Aplicação de deep learning para auxílio na previsão de tempo de curto prazo

Orlandi, Daniel Pinheiro

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/16084

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Vasconcellos, Fernanda Cerqueira	-
dc.contributor.author	Orlandi, Daniel Pinheiro	-
dc.date.accessioned	2022-01-25T20:20:18Z	-
dc.date.available	2023-12-21T03:00:37Z	-
dc.date.issued	2018-02	-
dc.identifier.uri	http://hdl.handle.net/11422/16084	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Previsão do tempo de curto prazo	pt_BR
dc.subject	Deep learning	pt_BR
dc.title	Aplicação de deep learning para auxílio na previsão de tempo de curto prazo	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/8171181328629852	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/6565014959774718	pt_BR
dc.contributor.advisorCo1	Vasconcellos, Eduardo Charles	-
dc.contributor.referee1	Menezes, Wallace Figueiredo	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/8469752874332453	pt_BR
dc.contributor.referee2	Clua, Esteban Walter Gonzales	-
dc.description.resumo	Eventos de chuva intensa são caracterizados por um alto valor na relação volume de precipitação por tempo e sua previsibilidade é de grande importância para sociedade. Tais eventos podem causar danos a propriedades, impactos econômicos e até mesmo perda de vidas. Os sistemas atmosféricos responsáveis por causar precipitação intensa possuem baixa previsibilidade, devido as suas escalas temporal (minutos a horas) e espacial (centenas a milhares de metros). Na área computacional, a previsão do tempo é dominada por modelos numéricos de previsão do tempo, e diversas estratégias têm sido adotadas para melhorar a sua capacidade de previsão. Contudo, os métodos tradicionais de previsão apresentam dificuldades ao prever esses eventos. Por isso, nesta monografia, aplicamos o Deep Learning como método alternativo na previsão de curto prazo. Utilizamos imagens de satélite, disponíveis na página do DSA/CPTEC, para treinar um modelo a partir da rede neural profunda PredNet e realizar previsões para 15, 30, 45, 60 e 75 minutos no futuro. Ao todo, utilizamos 108903 imagens, do canal infravermelho, do satélite METEOSAT-7, divididas em 3 conjuntos: treinamento, teste e validação. A fim de avaliar os resultados, utilizamos o Erro Quadrático Médio (EQM) e o Índice de Similaridade Estrutural (SSIM) para comparar as imagens geradas pelo modelo à imagem de referência. O modelo treinado com as imagens de satélite obteve uma boa resposta somente para as previsões de 15 minutos. Por isso, utilizou-se um outro modelo, treinado por Lotter et al.(2016) para outra tarefa, no mesmo conjunto de treinamento. O segundo modelo obteve bons resultados para todas as previsões (EQM: 0,000037 e SSIM: 0,93), sendo as previsões de 15 min as que apresentaram melhores respostas. Devido aos bons resultados apresentados e ao baixo custo, essa ferramenta mostra-se promissora para o auxílio da previsão de curto prazo.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto de Geociências	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::METEOROLOGIA	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Meteorologia

Files in This Item:

File	Description	Size	Format
ORLANDI, D.P.pdf		1.56 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository