RESUMENSe propone un nuevo método de pronóstico para la columna total de ozono (CTO) basado en la combinación de algoritmos de vectores de soporte para regresión (VSR) y variables de predicción provenientes del saté-lite de colaboración nacional en órbita polar Suomi, así como de modelos numéricos del Sistema Global de Predicción (SGP) y mediciones directas. Los datos de satélite incluyen perfiles de temperatura y humedad a diferentes alturas, y mediciones de CTO realizadas en los días anteriores al pronóstico. El modelo SGP proporciona datos de temperatura y humedad para el día del pronóstico. El sistema también considera los datos alternos de mediciones in situ, p. ej. de la profundidad óptica de aerosoles a diferentes longitudes de onda. Mediante la metodología VSR se puede obtener un pronóstico exacto de la CTO a partir de estas variables de predicción, con mejores resultados que los obtenidos con otros métodos de regresión, p. ej. redes neuronales. También se efectúa un análisis del mejor subconjunto de características del pronóstico de CTO. La parte experimental de la investigación consiste en la aplicación de VSR a datos de observación directa obtenidos en el laboratorio radiométrico de Madrid, España, donde están disponibles mediciones de ozono adquiridas por medio de un espectrofotómetro Brewer, lo que posibilita el entrenamiento del sistema y la evaluación de sus resultados.
ABSTRACTThis paper proposes a novel prediction method for Total Column Ozone (TCO), based on the combination of Support Vector Regression (SVR) algorithms and different predictive variables coming from satellite data (Suomi National Polar-orbiting Partnership satellite), numerical models (Global Forecasting System model, GFS) and direct measurements. Data from satellite consists of temperature and humidity profiles at different heights, and TCO measurements the days before the prediction. GFS model provides predictions of temperature and humidity for the day of prediction. Alternative data measured in situ, such as aerosol optical depth at different wavelengths, are also considered in the system. The SVR methodology is able to obtain an accurate TCO prediction from these predictive variables, outperforming other regression methodologies such as neural networks. Analysis on the best subset of features in TCO prediction is also carried out in this paper. The experimental part of the paper consists in the application of the SVR to real data collected at the radiometric observatory of Madrid, Spain, where ozone measurements obtained with a Brewer spectrophotometer are available, and allow the system's training and the evaluation of its performance.