Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Rossatto, Felipe Copceski |
| Orientador(a): |
Härter, Fabrício Pereira |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Pelotas
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Modelagem Matemática
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
http://guaiaca.ufpel.edu.br/xmlui/handle/prefix/14182
|
Resumo: |
Neste trabalho, propõe-se um modelo baseado em Redes Neurais Convolucionais Recorrentes (RNCR), para previsão meteorológica de curto prazo nowcasting. Esta abordagem é uma alternativa a técnicas tradicionais de extrapolação estatística. Para isso, foi utilizada uma RNCR supervisionada de aprendizagem preditiva conhecida como PredRNN++. Foram utilizados dados (imagens) de quatro radares localizados no sul do Brasil, disponíveis para acesso gratuito no site do INPE (Instituto Nacional de Pesquisas Espaciais), como entrada e saída da rede. Na saída, o alvo ou professor, são imagens de 6 a 120 minutos à frente no tempo, em relação a entrada, ou seja, o que se deseja prever. Para se verificar a qualidade da previsão gerada pela PredRNN++, além de uma análise empírica das imagens previstas, utilizam-se as métricas estatísticas RMSE, SSIM e MAE explorando um evento extremo, ocorrido no sul do Brasil, em 12 de junho de 2018. A rede mostrou-se uma alternativa viável para previsão de nowcasting, uma vez que reproduz a intensidade e a localização dos sistemas emulados. |
