Corrección de la predicción de precipitaciones en la Península Ibérica a partir de técnicas de aprendizaje profundo y predicción por ingredientes

Abstract

La correcta predicción meteorológica de la precipitación presenta una motivación evidente, tanto por su interés comercial como social. En este trabajo se ha tratado de corregir las predicciones del sistema GEFS, sistema global de predicción por conjuntos por sus siglas en inglés. Se ha enmarcado el problema en la Península Ibérica y las Islas Baleares. Con el objetivo de mejorar las predicciones, se ha decidido emplear como datos la predicción del sistema GEFS para la precipitación, el agua precipitable y la energía potencial convectiva disponible. Se han tomado estas variables predictoras por su relación con el desarrollo de episodios de precipitación. Se ha estudiado el uso de los distintos miembros del conjunto de predicción dado por el sistema GEFS, correspondientes a distintas inicializaciones del sistema numérico. De la misma forma, se ha estudiado también el uso de dos resoluciones distintas, con rejillas de 0,5 y 0,25 grados. Para la corrección de las predicciones se ha comenzado por emplear un ajuste estadístico llamado mapeo de cuantiles. Se ha visto como dicho ajuste ha provocado un empeoramiento de las predicciones, consecuencia de la baja correlación de Spearman de los datos a corregir. Tras esto, se ha definido un modelo de aprendizaje profundo formado por convoluciones 1-dimensionales y 2-dimensionales y capas densas. Este modelo ha permitido capturar la información geográfica y las distintas variables predictoras, y así corregir el total de datos de la Península Ibérica con un solo modelo. Para el entrenamiento del modelo se ha buscado mejorar dos métricas. En primer lugar, la raíz del error cuadrático medio. La optimización de esta métrica ha permitido mejorar el comportamiento de esta métrica en las predicciones. Se han mejorado también otras métricas como la correlación de Pearson, la raíz del error cuadrático medio para precipitaciones altas o la ratio de varianzas del sistema GEFS, entre otras. En segundo lugar, se ha empleado en el entrenamiento del modelo una métrica que se ha definido con la finalidad de mejorar tanto el error cuadrático medio como la ratio de varianzas, al observar la baja variabilidad de los modelos frente a las observaciones. Esto ha permitido mejorar en gran medida ambas métricas, con resultados muy positivos.

Accurate meteorological predictions of precipitation have an obvious motivation, both for their commercial and societal interest. This work has attempted to correct the predictions of the Global Ensemble Forecasting System (GEFS). The problem has been framed in the Iberian Peninsula and the Balearic Islands. With the aim of improving the predictions, it has been decided to use as data the prediction of the GEFS system for precipitation, precipitable water and convective available potential energy. These predictors have been chosen because of their relationship with the development of precipitation events. The use of the different members of the prediction set given by the GEFS system, corresponding to different initialisations of the numerical system, has been studied. In the same way, the use of two different resolutions has also been studied, with grids of 0,5o and 0,25o. For the correction of the predictions, a statistical adjustment called quantile mapping has been used. We have seen how this adjustment has caused a worsening of the predictions, consequence of the low Spearman correlation of the data to be corrected. After this, a deep learning model was defined, consisting of 1-dimensional and 2-dimensional convolutions and dense layers. This model has made it possible to capture the geographical information and the different predictors, and thus correct the forecasts for the Iberian Peninsula with a single model. Two metrics have been targeted for the training of the model. Firstly, the root mean square error. The optimisation of this metric has allowed us to improve the behaviour of this metric in the predictions. Other metrics have also been improved, such as Pearson’s correlation, the root mean square error for high precipitation or the variance ratio of the GEFS system, among others. Secondly, a metric has been used in the training of the model that has been defined with the aim of improving both the mean square error and the variance ratio, when observing the low variability of the models compared to the observations. This has allowed us to improve both metrics to a great extent, with very positive results.