3 research outputs found
Assessing the scales in numerical weather and climate predictions: Will Exascale be the rescue?
No full textWe discuss scientific features and computational performance of kilometre-scale global weather and climate simulations, considering the Icosahedral Non-hydrostatic (ICON) model and the Integrated Forecast System (IFS). Scalability measurements and a performance modelling approach are used to derive performance estimates for these models on upcoming exascale supercomputers. This is complemented by preliminary analyses of the model data that illustrate the importance of high-resolution models to gain improvements in the accuracy of convective processes, a better understanding of physics dynamics interactions and poorly resolved or parametrized processes, such as gravity waves, convection and boundary layer. This article is part of the theme issue ‘Multiscale modelling, simulation and computing: from the desktop to the exascale’. © 2019 The Authors. Published by the Royal Society under the terms of the Creative Commons Attribution License http://creativecommons.org/licenses/by/4.0/, which permits unrestricted use, provided the original author and source are credited
Precipitation estimation at Bolo River watershed using artificial intelligence techniques
No full textIlustraciones, figuras, tablasLa complejidad de los sistemas hidroclimatológicos demuestra la necesidad del uso de herramientas
de análisis más efectivas y contextualizadas al área de estudio que soporten la gestión a nivel de
cuenca y subcuenca hidrográfica. La variabilidad natural y los efectos provocados por el cambio
climático antropogénico requieren un análisis extensivo del comportamiento de variables como la
precipitación y la ocurrencia de anomalías en sus patrones espaciales y temporales. Gracias a los
avances recientes en distintas técnicas de inteligencia artificial, el objetivo de esta investigación fue
evaluar un modelo de lógica difusa y un modelo de redes neuronales artificiales para la estimación
de los patrones de precipitación en la cuenca hidrográfica del río Bolo en el Valle del Cauca. Se
realizó una recopilación de datos de precipitación y un análisis exploratorio de datos a partir de los
cuales se determinó la estimación de los patrones de precipitación como variable categórica objetivo
de los modelos (periodos: extremadamente seco, muy seco, moderadamente seco, normal,
moderadamente húmedo, muy húmedo, extremadamente húmedo). Estos modelos se enfocaron en
el análisis mensual de la precipitación usando como línea base el Índice Estándar de precipitación
mensual (SPI-1) y la comparación con el comportamiento esperado por el Índice Niño Oceánico
(ONI). Se implementó un sistema de inferencia difuso con 3 variables explicativas y 48 reglas de
implicación y se evaluaron varias configuraciones de redes neuronales obteniéndose los mejores
resultados para el algoritmo de entrenamiento de regularización Bayesiana con un R de 0.8 seguido
de Levenberg-Marquardt con un R de 0.76. El sistema de inferencia difuso generó resultados más
alineados con lo esperado del análisis exploratorio y el comportamiento histórico de la precipitación
en la cuenca del río Bolo, mientras que la red neuronal artificial demostró un sesgo en la estimación
del tipo de evento extremo de precipitación. (Texto tomado de la fuente)The complexity of hydroclimatological systems demonstrates the need for more effective and
context-specific analysis tools in the study area to support watershed and sub-watershed
management. Natural variability and the effects of anthropogenic climate change require an
extensive analysis of variables such as precipitation and the occurrence of anomalies in their spatial
and temporal patterns. Given the recent advancement of various artificial intelligence techniques,
the objective of this study was to evaluate a fuzzy logic model and an artificial neural network model
for estimating precipitation patterns in Bolo river watershed in Valle del Cauca. Data collection and
exploratory data analysis were conducted to determine the estimation of precipitation patterns as the
categorical target variable for the models (periods: extremely dry, very dry, moderately dry, normal,
moderately wet, very wet, and extremely wet). These models focused on monthly precipitation
analysis using the monthly Standard Precipitation Index (SPI-1) as a baseline and comparing it with
the expected behavior of the Oceanic Niño Index (ONI). A fuzzy inference system was implemented
with 3 explanatory variables and 48 implication rules, and several neural network configurations
were evaluated, with the best results obtained for the Bayesian regularization training algorithm with
an R of 0.8 followed by Levenberg-Marquardt with an R of 0.76. The fuzzy inference system
generated results that aligned more closely with the expected outcomes based on the exploratory
analysis and the historical behavior of precipitation in the Bolo River. On the other hand, the
artificial neural network demonstrated a bias in estimating the type of extreme precipitation event.MaestríaMagíster en Ingeniería AmbientalGracias a los avances recientes en distintas técnicas de inteligencia artificial, el objetivo de esta investigación fue
evaluar un modelo de lógica difusa y un modelo de redes neuronales artificiales para la estimación
de los patrones de precipitación en la cuenca hidrográfica del río Bolo en el Valle del Cauca. Se
realizó una recopilación de datos de precipitación y un análisis exploratorio de datos a partir de los
cuales se determinó la estimación de los patrones de precipitación como variable categórica objetivo
de los modelos (periodos: extremadamente seco, muy seco, moderadamente seco, normal,
moderadamente húmedo, muy húmedo, extremadamente húmedo). Estos modelos se enfocaron en
el análisis mensual de la precipitación usando como línea base el Índice Estándar de precipitación
mensual (SPI-1) y la comparación con el comportamiento esperado por el Índice Niño Oceánico
(ONI). Se implementó un sistema de inferencia difuso con 3 variables explicativas y 48 reglas de
implicación y se evaluaron varias configuraciones de redes neuronales obteniéndose los mejores
resultados para el algoritmo de entrenamiento de regularización Bayesiana con un R de 0.8 seguido
de Levenberg-Marquardt con un R de 0.76.Monitoreo, modelación y gestión de recursos naturalesIngeniería.Sede Palmir
