M05- Predicción de la actividad eléctrica atmosférica del modelo WRF-ELEC empleando técnicas de Machine Learning.
Tutor: Melina Yasmin Luque
El modelo WRF (Weather Research and Forecasting) es un modelo numérico de predicción atmosférica que permite simular el estado de la atmósfera en cualquier parte del planeta. Su extensión, WRF-ELEC, permite simular la actividad eléctrica de tormentas severas. En este proyecto, tenemos como objetivo, a partir de datos de la dinámica atmosférica y la microfísica simulados por WRF, predecir la actividad eléctrica que brinda el modelo WRF-ELEC, empleando técnicas de Machine Learning.
La motivación de este proyecto es desarrollar un modelo de ML que prediga la actividad eléctrica a partir de datos del WRF como alternativa a la extensión WRF-ELEC que es un modelo que resuelve numéricamente ecuaciones físicas complejas y que, por ende, tiene un gran costo computacional. El dataset consiste en datos atmosféricos obtenidos a partir de simulaciones del modelo WRF cuyo dominio está centrado en la Ciudad de Córdoba y abarca una extensión de 600 km x 600. Los datos pertenecen a simulaciones de 5 días diferentes donde se registraron tormentas severas con actividad eléctrica reales en la región de interés. El dataset posee 45 columnas que incluyen datos de cantidad de hielo en cada nivel de cada columna del dominio, la temperatura de tope de nube, la reflectividad máxima de cada columna, el índice LPI (Lightning Potential Index) y el TARGET que es la actividad eléctrica predicha por la extensión WRF-ELEC y 500.000 filas.
Este proyecto permite el desarrollo de un modelo de ML que podría implementarse como alternativa al modelo WRF-ELEC, el cual resuelve ecuaciones numéricas complejas con un alto costo computacional. En términos mas generales, contribuye al entendimiento de la relación entre variables atmosféricas como la cantidad de hielo en una nube de tormenta y la reflectividad con la actividad eléctrica local. De conocer dichas relaciones, podría emplearse el comportamiento de la actividad eléctrica como indicador de caída de granizo o de precipitaciones intensas.
– ¿Hay relación entre las variables dinámicas y físicas del conjunto de datos, o son totalmente independientes?
– ¿Es posible predecir la actividad eléctrica a partir de las variables dinámicas y físicas del conjunto de datos?
– ¿Qué algoritmo de aprendizaje supervisado sirve mejor a nuestro objetivo?
– ¿Cuáles son las variables atmosféricas que presentan mayor relación con la actividad eléctrica? ¿Podemos prescindir de alguna de las variables elegidas para predecir la actividad eléctrica?