Name: | Description: | Size: | Format: | |
---|---|---|---|---|
36.2 MB | Adobe PDF |
Abstract(s)
Accurate short-term wind forecasting is essential for aviation safety and efficiency,
especially at airports situated in mountainous regions. This doctoral research addresses
the challenge of rapidly evolving wind conditions by integrating a newly established
network of high-frequency meteorological stations with advanced artificial intelligence
models. Through sensor calibration and cost-efficient internet of things infrastructures,
the work delivers real-time data at different granular resolutions while reducing
measurement error. By employing deep learning approaches combined with feature
engineering and data augmentation, the system achieves lower wind speed and direction
errors than conventional numerical predictions and supports forecast horizons ranging
from one minute to several hours. Interpretable architectures with symbolic methods
further enhance trust by revealing how complex terrain influences local wind dynamics
and enabling spatial-temporal adjustments of numerical weather predictions. Systematic
evaluations confirm improvements in safety-critical metrics for runway operations,
including robust classification of wind-induced closures and reduced wind prediction
errors. The resulting framework adapts readily to other airports with challenging wind
conditions and adheres to international standards for forecasting. In doing so, it
strengthens decision-making in air traffic management and fosters greater resilience
against disruptive weather events.
Previsões de vento de curto prazo com elevada precisão são fundamentais para a segurança e eficiência da aviação, sobretudo em aeroportos localizados em regiões montanhosas. Esta investigação de doutoramento aborda o desafio das rápidas variações das condições de vento ao integrar uma nova rede de estações meteorológicas de alta frequência com modelos avançados de inteligência artificial. Através de uma criteriosa calibração de sensores e de infraestruturas de internet das coisas eficientes, o trabalho disponibiliza dados em tempo real, com diferentes resoluções, reduzindo de forma significativa a incerteza de medição. Recorrendo a metodologias de aprendizagem profunda combinadas com engenharia de dados, o sistema atinge erros inferiores na velocidade e na direção do vento em comparação com previsões numéricas convencionais, suportando horizontes de previsão que variam entre um minuto e várias horas. Arquiteturas interpretáveis, associadas a métodos simbólicos, reforçam a confiança ao revelar de que forma o terreno complexo influencia a dinâmica local do vento e ao permitir ajustes espácio-temporais das previsões meteorológicas numéricas. Avaliações sistemáticas comprovam melhorias em métricas cruciais para a segurança nas operações de pista, incluindo uma classificação robusta de encerramentos causados por vento e a redução dos erros de previsão. A estrutura resultante adapta-se facilmente a outros aeroportos com condições de vento exigentes e cumpre os padrões internacionais de previsão. Deste modo, fortalece a tomada de decisões na gestão do tráfego aéreo e promove maior resiliência perante fenómenos meteorológicos disruptivos.
Previsões de vento de curto prazo com elevada precisão são fundamentais para a segurança e eficiência da aviação, sobretudo em aeroportos localizados em regiões montanhosas. Esta investigação de doutoramento aborda o desafio das rápidas variações das condições de vento ao integrar uma nova rede de estações meteorológicas de alta frequência com modelos avançados de inteligência artificial. Através de uma criteriosa calibração de sensores e de infraestruturas de internet das coisas eficientes, o trabalho disponibiliza dados em tempo real, com diferentes resoluções, reduzindo de forma significativa a incerteza de medição. Recorrendo a metodologias de aprendizagem profunda combinadas com engenharia de dados, o sistema atinge erros inferiores na velocidade e na direção do vento em comparação com previsões numéricas convencionais, suportando horizontes de previsão que variam entre um minuto e várias horas. Arquiteturas interpretáveis, associadas a métodos simbólicos, reforçam a confiança ao revelar de que forma o terreno complexo influencia a dinâmica local do vento e ao permitir ajustes espácio-temporais das previsões meteorológicas numéricas. Avaliações sistemáticas comprovam melhorias em métricas cruciais para a segurança nas operações de pista, incluindo uma classificação robusta de encerramentos causados por vento e a redução dos erros de previsão. A estrutura resultante adapta-se facilmente a outros aeroportos com condições de vento exigentes e cumpre os padrões internacionais de previsão. Deste modo, fortalece a tomada de decisões na gestão do tráfego aéreo e promove maior resiliência perante fenómenos meteorológicos disruptivos.
Description
Keywords
Airport Wind Forecasting Machine Learning Madeira airport Madeira (Portugal) Electrical Engineering . Faculdade de Ciências Exatas e da Engenharia