Técnicas estadísticas y neuronales de agrupamiento adaptativo para la predicción probabilística de fenómenos meteorológicos localesaplicación en el corto plazo y en la predicción estacional

Resumo

El problema de la predicción meteorológica se ha abordado clásicamente utilizando modelos de circulación atmosférica (sistemas de ecuaciones en derivadas parciales) integrados sobre un rejilla, a partir de unas condiciones iniciales conocidas. Tradicionalmente los modelos estadísticos de predicción meteorológica se han basado únicamente en las series temporales de los registros históricos locales en los puntos de interés, a partir de los cuales se han intentado obtener modelos con capacidad predictiva. Sin embargo, los distintos análisis realizados utilizando modelos autogresivos, redes neuronales, o técnicas de embedding para modelización de sistemas dinámicos no lineales, están limitados desde el punto de vista de su capacidad predictiva operativa y todavía no pueden considerarse alternativas eficientes en el marco de la predicción, a pesar de las expectativas suscitadas en algunos trabajos preliminares. En esta Tesis se estudian métodos híbridos que combinan las predicciones de los modelos numéricos con técnicas estadísticas, para mejorar la resolución de la predicción meteorológica numérica. Estos métodos combinan las salidas (las predicciones) de los modelos numéricos con la información estadística contenida en los registros históricos disponibles en el área de interés y que caracterizan la climatología de esa área. Este trabajo se encuadra dentro de las técnicas conocidas como métodos de análogos (K-vecinos), desarrollando métodos eficientes para trabajar con grandes volumenes de datos. Entre las aportaciones realizadas destacan la aplicación de métodos de agrupamiento en este problema y el análisis de la predictibilidad de la predicción por conjuntos. También se ha analizado la paralelización de los algoritmos más costosos.