Desempenho de um algoritmo de otimização hierárquico multiobjetivo aplicado a um modelo de superfície terrestre e ecossistemas

• Ano de defesa: 2013
• Autor(a) principal: Camargos, Carla Cristina de Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; BR; Agrometeorologia; Climatologia; Micrometeorologia; Mestrado em Meteorologia Agrícola; UFV
• Palavras-chave em Português: Hidroclimatologia; Modelagem; Ecossistema; Algoritmo; Superfície terrestre; Hydroclimatology; Modeling; Ecosystem; Algorithm; Land Surface; CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::METEOROLOGIA::CLIMATOLOGIA
• Link de acesso: http://locus.ufv.br/handle/123456789/5261

O desempenho de um LSEM (Modelo de superfície terrestre e ecossistema) depende dos parâmetros das equações que representam os processos simulados. Contudo, a mensuração de alguns destes parâmetros pode ser impraticável ou até mesmo impossível; por isso, necessitam ser estimados ou, preferencialmente, otimizados para cada ecossistema. Quando os parâmetros são calibrados para uma única variável (problema mono-objetivo) eles podem não representar bem a realidade, dado a complexidade do modelo e sua dependência de diversas variáveis (problema multiobjetivo). Por isso, há a necessidade de uma otimização simultânea multiobjetiva. Porém, o desempenho da otimização diminui com o aumento do número de variáveis otimizadas simultaneamente e, além disso, o estudo da otimização simultânea de mais de três objetivos é uma área relativamente nova e não suficientemente estudada. Para a otimização simultânea de um grande número de variáveis, existe uma metodologia na qual se utiliza conceitos de teoria hierárquica de sistemas em que a otimização ocorre dos processos mais rápidos (fluxos radiativos) para os mais lentos (alocação de carbono). Este trabalho avalia o desempenho da otimização hierárquica do modelo, utilizando o índice D (a média das razões individuais entre as saídas das otimizações multiobjetiva e monoobjetiva). Entender como o índice de desempenho D do algoritmo de otimização hierárquico varia em relação ao número de funções objetivo otimizadas é de extrema importância para o desenvolvimento desta área de pesquisa. Para fazer atingir os objetivos, foram necessárias duas etapas. Primeiramente, foi feita uma análise de sensibilidade, a fim de conhecer a sensibilidade das variáveis de saída aos parâmetros do modelo. Depois, foram feitas simulações com todas as combinações possíveis entre as sete variáveis micrometeorológicas disponíveis (PARo, fAPAR, Rn, u*, H, LE, NEE) levando em consideração a hierarquia dos processos. Os resultados encontrados indicam que, para até três funções objetivo, a otimização multiobjetiva hierárquica pode gerar resultados melhores do que a otimização multiobjetiva tradicional (um único nível hierárquico), desde que a distribuição dos parâmetros entre as variáveis seja feita de forma coerente com a análise de sensibilidade. Outro resultado importante revela que para um mesmo número de saídas otimizadas, quanto maior o número de níveis hierárquicos melhor o desempenho do modelo otimizado. Porém, o desempenho do modelo diminui rapidamente quando o número de funções objetivo aumenta, evidenciando que o poder da calibração hierárquica para o uso de um grande número de funções objetivo é altamente dependente de algumas restrições que o modelo possui e um alto desempenho do modelo para muitas funções objetivo será possível somente após a remoção delas.