Not logged in.

Quick Search - Contribution

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Analysis of Weather Data using Graph-based and Neural Network Methods
Organization Unit
Authors
  • Roland Schläfli
Supervisors
  • Bibek Paudel
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Number of Pages 85
Date 2018
Abstract Text Each year, the Indian Summer Monsoon affects more than one billion people, making clear the importance of accurate statistical analysis of its behavior. In this work, we analyze the spatial distribution of extreme monsoon rainfall and propose a new way of predicting monsoon onset dates. We build networks of correlated locations on the Indian subcontinent, analyzing them with established centrality measures. These measures reveal the relative importance of locations like the Indian Ocean, the Tibetan Plateau, and Northern Pakistan. We additionally adopt recent advances in the area of neural networks to predict monsoon onset dates based on spatiotemporal meteorological datasets. With experiments on these datasets, we show that our model is able to predict onset dates more accurately than existing methods several days in advance.
Zusammenfassung Der Indische Sommermonsun ist von grosser Bedeutung für über eine Milliarde Menschen. Die Wichtigkeit einer präzisen statistischen Auswertung des Monsunverhaltens wird dadurch verdeutlicht. In dieser Arbeit analysieren wir die geographische Verteilung von extremem Monsunregenfall und entwickeln eine neue Methode zur Vorhersage des Monsunbeginns. Wir berechnen Netzwerke aus korrelierten Orten auf dem Indischen Subkontinent und analysieren diese mit verbreiteten Indikatoren der Netzwerkzentralität. Dadurch zeigt sich eine relative Wichtigkeit von Regionen wie dem Indischen Ozean, dem Tibetischen Plateau und Nordpakistan. Basierend auf aktuellen Methoden im Bereich der Neuronalen Netzwerke entwickeln wir ausserdem ein Modell zur Vorhersage des Monsunbeginns basierend auf räumlich-zeitlichen Wetterdaten. Mit Experimenten zeigen wir, dass unser Modell den Monsunanfang mehrere Tage im Voraus genauer als bestehende Methoden vorhersagen kann.
PDF File Download
Export BibTeX