1

Universitatea ,,Al.I.Cuza,,

Facultatea de Fizică

REZUMAT TEZĂ DE

DOCTORAT

STUDII ASUPRA UNOR METODE DE DETERMNARE A CÂMPURILOR DE

PRECIPITAŢII

Conducator ştiinţific, Prof. Univ. Dr. Dana-Ortansa Dorohoi

Drd. Gina Poalelungi (Tiron)

IAŞI 2011

2

3

CUPRINS INTRODUCERE /5 Capitolul I. RADARUL METEOROLOGIC /11 I.1 Principiul de funcţionare /12 I.2.Ecuaţia Radar /14 I.3. Împrăştierea undelor radar /15 I.3.1. Împrăştierea Mie /15 I.3.2. Aproximaţia Rayleigh /17 I.3.3.Domeniul de valabilitate al aproximaţiei Rayleigh /18 I.4. Reflectivitatea radar /20 I.4.1. Relaţiile Z-R pentru ploaie /22 I.4.2. Relaţiile Z-R pentru zăpadă şi grindină /24 I.5. Algoritmul folosit de radarul Doppler de tip WSR-98 D pentru estimarea cantităţilor de precipitaţii /26 I.5.1. Funcţiile externe de suport ale algoritmului /28 I.5.1.a. Funcţia de evaluare a precipitaţiilor /28 I.5.1.b Achiziţia de date de la pluviometre/29 I.5. 2 Algoritmii sistemului de procesare a precipitaţiilor/30 I. 5.2.a Algoritmul de preprocesare a precipitaţiilor/30 I. 5.2.a1 Corecţia pentru blocarea fasciculului radar/30 I.5.2.a 2 Verificarea semnalelor izolate false/31 I.5.2.a 3 Verificarea semnalelor provenite de la ţinte necunoscute/31 I.5.2.a 4 Verificarea continuităţii ecoului radar pe verticală/32 I.5.2.a 5 Construirea „reflectivităţii hibride” în funcţie de teren/33 I.5.2. a 6 Maximizarea „bi-scan”/ 33 I.5.2.b Algoritmul pentru determinarea ratei de precipitaţii/34 I.5.2.b1 Corecţia pentru grindină/34 I.5.2.b2 Testul de continuitate temporală/35 I.5.2.b3 Corecţia alterării datelor datorită distanţei faţă de radar/35 I.5.2.c Algoritmul pentru măsurarea acumulării de precipitaţii/36 I.5.2.c1 Acumularea „scanare cu scanare”/ 36 I.5.2.c2 Verificarea intervalelor fără date/36

4

I.5.2.c3 Eliminarea valorilor nerezonabile din acumulările orare/37 I.5.2.d Algoritmul de ajustare a datelor radar cu datele de la pluviometre/38 I.5.3. Produse de precipitaţii/38 I.5.3.1 Acumularea de precipitaţii pentru o oră/38 I.5.3.2 Acumularea de precipitaţii pentru trei ore/39 I.5.3.3 Acumularea totală de precipitaţi/41 I.6. Surse de erori în estimarea precipitaţiilor/42 I.6.1 Erorile legate de estimarea reflectivităţii radar/43 I.6.1. a. Semnalul de la ţinte fixe/43 I.6.1.b.Erori datorate propagării/44 I.6.1.c. Umplerea parţială a fasciculului/46 I.6.1.d .Pelicula de apă de pe radom/47 I.6.1.e. Lobii laterali/48 I.6.1.f. Calibrarea incorectă a sistemului hardware/49

I.6.1.g. Atenuarea produsă de precipitaţii/49 I.6.2. Erori legate de relaţia Z-R/50 I.6.2.a Variaţia distribuţiei după dimensiune a particulelor/50 I.6.2.b Precipitaţiile mixte/50 I.6.2.c Banda strălucitoare/50 I.6.3. Erori legate de fenomenele de sub fascicul/51 I.6.3.a Intensificări ale vântului sub fascicul/51 I.6.3.b Evaporarea sub fasciculul radar/52 I.6.3.c Coalescenţa sub fasciculul radar/52 CAP.II REŢELE NEURONALE ARTIFICIALE /54 I.1. Modelarea matematică a neuronului /55 II.1.1. Semnale de intrare şi ponderi /55 II.1.2. Maşina de învăţat liniară/57 II.1.3. Funcţii de transfer (de activare) în neuroni /60 II1.4. Bias /62 II.2. Reţea neuronală artificială multistrat cu retropropagare /63 II.2.1. Învăţarea prin retropropagarea erorii /64 II.2.2. Rata de instruire şi termenul moment /72 II.2.4. Performanţa reţelei /73 CAP.III INUNDAŢIA RAPIDĂ DIN DATA DE 24 IULIE 2008 ÎN NORDUL MOLDOVEI- STUDIU DE CAZ/ 74

III.1. Analiza condiţiilor atmosferice/76 III.2. Evoluţia sistemului convectiv dedusă din date radar/81 III.3. Concluzii/83

5

CAP.IV ESTIMAREA PRECIPITAŢIILOR UTILIZÂND REŢELE NEURONALE ARTIFICIALE /84 IV.1.Reţeaua neuronală cu trei ieşiri dedicată estimării precipitaţiilor folosind factorul de reflectivitate radar Z/85

IV.1.1. Construirea reţelei neuronale artificiale/85 IV.1.2. Analiza performanţei reţelei/92

IV.2. Reţele neuronale artificiale cu variabile de intrare selectate utilizând mai multe clase de precipitaţii/94

IV.2.1. Analiza performanţei reţelelor/95 IV.3. Reţele neuronale artificiale cu trei ieşiri selectate utilizând mai

multe clase de precipitaţii/96 IV.3.1. Analiza performanţei reţelelor/99

IV.4. Reţele neuronale artificiale cu variabile de intrare selectate utilizând criteriile importanţei şi senzitivităţii/100

IV.4.1. Analiza senzitivităţii şi importanţei variabilelor de intrare/101 IV.5. Reţele neuronale cu trei ieşiri dedicate estimării precipitaţiilor folosind modelul ALADIN/103

IV.5.1. Construirea reţelelor neuronale artificiale/105 IV.5.2. Analiza performanţei reţelelor/108

IV.5.3. Analiza senzitivităţii şi importanţei variabilelor de intrare/108

IV.6. Reţele neuronale artificiale cu variabile de intrare concatenate/110

IV.6.1. Construirea reţelelor neuronale artificiale/111 IV.6.2. Analiza performanţei reţelelor/111

IV.7. Analiza comparativă a performanţei reţelelor construite/112

IV.8 Concluzii/114 CAP.V ESTIMAREA PRECIPITAŢIILOR UTILIZÂND REŢELE NEURONALE CUPLATE CU ANALIZA ÎN COMPONENTE PRINCIPALE/117 V.1. Analiza în comonente principale/117 V.2. Construirea reţelelor neuronale PC-ANN_radar /120 V.2.1. Analiza performanţelor reţelelor neuronale PC-ANN_radar /121 V.3. Construirea reţelelor neuronale PC-ANN_Aladin/125 V.4. Construirea reţelelor neuronale PC-ANN_ radar-Aladin/127

6

V.5.Concluzii/130 V.6. Analiza comparativă a sistemelor expert PC-ANN /131

V.7 Concluzii/133 CONCLUZII /136 BIBLIOGRAFIE /139

7

REZUMAT

În ultimele decenii ştiinţa meteorologiei şi-a continuat dezvoltarea sa rapidă. Progrese importante s-au făcut în înţelegerea sistemelor convective la mezoscară, în dinamica tropicală, în dinamica climatului şi în dinamica atmosferei. Estimarea distribuţiei spaţiale şi temporale a precipitaţiilor bazată pe rezultate ale observaţiilor meteorologice, este o sarcină majoră în meteorologie şi hidrologie. Modelele numerice de prognoză a vremii sunt din ce în ce mai capabile să prevadă cantităţile de precipitaţii, dar având în vedere distribuţia spaţială şi temporală a precipitaţiilor, deocamdată aceste modele nu au precizia necesară pentru estimările la mezoscară, deci este important să monitorizăm precipitaţiile în timp real pentru a putea valida modelul numeric de prognoză al precipitaţiilor, astfel putând determina calitatea modelului pentru prognoza câmpului de precipitaţii (Skok et al., 2006). Totodată reţelele de pluviometre sunt deobicei prea împrăştiate pentru a putea surprinde variabilitatea spaţială a precipitaţiilor asupra unei zone. Pentru a depăşi problema măsurătorilor într-un singur punct, în ultimul secol au fost dezvoltate mai multe metode de interpolare (Daley, 1991, Gandin, 1965, Thiessen, 1911), fiecare cu avantajele şi dezavantajele proprii.

Obiectivul principal al tezei, “Studii asupra unor metode de determinare a câmpurilor de precipitaţii”, îl constituie îmbunătăţirea estimării precipitaţiilor pe clase de precipitaţii utilizând radarul meteorologic şi reţelele neuronale artificiale. Teza este structurată în cinci capitole. În Capitolul I sunt introduse teoriile fundamentale privind radarul meteorologic Doppler WSR 98 D.

8

Radarul meteorologic a apărut după cel de-al doilea război mondial, fiind iniţial utilizat în scopuri militare. În meteorologie şi în hidrologie, radarul meteorologic are un rol important, şi în aceste condiţii este un instrument cheie în prognoza câmpurilor de precipitaţii. Datorită bunei rezoluţii spaţiale şi temporale şi acoperirii unei suprafeţe mari, radarul meteorologic este utilizat în prognoza de foarte scurtă durată. Începând cu anul 2000, Administraţia Naţională de Meteorologie a modernizat reţeaua de radare meteorologice cu radare Doppler. În prezent reţeaua naţională de radare meteorologice cuprinde 3 radare în banda C de tipul EEC-2500C şi 5 radare în banda S de tipul WSR-98D.

Radarul Doppler nu măsoară direct schimbări de frecvenţă pentru a determina viteza radială a ţintei, ci foloseşte schimbarea fazei de la un puls la altul între două pulsuri recepţionate succesiv, care se poate măsura mai uşor şi mai precis. Această tehnică se numeşte “procesare a perechilor de pulsuri”. Radarul meteorologic este echipat pentru a afişa ecouri de la particulele de precipitaţii şi de la alte ţinte în funcţie de timpul de întărziere dintre pulsul transmis şi recepţia semnalului, indicând astfel şi distanţa.

Majoritatea radarelor meteorologice transmit o serie de pulsuri discrete de energie care sunt concentrate într-un fascicul îngust. Fiecare puls sau pachet de energie conţine o anumită cantitate de energie care se propagă prin atmosferă şi atinge ţinte de diferite dimensiuni. Cantitatea de energie retransmisă la radar este foarte mică de ordinul 10-14 până la 10-8 W şi poate fi cu 20 de ordine de mărime mai mică decât puterea maximă transmisă.

O caracteristică de bază a sistemelor radar moderne o reprezintă algoritmii de procesare a datelor brute şi generare a produselor radar finale. Unul dintre aceşti algoritmi este cel de estimare a cantităţii de precipitaţii ce cad la sol din dezvoltările noroase, de la cel mai simplu ( Fulton et al., 1998), până la algoritmii complecşi folosiţi de generaţia nouă de

9

radare meteorologice Doppler dual polarimetrice (Brandes, 2002).

Radarul meteorologic poate rezolva câteva din problemele reţelelor de pluviometre de la sol, datorită bunei rezoluţii temporale şi spaţiale fiind utilizat în prognoza de foarte scurtă durată (Hunter,1996).

Estimarea cantitativă a precipitaţiilor din observaţiile de tip radar este un proces destul de complex şi implică un număr de factori pornind de la proiectarea sistemelor tehnice până la analiza imaginilor şi controlul calităţii datelor, fizica proceselor atmosferice, estimarea corectă şi analiza erorilor, organizarea bazei de date şi vizualizarea datelor în aplicaţiile hidrometeorologice (Krajewski et al., 2002).

Estimarea cantităţii de precipitaţii reprezintă unul din produsele finale derivate din date radar şi acest tip de produs este necesar nu numai pentru o mai bună înţelegere a proceselor atmosferice, dar şi pentru o varietate de aplicaţii practice cum ar fi prognoza inundaţiilor, administrarea resurselor de apă până la sistemele de telecomunicaţii din domeniul microundelor.

Mărimile de bază standard măsurate cu radarul Doppler sunt reflectivitatea, viteza radială Doppler şi lărgimea spectrală. Mărimea de bază utilizată pentru estimarea precipitaţiilor este reflectivitatea radar. Radarul WSR-98D utilizează numeroşi algoritmi ştiinţifici complet automatizaţi pentru a genera şi alte produse utilizate în prognoza hidrometeorologică. Algoritmul pentru estimarea cantităţii de precipitaţii folosit de WSR-98D se numeşte Sistem de Prelucrare a Precipitaţiilor (Precipitation Processing System-PPS). Spre deosebire de alţi algoritmi folosiţi de alte sisteme radar, acesta are avantajul de a elimina importante surse de erori chiar din momentul selectării datelor de reflectivitate. Astfel, algoritmul elimină erori de ocultare parţială şi atenuare în ţinte fixe, folosind date despre topografia zonei supravegheate, precum şi un număr mare de

10

unghiuri de elevaţie. Sistemul de procesare a precipitaţiilor este defapt un set de subalgoritmi, care se execută în serie. A fost conceput, dezvoltat şi testat de-alungul a numeroşi ani începând cu anul 1980.

Radarul colectează continuu date de reflectivitate, viteză radială şi lărgime spectrală pe parcursul unei scanări în volum. Datele de volum sunt obţinute prin prelevări de date la elevaţii ale antenei de la 0,5 până la 20 faţă de orizontala locului şi au un interval temporal de 6 minute. Datele de reflectivitate au o precizie de 0,5 dBZ şi sunt colectate în segmente de 1 km lungime la aproximativ fiecare grad în azimut.

Prin afişarea reflectivităţii radar atât în plan orizontal cât şi în plan vertical se poate identifica organizarea sistemului noros şi se poate măsura intensitatea precipitaţiilor, chiar dacă e un sistem frontal (extins pe orizontală) sau un sistem convectiv (dezvoltat mult pe verticală). Din acest motiv măsurătorile de precipitaţii cu ajutorul radarului se folosesc în mod operaţional pe scară largă (Bringi et al., 2001), numai că, radarul determină reflectivitatea în nor, iar pluviometrele măsoară cantitatea de precipitaţii care se înregistrează la sol. Dacă este disponibilă doar măsurarea factorului de reflectivitate, trebuie să se aleagă o relaţie Z-R adecvată, datorită faptului că distribuţia după dimensiune a particulelor variază considerabil de la un punct la altul, deci putem să ne aşteptăm ca relaţia Z-R să varieze de la un punct la altul.

Meteorologii au încercat timp de mai mulţi ani să găsească formula cea mai potrivită care să asocieze reflectivitatea cu rata de precipitaţii. Din păcate nu există relaţii universale care să lege aceşti parametri, doar faptul bine cunoscut că rate mari de precipitaţii sunt asociate ecourilor cu reflectivităţi mari. Mai mult, pentru o distribuţie după dimensiune a particulelor în timp real, este necesar un număr infinit de parametri şi astfel doar determinarea de

11

către radar a lui Z, nu poate furniza o singură măsurătoare pentru R. S-au făcut eforturi considerabile pentru a stabili dacă unii parametri după distribuţia particulelor pot fi cunoscuţi pentru un anumit tip de precipitaţie (stratiformă, convectivă, etc). Relaţia dintre reflectivitate şi rata de precipitaţii este foarte complexă, depinde de un număr de factori fizici, din efectele cărora pot apărea variaţii semnificative de la un eveniment de precipitaţie la altul. În concluzie nu este realist să ne aşteptăm ca o singură metodă de măsurare radar a precipitaţiilor să fie atât precisă şi destul de generală pentru a putea fi aplicată în orice situaţie. Înainte de a acorda încredere totală în estimările de precipitaţii cu radarul, trebuie să cunoaştem fenomenele care pot determina diferenţe faţă de estimările cu pluviometrele. Chiar şi pentru condiţii de precipitaţii care se presupune că ar fi la fel, aşa cum sunt precipitaţiile stratiforme, s-au observat modificări considerabile în relaţiile Z-R. De exemplu Atlas şi Chmela au arătat că acelaşi factor de reflectivitate poate fi asociat cu oricare dintre valorile: R =33 mm/h sau R = 11 mm/h, în funcţie de distribuţia după dimensiune a particulelor care se utilizează (Atlas et al., 1957). Cu scopul de a simplifica relaţiile utilizate pentru transformarea reflectivităţii în rata de precipitaţii, s-a introdus o expresie empirică de forma ( Battan, 1973):

Z=aRb

unde a şi b sunt constante ce pot fi adaptate amplasamentului şi sezonului.

În România pentru radarele WSR-98D în bandă S se folosesc valorile: a = 300 şi b= 1,4 pentru sezonul de vară cu precipitaţii convective, respectiv a = 200 şi b = 1,6 pentru sezonul de iarnă.

Măsurători pentru distribuţia după dimeniune a particulelor au fost făcute peste tot în lume, în diferite părţi ale globului. Battan a găsit 69 de relaţii Z-R diferite. Dintre

12

multele relaţii care există în literatură pentru diversele tipuri de precipitaţii, acestea reprezintă un compromis între relaţiile pentru ploile stratiforme şi ploile convective (Hunter, 1996).

Estimarea precipitaţiilor înregistrate la sol pe baza măsurătorilor de reflectivitate este un subiect de discuţie important pentru meteorologie şi hidrologie.

Cercetări recente arată că reţelele neuronale artificiale (artificial neural networks – ANN) pot fi utilizate cu succes în meteorologie în estimarea ratei de precipitaţii (French et al., 1992, Xu et al., 2001, Hall, 1999 ). În Capitolul II sunt prezentate noţiuni teoretice legate de reţelele neuronale artificiale. Reţelele neuronale artificiale (artificial neural networks – ANN) sunt compuse dintr-un număr mare de procesoare elementare interconectate, denumite neuroni artificiali sau noduri, care cooperează pentru rezolvarea unor sarcini specifice. Neuronul artificial este capabil să primească semnale de intrare, să le proceseze şi să trimită mai departe un semnal de ieşire. Fiecare conexiune dintre neuroni este evaluată printr-un număr real numit coeficient pondere (pozitivă sau negativă). Principalul avantaj al reţelelor neuronale artificiale este că sunt capabile să utilizeze unele informaţii necunoscute apriori, ascunse în baza de date, dar pe care nu le pot extrage. Procesul de „capturare” a informaţiilor necunoscute este numit „instruirea reţelei neuronale” sau „învăţarea reţelei neuronale”. Există două tipuri principale de instruire: instruirea supervizată şi instruirea nesupervizată. În cazul instruirii supervizate (Figura1) se prezintă reţelei neuronale artificiale un număr de exemple de instruire adică perechi formate dintr-un vector de intrare (de exemplu: reflectivitatea radar) şi ieşirea dorită (de exemplu: clasa de precipitaţii).

13

Figura 1. Schema instruirii supervizate

Reţelele neuronale multistrat cu retropropagare

(artificial neural network with back propagation algorithm – BP-ANN) sunt instruite cu algoritmul de propagare înapoi a erorii (algoritmul de retropropagare) şi fac parte din categoria de reţele foarte mult utilizate (Xiao et al., 1997, Svozil, 1997). Reţelele BP-ANN sunt alcătuite din neuroni ordonaţi pe niveluri. Primul nivel este nivelul de intrare, ultimul nivel este nivelul de ieşire şi nivelele dintre ele sunt numite nivele ascunse. Arhitectura reţelei neuronale (număr de niveluri, numărul de neuroni de pe fiecare nivel şi modul în care neuronii sunt conectaţi) este o caracteristică importantă care influenţează flexibilitatea reţelei. În cazul reţelelor BP-NN fiecare neuron de pe un nivel este conectat cu toţi neuronii de pe nivelul următor. Conexiunea dintre neuronii i şi j este caracterizată prin coeficientul pondere w

ji. Coeficientul

pondere reflectă gradul de importanţă a unei conexiuni date din reţeaua neuronală. Numărul de niveluri cât şi numărul de neuroni de pe un nivel depinde de aplicaţia pe care vrem să o rezolvăm cu reţeaua respectivă.

14

În majoritatea aplicaţiilor reţeaua cea mai folosită este cea cu două niveluri active: nivelul ascuns şi nivelul de ieşire (Figura 2).

Figura 2. Arhitectura unei reţele BP-ANN cu două niveluri

active

Algoritmul de propagare înapoi a erorii (back propagation – BP) este considerat ca fiind cel mai important şi cel mai utilizat algoritm pentru instruirea reţelelor neuronale (Brereton, 2000, Niculescu, 2003). Instruirea prin retropropagarea erorii este o strategie de învăţare în care răspunsul corect este obţinut prin ajustarea ponderilor conexiunilor începând de la ultimul nivel (nivelul de ieşire) către nivelul de intrare (Figura 3).

15

Figura 3. Prezentarea schematică a corecţiei ponderilor prin retropropagarea erorii.

Reţeaua neuronală artificială învaţă exemplele de

instruire comparând ieşirea reţelei în urma aplicării unei intrări cu vectorul ţintă (vectorul de ieşire dorit) corespunzător intrării respective. Diferenţa dintre ieşirea dorită (ţinta) şi cea obţinută de reţea reprezintă eroarea de învăţare. În timpul procesului de învăţare, ponderile reţelei sunt modificate conform unui algoritm de instruire care tinde să minimizeze eroarea de învăţare. Vectorii din setul de instruire sunt aplicaţi secvenţial (şi ciclic), modificându-se în mod corespunzător ponderile conexiunilor până când eroarea de învăţare totală asociată întregului set de instruire atinge o valoare acceptabilă. În urma procesului de învăţare, reţeaua neuronală artificială trebuie să aibă proprietatea de a generaliza, adică să

16

aibă abilitatea de a da răspunsuri corecte atunci când se folosesc noi date de intrare (setul exemple de validare).

Sistemul ANN este aplicat ca o nouă abordare în modelarea sistemelor dinamice nelineare de mare complexitate. Principalul avantaj al ANN se găseşte în cazurile unde nelinearităţi intriseci ale dinamicii împiedică dezvoltarea de modele exacte de rezolvare. Trebuie remarcat că în meteorologie, fenomenele fizice sunt nelineare şi predicţia este scopul principal. În Capitolele IV şi V sunt construite mai multe reţele neuronale artificiale capabile să clasifice precipitaţiile pe clase de precipitaţii utilizând ca variabile de intrare reflectivitatea radar, parametrii atmosferici ai modelului ALADIN şi componentele principale ale acestora.

Toate reţelele neuronale artificiale multistrat sunt construite cu ajutorul programului Easy NN şi au drept algoritm de instruire, algoritmul de retropropagare a erorii. Sunt structurate pe trei niveluri (nivelul de intrare, un nivel ascuns şi nivelul de ieşire), au acelaşi număr de noduri pe nivelul de intrare şi acelaşi număr de ieşiri. Reţele au fost programate să oprească procesul de învăţare când eroarea medie de învăţare este mai mică decât eroarea ţintă. Eroarea ţintă a fost setată la valoarea 0.01. Reţeaua neuronală parcurge două etape: 1) etapa de instruire şi 2) etapa de validarea. În etapa de instruire, reţeaua neuronală învaţă relaţiile de dependenţă neliniare posibile dintre cantitatea de precipitaţii şi reflectivitatea radar sau parametrii atmosferici ALADIN sau relaţiile dintre ambele variabile, utilizând un set de învăţare. Când reţelei neuronale i se aplică un set de date de reflectivitatea radar (intrări), sistemul ANN estimează o cantitate de precipitaţii corespunzătoare unei clase de precipitaţii ce constituie ieşirea reţelei. Această ieşire este comparată cu cantitatea de precipitaţii măsurată la sol de pluviometru (valoarea reală) şi diferenţa lor dă eroarea de învăţare. Atât timp cât eroarea de învăţare este mai mare

17

decât eroarea ţinţă, procesul de învăţare continuă prin ajustarea ponderilor conexiunilor dintre nodurile reţelei începând de la nivelul de ieşire către cel de intrare (învăţare prin retropropagarea erorii). Când eroarea de învăţare atinge valoarea ţintă, procesul de învăţare încetează, reţeaua neuronală atingând convergenţa. Odată ce procesul de instruire este realizat, relaţia dintre rata de precipitaţii şi reflectivitatea radar este stabilită, reţeaua este pregătită de operare. Atunci când un nou set de date se aplică reţelei, aceasta va genera estimarea precipitaţiilor pe clase de precipitaţii. Aceasta este etapa de validare. Validarea implică evaluarea performanţei reţelei neuronale artificiale pe un nou set de evenimente de testare, care nu a fost utilizat în etapa de instruire, dar pentru care soluţiile sunt cunoscute pentru a putea face comparaţia corectă cu soluţiile propuse de reţea. Evaluarea reţelei cu privire la evenimentele de testare se face după ce procesul de instruire s-a finalizat. Pentru a compara performanţele reţelelor construite, s-a efectuat validarea tuturor evenimentelor de precipitaţii de către sistemele ANN. Metoda de validare folosită este cea încrucişată (cross-validation) deoarece numărul de evenimente de precipitaţii este relativ mic. Evenimentele de precipitaţii alese pentru construirea reţelelor neuronale artificiale sunt din perioada 2005-2008 şi am avut în vedere ca precipitaţiile să fie de natură convectivă. Situaţiile cu cantităţi mari de precipitaţii de natură convectivă pe arii largi, sunt în general rare pe Moldova, şi lipsa unei reţele dense de pluviometre (Figura 4), a condus la un număr de 117 evenimente de precipitaţii. Am clasificat evenimentele de precipitaţii pe clase de precipitaţii: clasa 1 cu precipitaţii cuprinse între 0 şi 5 mm cu un număr de 21 evenimente, clasa 2 cu precipitaţii cuprinse între 5 şi 10 mm cu un număr de 14 evenimente, clasa 3 cu precipitaţii cuprinse între 10 şi 15 mm cu un număr de 10 evenimente, clasa 4 cu precipitaţii cuprinse între 15 şi 20 mm cu un număr de 27 evenimente, clasa 5 cu precipitaţii cuprinse între 20 şi 25

18

mm cu un număr de 27 evenimente şi clasa 6 cu precipitaţii cuprinse între 25 şi 30 mm cu un număr de 18 evenimente.

Fig.4. Harta cu pluviometrele şi radarul de la Bîrnova, judeţul Iaşi

Evaluarea performanţelor reţelelor s-a realizat cu

ajutorul următorilor parametri: rata de clasificare (C), rata de clasificare corectă (CC), rata de clasificare pentru clasa 1 de precipitaţii (CC1), rata de clasificare pentru clasa 2 de precipitaţii (CC2), rata de clasificare pentru clasa 3 (CC3), rata de clasificare pentru clasa 4 (CC4), rata de clasificare pentru clasa 5 (CC5) şi rata de clasificare pentru clasa 6 de precipitaţii (CC6). Rata de clasificare reprezintă procentul de evenimente de precipitaţii care sunt clasificate (corect sau incorect). Rata de clasificare pentru fiecare clasă reprezintă procentul de evenimente de precipitaţii care sunt clasificate corect din numărul total de evenimente clasificate pentru fiecare clasă de precipitaţii.

19

Pentru exemplificare am ales 2 reţele neuronale artificiale construite având la intrare reflectivitatea radar (&IV.3) cu clase de precipitaţii diferite: o reţea (ANN_1) care are ca ieşiri clasele de precipitaţii 1, 3 şi 5 şi o alta (ANN_2) care are ieşirile pentru clasele 2, 4 şi 6 (Figura 5). Setul de învăţare este alcătuit din 12 evenimente, câte 4 pentru fiecare clasă de precipitaţii. Am preferat această separare a claselor de precipitaţii cu scopul îmbunătăţirii puterii de modelare/discriminare a reţelelor ANN (Tiron et al., 2010, Gosav et al., 2009). Selecţia este motivată şi de faptul că rata de precipitaţii creşte dacă factorul de reflectivitate creşte (Trafalis et al., 2002). Ca date de intrare au fost folosite reflectivităţile radar de la 4 elevaţii (0,50; 1,50; 2,40 şi 3,40), iar ca date de ieşire cantitaţile de precipitaţii înregistrate în timp de oră la posturile şi staţiile meteorologice din Moldova (Figura 4).

Fig.5. Reţeaua neuronală cu 3 ieşiri

Datele de reflectivitate, sub formă de imagini, sunt furnizate de radarul meteorologic Doppler în bandă S, WSR 98 D de la Bârnova, judeţul Iaşi,. Informaţiile despre imaginile radar au fost stocate într-o structură de date care a fost salvată într-un fişier de tip text neformatat, care apoi a fost importat într-un fişier Excel, formându-se astfel baza de date pentru reţeaua neuronală artificială. Pe baza coordonatelor

20

geografice, pentru fiecare pluviometru, au fost luaţi încă 8 vecini (pixeli) (Figura 6) cu valorile de reflectivitate corespunzătoare la cele 4 elevaţii. În acest caz numărul de noduri de pe nivelul de intrare este egal cu 36 valori de reflectivitate. Rezoluţia temporală a factorului de reflectivitate este de 6 minute, iar rezoluţia radială este de 1 km şi cea azimutală este de aproximativ 10 pentru primele 4 elevaţii. În aceste condiţii se acoperă o arie de 9 km2 deasupra pluviometrului şi se obţin 36 valori de reflectivitate pentru o singură scanare. Datele de reflectivitate (360 de valori de reflectivitate măsurate într-o oră pentru un singur pluviometru la cele 4 elevaţii), ca date de intrare pentru reţeaua neuronală, sunt mediate pe o oră, deoarece cantităţile de la pluviometre sunt orare.

Fig.6. Localizarea celor 9 reflectivităţi pentru o elevaţie. Pluviometrul în centrul careului.

Reţeaua ANN_1 converge după 137 cicluri de instruire, iar reţeaua ANN_2 converge după 305 cicluri de instruire (Figura 7). În urma procesului de optimizare ambele

21

reţele au 13 neuroni ascunşi şi 468 conexiuni ponderate (Figura 8).

Fig. 7. Eroarea de învăţare a reţelei neuronale în funcţie

de numărul de cicluri pentru reţeaua ANN_2.

Fig. 5. Conexiunile între nivelurile ascuns şi de ieşire. Conexiuni ponderate

pozitive (linia verde); Conexiuni ponderate negative ( linia roşie).

22

Evaluarea performanţelor reţelelor a fost efectuată prin analiza parametrilor validării descrişi mai sus. În Tabelul 1 sunt prezentate rezultatele validării pentru reţelele neuronale ANN_1 şi ANN_2.

Tabelul 1. Rezultatele validării

Analizând valorile parametrilor de validare, observăm că ambele reţelele au procente foarte bune pentru ratele de clasificare a evenimentelor de precipitaţii (C = 96,55% pentru ANN_1 şi C = 93,22% pentru ANN_2). Rata CC de clasificare corectă are valori mai bune pentru reţeau ANN_1, comparativ cu reţeaua ANN_2. Reţeaua ANN_1 clasifică mai bine ratele de precipitaţii pe clase de precipitaţii, decăt reţeaua ANN_2. Cu toate acestea ambele reţele au ratele de clasificare cu procente de peste 50% pentru toate clasele (G. Tiron, 2009). Tot în Capitolul IV au fost construite şi reţele neuronale care au ca variabile de intrare parametrii modelului ALADIN şi reflectivitatea radar împreună cu parametrii atmosferici ai modelului ALADIN-baza de date concatenată pentru reţeaua neuronală artificială. Parametrii modelului ALADIN utilizaţi ca date de intrare pentru reţea sunt: vorticitatea (V), geopotenţialul (G), temperatura (T), umezeala (H), viteza vântului latitudinală (HW), meridianală (MW) şi verticală (VW) şi temperatura potenţială a termometrului umed (WBPT). Toţi aceşti parametri sunt la următoarele înălţimi de presiune: 925 hPa, 850 hPa, 700 hPa, 500 hPa şi 300 hPa. Ora

23

de rulare a modelul de prognoză ALADIN este 00 UTC. Cei 40 de parametri ALADIN au fost folosiţi ca variabile de intrare pentru reţea. Pentru anii 2005 şi 2007 orele de prognoză sunt din 3 în 3 ore: 03:00, 06:00, 09:00, 12:00, 15:00, 18:00, 21:00 şi 24:00 UTC, iar pentru anul 2008 prognoza este pentru fiecare oră în parte. Pentru fiecare eveniment de precipitaţii din cele 117 evenimente s-au luat parametrii modelului ALADIN prognozaţi pentru ora când s-a înregistrat precipitaţia la sol (anul 2008) sau cei mai apropiaţi de ora când s-a înregistrat precipitaţia la sol (2005 şi 2007). Toţi parametrii modelului ALADIN sunt pentru locaţia fiecărui pluviometru.

Din analiza performanţei reţelelor neuronale artificiale

construite pentru estimarea precipitaţiilor pe clase

de precipitaţii, care utilizează ca date de intrare factorul de reflectivitate, parametrii atmosferici ai modelului ALADIN sau ambele date ca variabile de intrare, se constată că ratele de clasificare pe clase de precipitaţii sunt bune: ratele de clasificare pentru toate reţelele neuronale artificiale construite au procente de peste 90%, ratele de clasificare corectă a evenimentelor de precipitaţii sunt în general cu procente mai mari de 65%, excepţie face reţeaua ANN_Aladin pentru clasele 1-3-5 care are CC = 45.45%, iar ratele de clasificare pe clase de precipitaţii sunt cu procente de peste 55%, excepţie face tot reţeaua ANN_Aladin pentru clasele 1-3-5 care are CC5 = 41.67%.

În concluzie utilizarea reţelelor neuronale care folosesc algoritmul de retropropagarea erorii în procesul de instruire, este eficientă pentru îmbunătăţirea estimărilor de precipităţii ce urmează să se înregistreze la sol. S-a dovedit că cele mai eficiente sunt reţelele neuronale cu baza de date concatenată, care folosesc ca variabile de intrare atât factorul de reflectivitate cât şi parametrii modelului ALADIN (Gosav et al., 2012).

24

Rezultatele obţinute arată faptul că puterea de modelare/discriminare a claselor de precipitaţii pentru reţelele care folosesc ca date de intrare datele de reflectivitate este mai bună decât cea a reţelelor care folosesc ca date de intrare parametrii modelului ALADIN, ceea ce înseamnă că primul tip de variabile aduce mai multe informaţii relevante decât al doilea tip de variabile. În ceea ce priveşte utilizarea datelor concatenate în estimarea clasei de precipitaţii, am ajuns la concluzia că identificarea claselor de evenimente de precipitaţii poate fi atribuită cu o precizie mai bună bazei de date concatenată, decât bazei de date omogene care conţine fie numai măsurători de reflectivitate sau fie numai parametrii modelului ALADIN (Tiron et al., 2010). În Capitolul V intitulat ,,Estimarea precipitaţiilor utilizând reţelele neuronale cuplate cu analiza în componente principale’’ am realizat o preprocesare a variabilelor de intrare folosind analiza componentelor principale. Analiza componentelor principale reprezintă o tehnică de analiză a datelor ce permite detectarea celor mai marcante tendinţe ale unei distribuţii de date. Este folosită în multe ştiinţe, inclusiv în meteorologie, oceanografie (Preisendorfer, 1988), arheologie, medicină şi sociologie. În meteorologie, setul de date implică observaţii în timp şi spaţiu şi utilizarea analizei în componente principale este cel mai des întâlnită în climatologie (Richman, 1986, Sneyers et al., 1988, Horel, 1981). Aceasta nu exclude aplicarea analizei în componente principale în observarea profilului vertical al vântului şi a evoluţiei în timp utilizând viteza Doppler măsurată de radarul meteorologic (Harasti et al., 2005), în analiza precipitaţiilor (Dyer 1975, Sneyers et al.,1989), în prognoza uraganelor pe baza vitezei Doppler (Harasti et al., 2001).

Pentru a verifica relevanţa componentelor principale în clasificarea claselor de precipitaţii am construit o serie de reţele neuronale artificiale având drept variabile de intrare

25

scorurile componentelor principale pentru reflectivitatea radar, parametrii modelului ALADIN şi baza de date concatenată (Tiron et al., 2011). Componentele principale ale datelor originale au fost calculate utilizând programul STATISTICA. Toate reţelele au aceeaşi arhitectură (nivelul de intrare, un nivel ascuns şi nivelul de ieşire) şi un număr de trei neuroni pe nivelul de ieşire care sunt clasele de precipitaţii: 1, 3 şi 5 pentru o reţea şi 2, 4 şi 6 pentru cealaltă reţea. Am construit mai multe reţele neuronale care au ca variabile de intrare scorurile componentelor principale, pentru a stabili numărul optim de componente principale pentru fiecare variabilă de intrare .

Pentru exemplificare am ales reţelele reţelele care au ca variabile de intrare componentele principale care sunt cele mai performante, pentru a fi comparate cu reţelele ANN care au ca variabile de intrare reflectivitatea radar, parametrii ALADIN sau baza de date concatenată. În Tabelele 2 şi 3 sunt prezentate rezultatele validării pentru reţelele neuronale construite (&V6).

Tabelul 2 Rezultatele validării pentru clasele de

precipitaţii 1, 3 şi 5.

Analizând eficienţa utilizării compresiei datelor de reflectivitate în cazul claselor de precipitaţii 1, 3 şi 5, se remarcă faptul că acest proces este favorabil, deoarece

26

rezultatele validării pentru reţeaua 1PC-ANN_radar sunt mai mari decât cele pentru reţeaua ANN_radar. Toţi parametrii validării în cazul reţelei 1PC-ANN_radar sunt mai mari decât în cazul reţelei ANN_radar, excepţie face doar rata de clasificare pentru clasa 3, CC3 = 60%, care este mai mare în cazul reţelei ANN_radar, CC3 = 83.34%.

În cazul datelor parametrilor modelului ALADIN, observăm că folosirea analizei în componente principale duce la o îmbunătăţire a parametrilor validării în special pentru rata de clasificare a clasei 5 de precipitaţii CC5 = 80.77% comparativ cu CC5 = 41.67% obţinut cu reţeaua ANN_Aladin. În general, o reţea ANN nu poate oferi cele mai bune valori pentru toţi parametrii de clasificare. Analizând parametrii validării pentru reţelele ANN_radar-Aladin şi 2PC-ANN_radar-Aladin, am observat că majoritatea parametrilor (C, CC, CC1 şi CC5 ) au valori mai bune, în cazul reţelei 2PC-ANN_radar-Aladin decât pentru reţeaua ANN_radar-Aladin. Prin urmare, putem concluziona faptul că o compresie a datelor de intrare concatenate duce la îmbunătăţirea performanţelor reţelelor.

În plus, menţionăm faptul că, pentru următoarele reţele: ANN_radar, 1PC- ANN_radar, ANN_radar-Aladin şi 2PC-ANN_radar-Aladin, rata CC1 are valoarea maximă (100%). O explicaţie pentru acest rezultat ar putea fi faptul că evenimentele precipitaţii care aparţin clasei de precipitaţii 1, se grupează într-un cluster, în comparaţie cu evenimentele de precipitaţii care aparţin claselor 3 şi 5, care apar suprapuse (Figura 6).

27

Fig.6. PC2 în funcţie de PC1( RR=rata de precipitaţii).

În tabelul 8 sunt rezultatele validării pentru clasele de precipitaţii 2, 4 şi 6.

Tabelul 3 Rezultatele validării pentru clasele de

precipitaţii 2, 4 şi 6.

În cazul datelor de reflectivitate, observăm că folosirea analizei în componente principale este adecvată, toate ratele de clasificare pentru reţeaua 5PC-ANN_radar fiind mai mari în comparaţie cu reţeaua ANN_radar. Şi pentru parametrii modelului ALADIN, reţeaua 9PC-ANN_Aladin are rezultate

28

mai bune, decât cele obţinute pentru reţeaua ANN_Aladin. Cele mai bune valori pentru rata de clasificare corectă le-am obţinut pentru clasele 4 şi 6.

Analizând rezultatele obţinute la validare de către reţeaua ANN_radar-Aladin şi reţeaua 4PC-ANN_radar-Aladin, am remarcat o îmbunătăţire a ratei de clasificare (C= 98.30%), a ratei de clasificare în mod corect (CC=75.86 %) şi a ratelor clasificare corectă pentru clasele 2 (CC2=64.28%) şi 4 (CC4= 92.30%), în cazul reţelei 4PC-ANN_radar-Aladin.

Putem concluziona că folosirea analizei în componenete principale duce în general la o îmbunătăţire a ratelor de clasificare a evenimentelor de precipitaţii, îndeosebi pentru clasele de precipitaţii 4, 5 şi 6. Cele mai bune rezultate s-au obţinut atunci când s-a folosit la intrare baza de date concatenată. Acest rezultat este important având în vedere distribuţia spatio-temporală a precipitaţiilor şi încercarea de a îmbunătăţi prognoza estimării precipitaţiilor pe clase de precipitaţii. Estimarea pe clase a precipitaţiilor are diverse şi importante aplicaţii. În zonele cu risc ridicat de producere a inundaţiilor, estimarea precipitaţiilor, are un rol important în salvarea de vieţi umane şi de proprietăţi. Îmbunătăţirea estimării cantitative a precipitaţiilor este una dintre cele mai provocatoare probleme pentru meteorologie şi hidrologie. Folosirea datelor radar de înaltă rezoluţie în combinaţie cu parametrii atmosferici ai modelului numeric de prognoză ALADIN ca intrări pentru reţeaua neuronală artificială a dus la îmbunătăţirea estimării claselor de precipitaţii.

Reţelele neuronale artificiale oferă mai multe avantaje comparativ cu tehnicile convenţionale de calcul. Capacitatea ANN de a dezvolta o soluţie generalizată la o problemă dintr-un set de exemple, permite acesteia să fie aplicată şi la alte exemple decât cele utilizate pentru instruire şi să producă soluţii viabile, chiar şi atunci când există erori în setul de instruire. Aceasta face din reţeaua neuronală artificială un

29

instrument puternic pentru modelare atunci când relaţia funcţională este supusă incertitudinii sau variază în timp. Modelarea liniară a datelor sugerează că reflectivitatea este variabila cea mai predictivă. Capacitatea reţelelor neuronale artificiale de a da soluţii rapide indiferent de complexitatea problemei le face valoroase, chiar şi atunci când tehnici alternative sunt disponibile să producă mai multe soluţii corecte. Studiul s-a concentrat pe clasa cea mai utilizată de reţele neuronale, şi anume cele cu retropropagare a erorii. Cu toate acestea există numeroase sisteme ANN şi moduri diferite în care ele pot fi aplicate pentru a da răspunsuri, dar important este selectarea celui mai bun algoritm de învăţare şi a domeniului de aplicare. Din studiul bibliografic rezultă că estimarea precipitaţiilor utilizând parametrii modelului numeric de prognoză ALADIN şi baza de date concatenată ( formată din parametrii ALADIN şi reflectivitatea radar), ca variabile de intrare pentru reţelele neuronale artificiale, nu a mai fost realizată. Rezultatele obţinute confirmă importanţa acestei teme.

30

MULŢUMIRI

Doresc să multumesc tuturor celor care m-au ajutat şi m-au sprijinit în finalizarea acestei teze. În primul rând d-nei Prof. Univ. Dr. Dana-Ortansa Dorohoi, pentru răbdarea, competenţa şi dragostea părintească cu care m-a îndrumat şi sprijinit pe parcursul realizării tezei de doctorat. Mulţumirile mele se îndreaptă şi către Dna Lect. Dr. Steluţa Gosav din cadrul Universităţii ,,Dunărea de Jos’’ Galaţi, Facultatea de Ştiinţe, Departamentul de Chimie, Fizică şi Mediu, pentru iniţierea în modalităţile de utilizare a reţelelor neuronale artificiale, colaborarea permanentă, răbdarea şi încurajările de-a lungul elaborării tezei. Mulţumesc d-nei Dr. Doina Banciu şi d-rei Dr. Simona Taşcu din cadrul Laboratorului de Modelare Numerică pentru punerea la dispoziţie a datelor din modelul numeric ALADIN şi colegilor de la Centrul Meteorologic Regional Cluj. Doresc să mulţumesc conducerii Administraţiei Naţionale de Meteorologie pentru înlesnirea obţinerii datelor radar, a datelor modelului numeric de prognoză şi a datelor de la staţiile meteorologice şi posturile pluviometrice care au stat la baza acestei cercetări.

Şi nu în ultimul rând mulţumesc familiei, d-nei Dr.Irina-Carolina Oprea prietenilor şi colegilor de la Centrul Meteorologic Regional Moldova pentru înţelegerea acordată şi pentru susţinere. Mulţumesc tuturor!

31

BIBLIOGRAFIE SELECTIVĂ Atlas D. and Chmela A.C. 1957: Physical-synoptic variations

of drop size parameters. Amer. Meteor. Soc. Battan L.J, 1973: Radar Observation of the Atmosphere.

University of Chicago Press. Balafoutis C. 1991: Principal Component Analysis of Albanian

rainfall, Journal of Meteorology, 16, 90-96 Brandes, Edward A., Guifu Zhang, J. Vivekanandan, 2002:

Experiments in Rainfall Estimation with a Polarimetric Radar in a Subtropical Environment. J. Appl. Meteor., 41, 674–685.

Bringi,V.N., Chandrasekar,V.,2001: Polarimetric Doppler weather radar-Principles and applications. Cambridge.

Blackmon, M. L., R. A. Madden, J. M. Wallace, and D. S. Gutzler, 1979: Geophysical variations in the vertical structure of geopotential height fluctuations. J. Atmos. Sci., 36, 2450 –2466.

Chang, J. J.-C., and M. Mak, 1993: A dynamical empirical orthogonal function analysis of the intraseasonal disturbances. J. Atmos. Sci., 50, 613–630.

Daley R., 1991: Atmospheric data analysis. Cambridge University Press, Cambridge, UK, 457 pp.

Dyer, I.G., 1975: The asssgnment of rainfall stations into homogeneous groups: An application of principal components analysis. Quart.J.Roz.Meteor.Soc., 101, 1005-1013.

French, M. N., Krajewski, W. F., and Cuykendall, R. R 1992: Rainfall forecasting in space and time using neural network, J. Hydrol., 137, 1–31,

Fulton, R. A., J. P. Breidenbach, D.-J. Seo, D. A. Miller, and T.O’Bannon, (1998): The WSR-88D rainfall algorithm. Wea. Forecasting, 13, 377–395.

32

Gandin L., 1965: Objective analysis of meteorological fields. Israeli Program for Scientific Translations, 242 pp.

Grant W. Pettz,. Part I: Principal Component Analysis of Observed Multichannel, Microwave Radiances in Tropical Stratiform Rainfal Physical and Microwave Radiative Properties of Precipitating Clouds.

Gillispie, M., 1993: The use of neural networks for making quantitative precipitation forecasts. NWS Southern Region Technical Attachment SR/SSD 93-42, 21 pp.

Gosav S., Tiron G., 2012 Artificial neural networks built for the rainfall estimation using a concatenated data base (accepted to publish in Environmental Engineering and Management Journal).

Gutzler, D. S., 1990: Vertical structure and interannual variability of tropical zonal winds. J. Climate, 3, 741–750.

Harasti and R. List, 2001: Nowcasting hurricane properties by principal component analysis of Doppler velocity data. Preprints, 30th Conf. on Radar Meteorology, Munich, Germany, Amer. Meteor. Soc., 255–258

Horel J. D., 1981: A rotated Principal Component Analysis of the interannual variability of the Northern Hemisphere 500-mb height field. Mon. Wea. Rev., 109, 2080—2092.

Hunter, S.M. (1996): WSR-88D radar rainfall estimation: Capabilities, limitations and potential improvements. National Weather Digest, 20: 26–38.

Jolliffe,I.T., 2002: Principal Component Analysis, second edition, New York: Springer-Verlag New York.

Krajewski, W.F. and J.A. Smith, Radar hydrology, 2002: Rainfall estimation, Advances in Water Resources, 25, 1387–1394.

Overland, J.E., and R.W.Priesendorfewr, 1982: A significance test for principal components applied to a cyclone climatology. Mon.Wea.Rev., 110,1-4.

33

Paul R. Harasti and Roland List, 2005, Principal Component Analysis of Doppler Radar Data. Part I: Geometric Connections between Eigenvectors and the Core Region of Atmospheric Vortices, American Meteorological Society.

Preisendorfer, R. W., 1988: Principal Component Analysis in Meteorology and Oceanography. Elsevier Science, 425 pp.

Richman, M. B., 1986: Rotation of principal components. J. Climatol., 6, 293—335.

Svozil D., Kavsnicka V., Pospichal J., Tutorial – Introduction to multi-layer feed-forward neural networks, Chemom. Intell. Lab. Syst. 39 (1997) 43-62.

Spanos S., Maheras P., Karacostas T. and Pennas P.,2003: Objective Climatology of 500-h Pa Cyclones in Central and East Mediterranean Region during Warm-Dry Period of the Year, Theoretical and Applied Climatology, 75, 167-178.

Sneyers R. and Goossens C.,1988: L'analyse par la methode des composantes principales, application a la Climatologie et a la Meteorologie.OMM., Institul Royal Meteeorologique de Belgique, 63pp.

Sneyers R, Vandiepenbeeck M. and Vanlierde R.,1989: Principal Component Analysis of Belgian Rainfall, Theoretical and Applied Climatology, 39, 199-204.

Skok G, Vrhovec T,2006: Considerations for interpolating rain gauge precipitation onto a regular grid. Meteorol Z 15(5): 565–73.

Tiron G., Gosav S., Oprea C.,Dorohoi D.O., 2009, Precipitation estimation from radar data using artificial neural network systems, Vol. 11, EGU-7507-1, EGU General Assembly.

Tiron G., Gosav S., I.Câmpean, 2010, Artificial neural network technique for rainfall estimation based on Doppler radar and Aladin model, The 6-th European conference on radar in

34

meteorology and hydrology Sibiu – Romania, 6 – 10 September.

Tiron G., Gosav S., 2011: Improving Rainfall Estimation by the Optimization of Input Data using PC-ANN Systems, Vol. 13, EGU General Assembly , 11023

Thiessen A.H, 1911: Precipitation averages for large areas. Mon Wea Rev 39: 1082–84.

White D. and Richman M.,1991: Climate regionalization and rotation of Principal Components, International Journal of Climatology, 11, 1-25.

Xu G and Chandrasekar V., 2005: Operational Feasibility of Neural-Network-Based Radar Rainfall Estimation, IEEE Geoscience and remote sensing letters, 2,1.

Xu G. and Chandrasekar, V. 2001, Radar rainfall estimation from vertical reflectivity profile using neural network, in Proc. IGARSS, , pp. 3280–3281.

35

Lucrări ştiinţifice în reviste cotate ISI:

1.G.Tiron, S. Gosav, 2010, The July 2008 rainfall estimation

from Barnova WSR-98 D radar using artificial neural network,

Romanian Reports in Physics 62(2), 405-413.-0,41

2.S.Gosav, G.Tiron, 2011 Artificial neural networks built for

the rainfall estimation using a concatenated data base

(accepted to publish in Environmental Engineering and

Management Journal)- 1,435

Lucrări trimise spre publicare în reviste

cotate ISI:

1.C.Oprea, G.Tiron, M.Stăncescu, N.Milian, S.Ştefan,

Mesosynoptic feature associated with a major flash flood in

central part of Romania, Environmental Engineering and

Management Journal

2.C.Tăbăcaru, G.Tiron, Radioiodine and radiocesium in

Carpathian Mountains due to the Fukushima nuclear accident,

Environmental Engineering and Management Journal

36

Lucrări ştiinţifice în reviste recunoscute CNCSIS:

1. G.Tiron, S.Gosav, D.O.Dorohoi, 2011 Comparative analysis of ANN and PCA-ANN systems for rainfall estimation based on radar data and numerical weather prediction ALADIN model, Buletinul Institului Politehnic Iasi, LVII(LXI), Fasc.4- B+

2. S Gosav, G.Tiron, D. O. Dorohoi, 2009 Artificial neural networks and radar data – a successful method for the rainfall estimation, The Annals of the “DUNAREA DE JOS” University of Galati, Fascicle II - mathematics, Physics, Chemistry, Informatics (CD-ROM), year III (XXXII). – B 3.G.Tiron, I. C. Oprea, 2009, The 22-27 JULY 2008 severe weather event –an example of retrograde mediterranean cyclone flood, Riscuri şi catastrofe, Vol VIII, nr.6 ISSN: 1584-5273, EISSN: 2067-7694.

4. G.Tiron, S.Gosav, 2011, Estimarea precipitaţiilor utilizând reflectivitatea radar şi reţele neuronale artificiale,Revista Ştiinţifică a Administraţiei Naţionale de Meteorologie, Bucureşti, ISSN 2069 – 878X, ISSN-L= 2069 – 878X.

Comunicări la Conferinţe Internaţionale 1.G.Tiron, I.C. Oprea, D.O.Dorohoi, A study of estimation of hail using WSR-98D Radars, The XIII International Conference, Sibiu 22-25 november 2007 .

2. I.C.Oprea, Gheorghe Stancalie, G.Tiron, S. Tascu, 2009, A Study of Two Heavy Precipitation Event in the North-Eastern Romania, Vol. 11, EGU2009-7407-1, EGU General Assembly.

3.G.Tiron, S.Gosav, C. Oprea, D.O. Dorohoi, 2009, Precipitation estimation from radar data using artificial neural

37

network systems, Vol. 11, EGU-7507-1, EGU General Assembly. 4. G.Tiron, S.Gosav, 2010, A hybrid artificial neural network model for rainfall estimation in the Moldova region, 10th International Precipitation Conference, Coimbra, Portugal. 5.G.Tiron, S.Gosav, I.Câmpean, 2010, Artificial neural network technique for rainfall estimation based on Doppler radar and Aladin model, The 6-th European conference on radar in meteorology and hydrology Sibiu – Romania, 6 – 10 September

6. I. C.Oprea, G.Tiron, D. Carbunaru, 2010 A comparative study of meteorological processes associated with two squall lines in Romania, the 6-th European conference on radar in meteorology and hydrology Sibiu – Romania, 6 – 10 September

7. G.Tiron, S.Gosav, 2011, Improving Rainfall Estimation by the Optimization of Input Data using PC-ANN Systems, Vol. 13, EGU General Assembly , 11023

Comunicări la Conferinţe Naţionale

1.G.Tiron, 2007, Grindina ca fenomen sever in Moldova: analiya meteorologică, probleme operaţionale şi impactul asupra mediului, Seminarul geografic ,, Dimitrie Cantemir,, ediţia XXVIII , Iasi 19-21 Octombrie

2.G.Tiron, D.C. Bostan ,S. Bostan, C.I.Oprea, 2008, Manifestări deosebite ale vremii în Moldova, în ziua de 13.06.2004, Concursul Naţional de referate şi comunicări ştiinţifice ,,Ştefan Procopiu,, Piatra-Neamţ

38

3.I.C.Oprea, G.Tiron, S. Tascu, 2008 A study of meteorological processes associated with two squall lines in Moldova. 4rd Conference on Applied Physics, Galati, Romania, 25-26 September.

4.G.Tiron, S.Gosav, I.C.Oprea, Dana-Ortansa Dorohoi, 2009, Estimarea precipitaţiilor utilizând reflectivitatea şi reţelele neuronale artificiale, PhD Students Workshop on Fundamental and Applied Research in Physics" – FARPHYS 24 octombrie

5.G.Tiron, S. Gosav, Narcis Maier, 2009 Sensitivity and importance of radar data in rainfall estimation using artificial neural networks, ISAP Galati

6.G.Tiron, S. Gosav, D.O.Dorohoi, 2010, Rainfall automated estimation using numerical weather prediction ALADIN model, CNF Iasi, 23-25 septembrie