Duas vezes ao dia, balões meteorológicos são lançados na atmosfera a partir de 700 locais ao redor do mundo para observar as condições na alta atmosfera. Desde a década de 1920, houve dezenas de milhões desses lançamentos de radiossonda, produzindo um enorme arquivo de dados que são críticos para a previsão do tempo e modelagem climática. Em um conjunto de dados tão grande, erros inevitáveis ​​podem afetar significativamente os resultados da modelagem.

Ying Sun, Professor Assistente de Matemática Aplicada e Ciência da Computação da King Abdullah University of Science and Technology (KAUST) da Arábia Saudita, colaborou com pesquisadores da Colorado School of Mines e da Baylor University, NÓS, desenvolver um método para remover esses erros usando uma análise estatística robusta dos dados.

"Uma radiossonda é uma pequena, pacote de instrumentos dispensáveis ​​que está suspenso abaixo de um balão de dois metros de largura cheio de hidrogênio ou hélio, "explicou Sun." Os sensores na radiossonda medem a altura, pressão, temperatura e ponto de orvalho; eles também calculam a velocidade e a direção do vento rastreando a posição da radiossonda em vôo. As observações de radiossonda são as únicas medições diretas da atmosfera superior da Terra, tornando-os vitais para dados de satélite, previsão do tempo e pesquisa em climatologia.

Os muitos erros dos dados são "muitos para corrigir manualmente, então precisamos de um método automático para identificar esses erros aleatórios, "explicou Sun.

Existem métodos automáticos para remover erros sistemáticos dos dados, como mudanças na localização ou unidades de medida. Contudo, não tem havido maneira de remover dados genuinamente errados, incluindo erros de entrada de dados, erros de transmissão ou rastreamento impreciso do balão sem também excluir medidas extremas, mas reais - que são alguns dos dados mais importantes para a previsão. Olhando especificamente para os dados de vento, Sun e seus colegas de trabalho desenvolveram uma abordagem estatística que atinge uma diferenciação robusta entre valores extremos e erros aleatórios.

"Nossa abordagem considera uma distribuição mais realista do vetor de vento que é enviesado com uma longa cauda de valores extremos raros, "disse Sun." Isso torna possível sinalizar observações que são muito prováveis ​​de serem erros como valores discrepantes em potencial, sem remover valores extremos. "

Além de sua aplicação a novos dados diários, este esquema de detecção de erros também pode ser usado em grandes volumes de observações de radiossonda mantidas em arquivos em todo o mundo.

“Estamos desenvolvendo um método de detecção de outlier que é rápido e automático. Seremos capazes de usar esse método para processar rapidamente os milhões de registros no arquivo, "disse Sun." Também estamos considerando o possível efeito das mudanças climáticas ao desenvolver o novo método. "