Analysis of meterological data with machine learning techniques: a case study of cyclogeneisis over the meaditerranean

Κελαντώνης, Βασίλειος Νεκτάριος; Kelantonis, Vasileios Nektarios

dc.contributor.author	Κελαντώνης, Βασίλειος Νεκτάριος	el
dc.contributor.author	Kelantonis, Vasileios Nektarios	en
dc.date.accessioned	2021-03-30T11:34:24Z
dc.date.available	2021-03-30T11:34:24Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53197
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20895
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Εφαρμοσμένες Μαθηματικές Επιστήμες”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μετερεωλογία	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Αναγνώριση μοτίβων	el
dc.subject	Κυκλογένεση	el
dc.subject	Μεσόγειος	el
dc.subject	Meterology	en
dc.subject	Machine learning	en
dc.subject	Pattern recognition	en
dc.subject	Cyclogenesis	en
dc.subject	Mediterranean	en
dc.title	Analysis of meterological data with machine learning techniques: a case study of cyclogeneisis over the meaditerranean	en
dc.title	ΑΝΑΛΥΣΗ ΜΕΤΕΩΡΟΛΟΓΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΜΕ ΤΕΧΝΙΚΕΣ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ: ΜΙΑ ΜΕΛΕΤΗ ΠΕΡΙΠΤΩΣΗΣ ΚΥΚΛΟΓΕΝΕΣΗΣ ΣΤΗ ΜΕΣΟΓΕΙΟ	el
heal.type	masterThesis
heal.classification	ΥΠΟΛΟΓΙΣΤΙΚΑ ΜΑΘΗΜΑΤΙΚΑ	el
heal.classification	APPLIED MATHEMATICS	en
heal.classification	ΕΦΑΡΜΟΣΜΕΝΑ ΜΑΘΗΜΑΤΙΚΑ	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-02-24
heal.abstract	Four “weather scenarios” per month are computed, in order to reveal areas of surface cyclogenesis across the Mediterranean basin. The data used are the ECMWF’s monthly averaged reanalysis, for the 41 year period 1979-2019, of the following meteorological parameters: • 500hPa Geopotential height (Z500) • Mean sea level pressure (MSLP) • 850hPa Temperature (T850) • Surface sensible heat flux (SSHF) & Surface latent heat flux (SLHF) • 300hPa Winds (W300) and 850hPa Winds (W850) • 850hPa Potential vorticity (PV850) & 315K Potential vorticity (PV315) • 2PVU Potential Temperature (PT2PVU) We analyzed the spatial and temporal variability of each of the geophysical fields alone using Empirical Orthogonal Functions (EOF), and in pairs using Singular Value Decomposition (SVD). EOF analysis is also a data reduction tool in order to efficiently apply a clustering algorithm. On the other hand, the SVD of coupled fields reveals the correlations between the meteorological parameters. The spatio-temporal data is clustered into k=4 classes using an unsupervised machine learning technique. For that, we use k-means and SOM (Self Organizing Map). The clustering analysis is performed on zonal-mean-removed monthly Z500 anomalies projected on the leading EOF modes that retain at least 99% of the variance. The algorithm is used to classify the data into four (4) clusters per month. The computed cluster index for each month is used to label the full Z500 pattern and the corresponding patterns of the rest meteorological parameters. Using the cluster indices and cluster means (centroids), the cluster representatives of each meteorological parameter are calculated (monthly “weather scenarios”). Those monthly “weather scenarios” reveal that the Gulf of Genoa, the Iberian Peninsula, southern Italy, the Aegean Sea, the Tyrrhenian Sea, south of Sardinia, the Ionian Sea, the Baleares Islands and Cyprus are indeed areas that favor surface cyclogenesis (as previous studies have noted). Also, the SVD of coupled fields analysis reveals that Z500, which is the field that clustering is based, is highly correlated with most of the meteorological parameters used in this thesis. As a next step, the labeled dataset could be used to train and test a supervised machine learning technique such as CNN (Convolutional neural network). CNNs can be used to predict which cluster index a Z500 pattern will belong to in the future. Presenting and evaluating a supervised machine learning technique is outside the scope of this thesis. All the above, were implemented with the use of MATLAB.	en
heal.abstract	Τέσσερα «καιρικά σενάρια» ανά μήνα υπολογίζονται με σκοπό να εντοπιστούν οι κύριες περιοχές επιφανειακών κυκλογενέσεων στη λεκάνη της Μεσογείου. Χρησιμοποιήθηκαν οι μηνιαίες μέσες τιμές από τα δεδομένα «reanalysis» του ECMWF, για την περίοδο 41 ετών 1979-2019, των παρακάτω μετεωρολογικών παραμέτρων: • Γεωδυναμικό ύψος στα 500hPa • Πίεση στη μέση στάθμη θάλασσας • Θερμοκρασία στα 850hPa • Επιφανειακές ροές Λανθάνουσας και Αισθητής θερμότητας • Άνεμοι στα 300hPa και 850hPa • Δυνητικός στροβιλισμός στα 850hPa και στην ισεντροπική επιφάνεια των 315K • Δυνητική θερμοκρασία στην επιφάνεια των 2PVU Αναλύουμε την χωρική και χρονική διακύμανση κάθε ενός από τα γεωφυσικά πεδία ξεχωριστά με τη χρήση της μεθόδου EOF (Empirical Orthogonal Functions), και την συvδιακύμανση πεδίων ανά δύο με τη χρήση της μεθόδου SVD (Singular Value Decomposition). Η μέθοδος EOF είναι επίσης και ένα εργαλείο μείωσης του όγκου των δεδομένων, ώστε στη συνέχεια να εφαρμοστεί αποδοτικά ένας αλγόριθμος κατηγοριοποίησης. Η μέθοδος SVD που εφαρμόζεται σε ζεύγη πεδίων φανερώνει το βαθμό συσχέτισης μεταξύ των εξεταζόμενων μετεωρολογικών παραμέτρων. Τα χώρο-χρονικά δεδομένα κατηγοριοποιούνται σε τέσσερεις (k=4) «κλάσεις» κάνοντας χρήση μίας μη επιτηρούμενης τεχνικής μηχανικής μάθησης. Γίνεται χρήση της μεθόδου k-means και SOM (Self Organizing Map). Η ανάλυση κατηγοριοποίησης γίνεται στα μηνιαία πεδία των ανωμαλιών του γεωδυναμικού ύψους στα 500hPa που έχουν προβληθεί πάνω στα ιδιοδιανύσματα της μεθόδου EOF που αντιστοιχούν στις μεγαλύτερες ιδιοτιμές και αθροιστικά περιγράφουν τουλάχιστον το 99% της συνολικής διακύμανσης. Ο αλγόριθμος χρησιμοποιείται ώστε να ταξινομήσει τα δεδομένα σε τέσσερεις «κλάσεις» ανά μήνα. Ο δείκτης που αναφέρεται στην «κλάση» όπου ανήκει ο κάθε μήνας, χρησιμοποιείται σαν «ταμπέλα» των πεδίων γεωδυναμικού ύψους στα 500hPa και των αντίστοιχων πεδίων των υπολοίπων μετεωρολογικών παραμέτρων. Κάνοντας χρήση αυτών των δεικτών αλλά και των κέντρων κάθε «κλάσης», υπολογίζονται οι αντιπρόσωποι κάθε «κλάσης» για κάθε έναν από τους μετεωρολογικούς παραμέτρους (μηνιαία «καιρικά σενάρια»). Αυτά τα μηνιαία «καιρικά σενάρια» μας φανερώνουν ότι ο κόλπος της Γένοβας, η Ιβηρική χερσόνησος, η Νότια Ιταλία, η Τυρρηνική θάλασσα, Νότια της Σαρδηνίας, το Ιόνιο πέλαγος, το Αιγαίο πέλαγος, οι Βαλεαρίδες νήσοι και η περιοχή της Κύπρου είναι όντως περιοχές που ευνοούν επιφανειακές κυκλογενέσεις (όπως έχουν δείξει και προγενέστερες μελέτες). Επίσης, η μέθοδος SVD φανερώνει τον υψηλό βαθμό συσχετισμού του πεδίου γεωδυναμικού στα 500hPa, που είναι το πεδίο που βασίστηκε η μέθοδος κατηγοριοποίησης, με τις περισσότερες από τις εξεταζόμενες μετεωρολογικούς παραμέτρους. Σαν επόμενο βήμα θα ήταν, η ήδη κατηγοριοποιημένη σειρά δεδομένων να χρησιμοποιηθεί σε μία επιτηρούμενη τεχνική μηχανικής μάθησης όπως είναι η CNN (Convolutional neural network). Η μέθοδος CNN θα μπορέσει να προβλέψει σε ποια κατηγορία θα ανήκει στο μέλλον ένα πεδίο γεωδυναμικού στα 500hPa. Η παρουσίαση και αξιολόγηση μίας τέτοιας μεθόδου είναι έξω από το σκοπό αυτής της εργασίας. Όλα τα ανωτέρω υλοποιήθηκαν με τη χρήσης του πακέτου MATLAB.	el
heal.advisorName	ΣΤΕΦΑΝΕΑΣ, ΠΕΤΡΟΣ	el
heal.committeeMemberName	ΣΤΕΦΑΝΕΑΣ, ΠΕΤΡΟΣ	el
heal.committeeMemberName	ΚΟΛΕΤΣΟΣ, ΙΩΑΝΝΗΣ	el
heal.committeeMemberName	ΨΑΡΡΑΚΟΣ, ΠΑΝΑΓΙΩΤΗΣ	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	102 σ.	el
heal.fullTextAvailability	false