Clasificación satelital de la altura de tope de nubes y su aplicación a la evaluación de predicciones numéricas de nubosidad

Abstract

Este trabajo trata sobre el desarrollo y validación de un clasificador de Altura de Tope de Nube (CTH) con el fin de emplearlo para seleccionar eventos de nubosidad de interés para su simulación utilizando el modelo de Predicción Numérica del Tiempo (del inglés: Numerical Weather Prediction) (NWP) denominado Weather Research and Forecasting (WRF). El clasificador de altura de topes nubosos se obtiene aplicando técnicas de aprendizaje automático sobre la base de imágenes satelital GOES-16 y es capaz de clasificar los píxeles de cada imagen en cuatro categorías: "Sin Nubosidad", "Nubes Bajas"(de 500 a 2000 metros), "Nubes Medias"(de 2000 a 6000 metros) y "Nubes Altas"(más de 6000 metros). Las técnicas de aprendizaje automático utilizadas son de distinta complejidad: un Árbol de Decisión simple, un Bosque Aleatorio y una Red Neuronal. Para el entrenamiento y validación de los algoritmos de aprendizaje automático se debió compilar una base de datos, compuesta por mediciones realizadas por el instrumento Advanced Baseline Imager (ABI) a bordo del satélite geoestacionario Geostationary Operational Environmental Satellites 16 (GOES16) de la National Oceanic and Atmosphere Administration (NOAA). Estas mediciones son la radiancia observada por el satélite en distintas longitudes de onda para cada pixel observado por el satélite. Se utiliza esta información convertida a las cantidades satelitales de uso corriente (factor de reflectancia y temperatura de brillo), junto a procesamientos y cálculos realizados sobre estas cantidades. Como verdad de referencia para el entrenamiento y validación del desempeño de los clasificadores obtenidos se utiliza el producto de CTH derivado del instrumento Moderate Resolution Imaging Spectroradiometer (MODIS), a bordo del satélite heliosincrónico de órbita polar TERRA del programa Earth Observating System (TERRA) de la National Aeronautics and Space Administration (NASA). Este producto ha sido validado en trabajos de la literatura contra medidas terrestres de ceilómetros, y ha sido utilizado como referencia en trabajos pre-existentes. Además, se incorpora al trabajo la propia estimación de CTH provista por el ABI como base de desempeño para la evaluación del clasificador. Dado el uso de información satelital de plataformas de observación distintas, fue necesario resolver la coincidencia espacial y temporal de las observaciones, con el fin de lograr una Base de Datos de Trabajo (BDT) consolidada. El mejor clasificador obtenido a partir de las imágenes GOES16 mostró un desempeño similar a la clasificación derivada del producto CTH de ABI, mostrando ser una herramienta de similar desempeño. El producto CTH de ABI utiliza, además de las imágenes GOES16, información de NWP globales, estando disponible con frecuencia diezminutal (y utilizando más información que las imágenes de satélite). Este primer paso permitió mostrar un desempeño similar del clasificador implementado (utilizable además en tiempo real), conocer el desempeño típico de este tipo de herramientas en nuestra región, y explorar el uso de los algoritmos de aprendizaje automáticos para esta tarea y como herramienta de postproceso del producto CTH de ABI. Con este último enfoque se consiguió mejorar el desempeño de la clasificación, superando por la base de desempeño definida por la clasificación derivada del producto CTH de ABI. Con el mejor clasificador desarrollado se seleccionaron 10 eventos de nubosidad categoría 1 dominante y 10 eventos de nubosidad categoría 3 dominante. Una porción de estos eventos, de características relevantes para la predicción numérica de nubosidad, fueron simulados y analizados tanto dinámica como termodinamicamente utilizando el modelo WRF.