica (h) é um parâmetro fundamental em modelagem atmosférica, sendo a dimensão vertical do domínio em modelos de dispersão de poluentes na atmosfera. As relações entre parâmetros meteorológicos e características da superfície é apenas parcialmente conhecida, implicando em dificuldades na obtenção dessa variável. Nesse trabalho empregamos uma rede neural artificial do tipo multilayer perceptron, com algoritmo de treinamento backpropagation, para a estimativa de h a partir de dados de superfície, obtidos em estações meteorológicas. A base de dados para treinamento foi desenvolvida para esse trabalho, a partir de perfis de propriedades obtidos por radiossondagens e disponibilzados pelo Stratosphere-troposphere Processes and their Role in Climate (SPARC). Foram testadas diversas combinações de dados de entrada, incluindo também parâmetros meteorológicos de altitude. A melhor configuração empregando apenas dados de superfície obteve bons resultados, com IOA = 0:9432 e r = 0:9017, sendo indicada sua aplicação para estimativa de h em localidades onde não estejam disponíveis informações de perfis de propriedades atmosféricas. Palavras-chave: Camada Limite Atmosférica, Redes Neurais Artificiais, radiossondagem.Abstract: The Boundary layer height (h) is considered a fundamental parameter for atmospheric modeling and it is the vertical extension of models domain for pollutants dispersion. Despite its importance, the relations for obtaining h are still only partially understood, limiting the quality of models results. In this work we present the use of a multilayer perceptron artificial neural network for estimating h, applying surface parameters obtained in ground based meteorological stations. The network was trained using a backpropagation algorithm, and it was tested for many different combinations of input data. For that, we needed to develop a hole data base from radiosounding profiles, which were available in the SPARC's (Stratosphere-troposphere Processes and their Role in Climate) website. The best combination showed IOA = 0:9432 and r = 0:9017. Therefore, operation of an artificial neural network is recommended for estimating h when meteorological parameters profiles are not available. Keywords: Atmospheric boundary layer, Artificial neural networks, radiosounding