Χωροχρονική προσομοίωση μετεωρολογικών παραμέτρων σε έντονο τοπογραφικό ανάγλυφο με χρήση τεχνητών νευρωνικών δικτύων

Abstract

The scope of the present doctoral dissertation is the spatio-temporal modeling of meteorological parameters with the use of Artificial Neural Network (ANN) models at Chania plain in Crete, an area characterized by complex topography. The study is focused on the identification of the optimum type and architecture of the developed ANN models in order to initially examine the relationship of the synoptic scale circulation with local meteorological conditions and consequently the spatial estimation and prediction of wind speed and ambient temperature fields. Moreover, ANN models are developed for the spatio-temporal statistical downscaling of ambient temperature. The developed original atmospheric fields clustering and classification methodology is based on competitive learning and the use of Self-Organizing Maps (SOM). The methodology is applied to the fields of surface pressure (MSLP) and 500hPa geopotential height (GH500hPa) for a synoptic scale grid, as well as to the horizontal wind speed components at 10m and 850hPa levels (U10m, V10m, U850hPa και V850hPa), surface temperature (T2m), dew point temperature at 2m (Td2m) and 700hPa specific humidity (SH700hPa) for a grid centered over Greece. The grid data are obtained from the ERA-Interim database with a 0,75°×0,75° spatial resolution. In total, 32 atmospheric patterns are identified, allocated in an 8×4 map, and consequently, each pattern is related with the surface meteorological conditions. An important advantage of this approach is that neighboring centroids are interconnected and their relative position in the SOM map is associated with specific features, such as seasonality, location the of the pressure systems, the pressure gradient and their one-day conditional transition probability, enabling the extraction of valuable information regarding the evolution of atmospheric circulation.The comparative study for the investigation of the ANNs ability to spatially estimate wind speed and temperature is performed using experimental data from six meteorological stations. The predictive accuracy of the feed-forward ANNs with hyperbolic tangent sigmoid transfer functions (FFNN) is found to be statistically significantly superior from the traditional linear spatial interpolation methodologies and radial-basis function ANNs (RBF). In the case of wind speed, the study demonstrates the significant effect of wind direction along with the importance of the degree of representativity of reference-station anemological data. The FFNNs are not used as ‘black-box’ models and they are proven to incorporate the spatial wind speed variability and the effect of topography in the case of ambient temperature. In the case of wind speed, the FFNN models are suggested to be used as a Measure – Correlate – Predict methodology for wind energy applications. As far as the prediction of the studied parameters is concerned, hourly data from a single station are used along with the Nonlinear Autoregressive Networks (NAR). The comparative study is performed for different feedbacks (6, 12 and 24 hours) and highlights the importance of a high feedback degree, which leads to an increase in forecast horizon. The models in the case of wind speed can be used for short-term forecasting, while in the case of temperature for medium-term ones. Furthermore, the forecasting error depicts a distinguished seasonality pattern and is correlated with specific cyclonic patterns, where the low-pressure center is located in northern Europe or the Mediterranean.The ANN temperature spatio-temporal downscaling ensemble models consist of six individual FFNNs, one for each forecast horizon. The study examines their ability to spatiotemporally downscale ambient temperature at a single site, from the six-hourly ERA-Interim gridded data. It is found that the predictive accuracy of the model that incorporates a wide range of predictor variables (T2m, T850hPa, U10m, U850hPa, V10m, V850hPa, SH1000hPa, SH700hPa, GH500hPa, MSLP and Td2m) is superior compared to the single predictor (T2m) model. The most important predictor variables are T2m, U10m, V10m, SH1000hPa and MSLP and therefore they are related to the surface meteorological conditions. The forecasting error is also characterized by seasonality and its higher values are related with cyclonic atmospheric patterns. The dissertation highlights the significance and the increased predictive ability of ANNs in applied climatology, meteorology and wind energy applications. Finally, the crucial factor for their optimum performance is the appropriate selection of the ANN type and the corresponding architecture.

Το αντικείμενο της διδακτορικής διατριβής είναι η χωρο-χρονική προσομοίωση μετεωρολογικών παραμέτρων με τη χρήση τεχνητών νευρωνικών δικτύων (ΤΝΔ) στην κοιλάδα των Χανίων στην Κρήτη, περιοχή που χαρακτηρίζεται από έντονο τοπογραφικό ανάγλυφο. Η διατριβή εστιάζει στην ανάπτυξη μοντέλων ΤΝΔ και στην επιλογή του κατάλληλου τύπου και αρχιτεκτονικής, αρχικά για τη συσχέτιση της συνοπτικής κλίμακας κυκλοφορίας με τις τοπικές μετεωρολογικές συνθήκες και στη συνέχεια για τη χωρική και χρονική πρόγνωση της έντασης του ανέμου και της επιφανειακής θερμοκρασίας. Παράλληλα πραγματοποιήθηκε έλεγχος της ικανότητας των μοντέλων ΤΝΔ ως προς το χωρο-χρονικό υποβιβασμό κλίμακας της επιφανειακής θερμοκρασίας. Η πρωτότυπη μεθοδολογία που αναπτύχθηκε για την ομαδοποίηση και την ταξινόμηση των ατμοσφαιρικών πεδίων βασίστηκε στην έννοια της ανταγωνιστικής μάθησης και στην προέκταση της χρήσης των Αυτο-Οργανούμενων Χαρτών (Self Organizing Maps - SOM). Η μεθοδολογία εφαρμόστηκε για την επιφανειακή πίεση (MSLP) και το γεωδυναμικό ύψος στα 500hPa (GH500hPa) για συνοπτικής κλίμακας πλέγμα καθώς και των οριζόντιων συνιστωσών της ταχύτητας του ανέμου στα 10m και στο επίπεδο των 850hPa (U10m, V10m, U850hPa και V850hPa), της επιφανειακής θερμοκρασίας (T2m), της θερμοκρασίας δρόσου στα 2m (Td2m) και της ειδικής υγρασίας στο επίπεδο των 700hPa (SH700hPa) για πλέγμα κεντραρισμένο στην περιοχή της Ελλάδας. Τα δεδομένα πλέγματος εξήχθησαν από τη βάση ERA-Interim χωρικής ανάλυσης 0,75°×0,75°. Συνολικά αναγνωρίστηκαν 32 ατμοσφαιρικά πρότυπα, διατεταγμένα σε ένα χάρτη διάστασης 8×4 και κάθε πρότυπο συσχετίστηκε με τις τοπικές μετεωρολογικές συνθήκες. Σημαντικό πλεονέκτημα της μεθοδολογίας είναι ότι τα κεντροειδή του κάθε προτύπου συνδέονται με τα γειτονικά τους, ενώ η θέση τους στο χάρτη σχετίζεται με συγκεκριμένα χαρακτηριστικά, όπως η εποχικότητα, η σχετική θέση των βαρομετρικών συστημάτων, η βαροβαθμίδα καθώς και η πιθανότητα μετάβασης με βήμα μιας ημέρας. Με τον τρόπο αυτό ανακτάται πολύτιμη πληροφορία σε σχέση με τη χρονική εξέλιξη των ατμοσφαιρικών διεργασιών. Η συγκριτική μελέτη που πραγματοποιήθηκε για την εξέταση της ικανότητας των ΤΝΔ για τη χωρική παρεμβολή της έντασης του ανέμου και της θερμοκρασίας, κάνοντας χρήση των δεδομένων πειράματος πεδίου συνολικά έξι σταθμών, ανέδειξε τη στατιστικά σημαντικά καλύτερη προγνωστική ικανότητα των στατικών ΤΝΔ τύπου εμπρόσθιας τροφοδότησης με Συνάρτηση Ενεργοποίησης την Υπερβολική Εφαπτομένη (FFNN) σε σύγκριση με συνολικά πέντε γραμμικές μεθόδους χωρικής παρεμβολής και με τα ΤΝΔ Συναρτήσεων Βάσης Ακτινικού τύπου (RBF). Στην περίπτωση της έντασης του ανέμου η ανάλυση ανέδειξε τη σημαντική επίδραση της διεύθυνσης καθώς και την ύπαρξη σταθμού-αναφοράς με παρόμοια ανεμολογικά χαρακτηριστικά με το σταθμό-στόχο. Τα FFNN δεν χρησιμοποιήθηκαν ως μοντέλα ‘μαύρου κουτιού’ και αποδείχθηκε ότι μπορούν να ενσωματώνουν τη χωρική μεταβλητότητα της μέσης έντασης του ανέμου καθώς και την επίδραση της τοπογραφίας στην περίπτωση της θερμοκρασίας, αποτυπώνοντας με τον τρόπο αυτό τα ιδιαίτερα χαρακτηριστικά του ανεμολογικού και θερμοκρασιακού πεδίου της περιοχής. Τα μοντέλα FFNN προτείνονται για τη χρήση τους σε επιχειρησιακό επίπεδο στο πλαίσιο της μεθοδολογίας Measure – Correlate – Predict σε εφαρμογές αιολικής ενέργειας. Σχετικά με την πρόγνωση των υπό μελέτη παραμέτρων χρησιμοποιήθηκαν ωριαία δεδομένα από ένα σταθμό και τα δυναμικά μη-γραμμικά Αυτοπαλίνδρομα Δίκτυα (NAR). Η συγκριτική μελέτη που πραγματοποιήθηκε για διάφορους βαθμούς ανατροφοδότησης (6, 12 και 24 ώρες) ανέδειξε τη σημασία της υψηλής τάξης του βαθμού ανάδρασης που οδηγεί σε αύξηση του χρονικού ορίζοντα ασφαλούς πρόγνωσης. Αποδείχθηκε ότι τα μοντέλα αυτά στην περίπτωση του ανέμου μπορεί να χρησιμοποιηθούν στο πλαίσιο βραχυπρόθεσμης πρόγνωσης, ενώ αντίθετα στην περίπτωση της θερμοκρασίας έως και για μεσοπρόθεσμη. Επίσης εντοπίστηκε εποχικότητα στο προγνωστικό σφάλμα καθώς και συσχέτιση των υψηλότερων τιμών του με ατμοσφαιρικές καταστάσεις που συνδέονται με κέντρα χαμηλών πιέσεων στη βόρεια Ευρώπη ή στη Μεσόγειο.Τα μοντέλα ΤΝΔ που σχεδιάστηκαν για το χωρο-χρονικό υποβιβασμό κλίμακας της επιφανειακής θερμοκρασίας, αποτελούνται από το συνδυασμό έξι μεμονωμένων δικτύων τύπου FFNN, ένα για κάθε χρονικό ορίζοντα πρόβλεψης. Μελετήθηκε η ικανότητά τους να αναπαραγάγουν με ικανοποιητική ακρίβεια τις ωριαίες παρατηρήσεις της επιφανειακής θερμοκρασίας σε ένα σταθμό από τα δεδομένα πλέγματος της βάσης ERA-Interim χρονικής ανάλυσης 6 ωρών. Η σύγκριση του μοντέλου που χρησιμοποιεί ποικιλία από μεταβλητές-προγνώστες (T2m, T850hPa, U10m, U850hPa, V10m, V850hPa, SH1000hPa, SH700hPa, GH500hPa, MSLP και η Td2m) με το μοντέλο που κάνει χρήση μόνο της επιφανειακής θερμοκρασίας (T2m) ανέδειξε τη στατιστικά σημαντικά καλύτερη προγνωστική του ικανότητα. Αποδείχθηκε ότι οι σημαντικότερες μεταβλητές – προγνώστες σχετίζονται με την επιφάνεια και είναι η T2m, οι συνιστώσες του ανέμου U10m και V10m, η SH1000hPa και η MSLP. Το προγνωστικό σφάλμα παρουσιάζει επίσης εποχικότητα και οι μεγαλύτερες τιμές του εντοπίζονται κατά τη διάρκεια της άνοιξης και για τα υφεσιακά ατμοσφαιρικά πρότυπα. Η παρούσα διδακτορική διατριβή αναδεικνύει τη σημαντική χρησιμότητα και την ιδιαίτερα ικανοποιητική επίδοση των ΤΝΔ στους τομείς της εφαρμοσμένης κλιματολογίας και μετεωρολογίας καθώς και σε μελέτες αιολικής ενέργειας. Τέλος, η επιλογή του κατάλληλου τύπου ΤΝΔ σε συνδυασμό με τον καθορισμό της βέλτιστης αρχιτεκτονικής του, αποτελεί τον κρίσιμο παράγοντα για τη βέλτιστη απόδοση των μοντέλων.