Resumen

CARRO-CALVO, Leo et al. Efficient prediction of total column ozone based on support vector regression algorithms, numerical models and Suomi-satellite data. Atmósfera [online]. 2017, vol.30, n.1, pp.1-10. ISSN 0187-6236.  https://doi.org/10.20937/atm.2017.30.01.01.

Se propone un nuevo método de pronóstico para la columna total de ozono (CTO) basado en la combinación de algoritmos de vectores de soporte para regresión (VSR) y variables de predicción provenientes del satélite de colaboración nacional en órbita polar Suomi, así como de modelos numéricos del Sistema Global de Predicción (SGP) y mediciones directas. Los datos de satélite incluyen perfiles de temperatura y humedad a diferentes alturas, y mediciones de CTO realizadas en los días anteriores al pronóstico. El modelo SGP proporciona datos de temperatura y humedad para el día del pronóstico. El sistema también considera los datos alternos de mediciones in situ, p. ej. de la profundidad óptica de aerosoles a diferentes longitudes de onda. Mediante la metodología VSR se puede obtener un pronóstico exacto de la CTO a partir de estas variables de predicción, con mejores resultados que los obtenidos con otros métodos de regresión, p. ej. redes neuronales. También se efectúa un análisis del mejor subconjunto de características del pronóstico de CTO. La parte experimental de la investigación consiste en la aplicación de VSR a datos de observación directa obtenidos en el laboratorio radiométrico de Madrid, España, donde están disponibles mediciones de ozono adquiridas por medio de un espectrofotómetro Brewer, lo que posibilita el entrenamiento del sistema y la evaluación de sus resultados.

Palabras llave : Total column ozone; daily forecasting; satellite data; numerical models; support vector regression.

        · resumen en Inglés     · texto en Inglés     · Inglés ( pdf )