Detalhes bibliográficos
| Ano de defesa: |
2021 |
| Autor(a) principal: |
Tenório, Ricardo Bruno de Araújo |
| Orientador(a): |
Fernandez, José Henrique |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Rio Grande do Norte
|
| Programa de Pós-Graduação: |
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS CLIMÁTICAS
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufrn.br/handle/123456789/45702
|
Resumo: |
O gelo marinho, cobrindo aproximadamente 7% da superfície dos oceanos da Terra, é um componente climático fundamental para se estudar o clima nas regiões polares, principalmente, por funcionar como uma barreira natural na interface oceano-atmosfera que restringe as trocas de calor, massa e momentum entre o mar e o ar, além de refletir grande parte da radiação solar incidente. Observações por satélites, desde os anos 1970, indicam um Ártico com gelo marinho cada vez mais fino e mais jovem, acompanhado por um declínio em sua extensão. Enquanto que algumas áreas da Antártica (e.g Mar de Ross e Mar de Weddell) têm apresentado um ligeiro aumento na extensão desta componente climática para o mesmo período. Nesse contexto, este estudo teve como principal objetivo avaliar o potencial de previsibilidade de cobertura de gelo marinho com a aplicação de técnicas de Redes Neurais Artificiais (RNAs), a saber, MLP (Multi-Layer Perceptron), LSTM (Long-Short Term Memory) e CNN-LSTM (Convolutional Neural Network - LSTM ), em 3 mares Antárticos: Weddell, Bellingshausen e Amundsen. Os dados utilizados foram as reanálises mensais do Era-5, para o período de 1979 a 2019. Modelos SARIMAX serviram como valores de referência para aferição da precisão das previsões com as RNAs. Analisando os erros (RMSE e MAE) de Concentração de Gelo Marinho (CGM), para todos os mares estudados, observou-se que a CNN-LSTM foi superada somente nos meses com valores inferiores a ±25%, sendo que as diferenças máximas entre os erros nestes eventos não atingiram valores acima de 5%, como o que ocorreu nos meses de julho, setembro e outubro no mar de Weddell. Com estes resultados foi possível inferir que o modelo CNN-LSTM foi o que previu com maior precisão os períodos com as maiores diferenças (> 0.15) de CGM. Com as análises das distribuições espaciais das diferenças de CGM pode-se afirmar que as delimitações dos campos com diferenças superiores a 0.15 também foram melhor estimadas com o acoplamento das arquiteturas CNN e LSTM, como ocorreu com a anomalia negativa de junho no mar de Weddell (MAE < 0,15) e a positiva, em setembro, no mar de Amundsen (MAE < 0,10). |
