Carolina Cerrudo Christian Garavaglia. INDICE  objetivo  introducción ...

Click here to load reader

download Carolina Cerrudo Christian Garavaglia. INDICE  objetivo  introducción  metodología  performance del método  estudios de sensibilidad  otros métodos

of 43

  • date post

    29-Jan-2016
  • Category

    Documents

  • view

    219
  • download

    1

Embed Size (px)

Transcript of Carolina Cerrudo Christian Garavaglia. INDICE  objetivo  introducción ...

  • Carolina Cerrudo Christian Garavaglia

  • INDICE objetivo introduccin metodologa performance del mtodo estudios de sensibilidad otros mtodos conclusiones

  • OBJETIVOSe describe un procedimiento automatizado para el pronostico de turbulencia en niveles medios-altos.

    Graphical Turbulence Guidance (GTG)

    Se realizaron estudios de verificacin estadstica con nfasis en las probabilidades de deteccin de SI/NO ocurrencia dadas por el algoritmo de pronostico.

  • INTRODUCCIONLa dificultad del pronostico de TURBULENCIA se debe principalmente a que ella es un fenmeno de MICROESCALA.

    En aeronutica, la turbulencia es mas relevante cuando las dimensiones del torbellino con el avin son comparables. Esto corresponde a 100m, una escala imposible de pronosticar directamente por los modelos.

    La energa asociada a esta escala se relaciona con los movimientos atmosfricos en escalas mayores, las cuales pueden ser bien resueltas por los modelos numricos de prediccin del tiempo (NWP).

  • INTRODUCCIONInicialmente se desarroll y teste un sistema completamente automatizado de pronostico de turbulencia: ITFA (Integrated Turbulence Forecasting Algorithm).

    Con el tiempo, se volvi operativo y fue renombrado como GTG.

    La primera versin se denomin GTG1 y se centraba en el pronostico de CAT en niveles altos (FLs>200). Luego se evolucion en una versin GTG2, la cual extendi sus pronsticos a niveles medios (100200) significantes para el trafico areo.

  • Metodologa GTGUtiliza datos del modelo NCEPs RUC-2 (Rapid Update Cycle). Tiene mayor resolucin vertical en niveles altos, usa sistema de coordenadas isoentrpicas.

    Combina distintos ndices o diagnsticos de turbulencia. Cada uno de ellos tiene un peso que se obtiene a partir de buscar la mejor aproximacin a las observaciones disponibles (PIREPs).

  • Paso 1 clculo de ndices Se calcula un set de ndices a partir del modelo para cada punto de grilla. La idea es representar la mayor cantidad de procesos que pueden contribuir a la formacin de turbulencia. En niveles altos ndice de Colson Panofsky Ri TKE funcin Frontognesis desbalance de flujo grad. Horiz. T TI1 NCSU1 EDR SIGWEn niveles medios deformacin horizontal ABSIA velocidad del V funcin Frontognesis grad. Horiz. T TI1 NCSU1 EDR SIGW

  • Paso 2 - umbralesLos diagnsticos se interpolan a los niveles de vuelo y se trazan en una escala de intensidades de turbulencia que va del 0 al 1.

    Se derivan valores umbrales para determinar las distintas categoras para la intensidad de la turbulencia se comparan los pares de datos valores de ndice PIREPs y se obtiene la mediana correspondiente a un conjunto de valores de un ndice. Luego ser asociado a cada categora, segn la siguiente escala de intensidades:

    Nula = 0Leve = 0.25Moderada = 0.5Severa = 0.75Extrema = 1

  • Paso 2 - umbralesEn el grfico se asocian los valores de los umbrales obtenidos a partir de la mediana a la escala de intensidad de turbulencia y despus se unen con curvas

    Los puntos de quiebre donde cambia la pendiente corresponden a los valores umbralesEje x = umbralesEje y = intensidad de la turb

  • Paso 2 - umbrales

  • Paso 3 scoring function (GTGD) en el caso de usar pesos dinmicos cada diagnstico se compara con los PIREPs disponibles dentro de un rango de +-90 min alrededor de la hora de corrida del modelo.

    Se determina un SCORE que mide el error relativo entre el valor de intensidad de turbulencia pronosticado por cada diagnstico y el observado en los PIREPsPODY = probabilidad de deteccin de eventos con intensidad moderada o mayor (MOG event)PODN = probabilidad de deteccin de eventos nulos o levesFMOG = fraccin de la grilla ocupada por los eventos MOG pronosticados por el diagnstico, respecto de la grilla total.TSS = PODY + PODN 1 (usan los ndices de los cuatro puntos de grilla que rodean al PIREP)C=1P= 0.25

  • Paso 4 pesos (GTGD)Se calculan los pesos para cada diagnstico a partir de la funcin scorePaso 5 producto GTG(i,j,k) = punto de grillaN = nmero de diagnsticos

  • Paso 6 - GTG pronstico se calculan los diagnsticos a partir de los campos pronosticados por el modelo

    se derivan los pesos a partir de los anlisis se obtiene el pronstico para cada punto de grilla segn la ecuacin anterior

    el procedimiento se repite para cada corrida del modelo

    la respuesta de los diagnsticos y los valores ptimos para los umbrales difieren para niveles medios y altos

    el nmero de PIREPs disponible para niveles medios es mucho menor que para niveles altos

  • GTG2 performancepara la verificacin se compara el resultado del modelo con las observaciones (PIREPs)

    los autores evalan los errores que provienen de los PIREPs y verifican que no contribuyen significativamente en la incertidumbre de los resultados del proceso de verificacin y estudios de sensibilidad

    utilizan un ao de datos observados

  • GTG2 performanceCurvas PODY PODN (ROC)Son una medida de la habilidad del algoritmo en discriminar entre SI / NO eventos

    Niveles altos (FL 200 FL 460)anlisisProno a 6hsDiagnsticos individualesGTGDGTGCAIRMETSe comparan

  • GTG2 performanceNiveles medios (FL 100 FL 200)anlisisProno a 6hsLas combinaciones GTGD y GTGC dan mejores resultados

    El GTGC perjudica levemente la performance en el anlisis y prcticamente no se diferencia de la performance del GTGD a 6hs

    Se observa mejor performance para el anlisis

    La performance para niveles altos es un poco mejor

  • GTG2 performanceFuncin de distribucin de probabilidad para los eventos nulos y MOG Cuanto menos solapadas estn las curvas mejor ser la discriminacin entre eventos SI / NO La menor interseccin entre las curvas se da para el caso GTGGTG

  • GTG2 performance

  • Estudios de sensibilidadCuantificar la cantidad de incerteza debida a errores asociados a los PIREPs debido a posicin, tiempo intensidad.

    Se llevaron a cabo dos estudios centrando la atencin en: distribucin de los PIREPs (en frecuencia y ubicacin), y en los valores de intensidad informados por los PIREPs.

  • Estudios de sensibilidad 1 casoSe degrad la calidad de la distribucin de datos tomando aleatoriamente una fraccin de los PIREPs disponibles y usando esta fraccin para la verificacin.

    Concretamente, se tomaron 200 pares de datos (PIREPs-pronsticos GTG) y para cada uno se comput la curva ROC.

  • Se muestra resultados para GTGC, pero resultados idnticos se obtuvieron con GTGD.Las bandas de incerteza estn bien limitadas para niveles altos (-/+ 2%), y son algo menos estrictas para niveles medios (-/+ 6%) debido al menor numero de PIREPs.

    Notar que el limite inferior de la curva de incerteza an provee significativamente una mejor performance que los AIRMETs.

  • Estudios de sensibilidad 2 casoSe realiz un experimento perturbando los datos, asumiendo que el 25% de los PIREPs estn reportados con un desfasaje de la intensidad igual a una categora (ej: leve por moderada).

    El proceso fue repetido 200 veces para distintos subsets de PIREPs.

  • Notar que la degradacin en las curvas ROC en niveles altos (-5% a -6%) es mayor que en niveles medios (-1% a -3%). Se puede deber en parte a una mayor incerteza inherente en la intensidad de los PIREPs en niveles medios y en parte a un cambio en GTG mas fino logrado en niveles altos comparado con niveles medios haciendo que los niveles altos resulten mas sensibles a la degradacin.Este es un test algo severo. Perturbando solo por media categora (ej: leve a leve-moderada), las curvas ROC obtenidas son casi indistinguibles de la original.

  • Otros mtodos combinatoriosSe testearon otros mtodos para la combinacin de ndices.

    En particular, fueron testeados 3 modelos estadsticamente establecidos para pronosticar un resultado binario, y sus performances de prediccin comparada con el mtodo GTG.

  • Otros mtodos combinatorios

    Regresin logstica

    Clasificacin rbol

    Redes neuronales

  • Otros mtodos combinatoriosLa performance de cada uno est basada en el mismo set de observaciones usado para obtener los resultados para GTG.

    Para entrenar los modelos, se usaron pares PIREPs-diagnsticos del tiempo de anlisis, y luego se evaluaron los modelos en los pronsticos a 6 horas.

  • GTG supera las estimaciones derivadas de los 3 mtodos analizados. Esto es probable debido a la relativa escasez de datos disponibles para el entrenamiento, siendo insuficiente para estimaciones robustas.Las performances se vuelven mas cercanas al tomar 14 das de pares PIREP-diagnostico para el set de datos para el entrenamiento, y las estimaciones de los parmetros de los modelos se estabilizan.

  • Conclusiones

    La performance global de GTG parece ser bastante hbil en brindar informacin til para el planeamiento estratgico con el fin de evitar la turbulencia.

  • ConclusionesLa combinacin GTG provee una performance superior sobre aquellas disponibles usando diagnsticos de turbulencia individuales o AIRMETs.

    Aunque el mtodo de pesos dinmicos da una mejor performance, el uso de un set de pesos derivados de la climatologa brinda un performance de pronsticos comparables al mtodo de pesos dinmicos, siendo una alternativa til para el uso en regiones con pocos PIREPs.

  • ConclusionesLa simple estrategia de pesos usada dentro del marco de GTG provee una performance comparable con procedimientos mucho mas complicados tales como redes neuronales, y adems requiere menor entrenamiento.

    En esta investigacin, se comprob que el mejor diagnostico INDIVIDUAL es la funcin frontognesis, tanto para niveles medios como para altos.

  • Resumen de los produ