1. Identificação | |
Tipo de Referência | Resumo em Evento (Conference Proceedings) |
Site | mtc-m16c.sid.inpe.br |
Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S |
Identificador | 8JMKD3MGPDW34P/47SCN5E |
Repositório | sid.inpe.br/mtc-m16c/2022/10.26.12.20 |
Última Atualização | 2022:10.26.12.20.37 (UTC) simone |
Repositório de Metadados | sid.inpe.br/mtc-m16c/2022/10.26.12.20.37 |
Última Atualização dos Metadados | 2023:01.19.20.28.28 (UTC) administrator |
Chave de Citação | Paspaltzis:2022:AbUsRe |
Título | Uma abordagem usando redes neurais artificiais para a previsão de curto prazo de altura de ondas marítimas em região portuária |
Formato | On-line |
Ano | 2022 |
Data de Acesso | 21 maio 2024 |
Tipo Secundário | PRE CN |
Número de Arquivos | 1 |
Tamanho | 37 KiB |
|
2. Contextualização | |
Autor | Paspaltzis, Vanessa Colla |
Grupo | CAP-COMP-DIPGR-INPE-MCTI-GOV-BR |
Afiliação | Instituto Nacional de Pesquisas Espaciais (INPE) |
Endereço de e-Mail do Autor | vpaspaltzis@gmail.com |
Editor | Santos, Rafael Duarte Coelho dos Calheiros, Alan James Peixoto Queiroz, Gilberto Ribeiro de Shiguemori, Elcio Hideiti Vijaykumar, Nandamudi Lankalapalli Korting, Thales Sehn Júnior, Valdivino Alexandre de Santiago |
Nome do Evento | Workshop dos Cursos de Computação Aplicada do INPE, 22 (WORCAP) |
Localização do Evento | São José dos Campos |
Data | 12-16 set. 2022 |
Editora (Publisher) | Instituto Nacional de Pesquisas Espaciais (INPE) |
Cidade da Editora | São José dos Campos |
Título do Livro | Resumos |
Organização | Instituto Nacional de Pesquisas Espaciais (INPE) |
Histórico (UTC) | 2022-10-26 12:21:01 :: simone -> administrator :: 2022 2023-01-03 16:50:03 :: administrator -> simone :: 2022 2023-01-03 23:05:40 :: simone -> administrator :: 2022 2023-01-19 20:28:28 :: administrator -> simone :: 2022 |
|
3. Conteúdo e estrutura | |
É a matriz ou uma cópia? | é a matriz |
Estágio do Conteúdo | concluido |
Transferível | 1 |
Resumo | As técnicas de Inteligência Artificial (IA) possibilitam a integração de recursos de aprendizado de máquina em sistemas de modelagem orientados por dados e têm se mostrado uma ferramenta poderosa para analisar dados oceanográficos. Neste contexto, este trabalho teve como objetivo explorar a aplicação de uma técnica de IA, mais especificamente da rede neural recorrente LSTM (Long Short Term Memory), para a previsão de altura de ondas nas proximidades em um terminal portuário localizado no estado do Pará, utilizando dados extraídos das imagens do satélite GOES16 (dados de temperatura de brilho, aqui definido como TbIR, extraídos de imagens do sensor ABI, canal 13) e dados meteo-oceanográficos coletados in situ (séries temporais de altura de ondas e de intensidade e direção de ventos coletados na estação de monitoramento instalada no terminal portuário), a fim de desenvolver um modelo capaz de compreender e reproduzir os principais padrões e tendências da série temporal de altura de ondas observadas no terminal e gerar previsões de curto prazo. Uma ferramenta de previsão como esta pode trazer inúmeros benefícios, tanto para o planejamento das atividades portuárias, como para promover maior segurança durante a execução dos trabalhos, evitando tanto acidentes de trabalho como acidentes ambientais. Inicialmente, foi realizada uma análise exploratória do conjunto de dados, a fim de explorar as associações entre as séries multivariadas. Ambos os conjuntos de dados utilizados correspondem ao período de 01/01/2020 até 01/12/2021 (totalizando 2 anos). O tratamento dos dados consistiu basicamente nas seguintes etapas: (1) subamostragem de todas as séries para a frequência amostral de 20 min; (2) verificação e retirada de dados espúrios; (3) verificação e preenchimento de dados faltantes nas séries temporais; (4) análise da correlação entre as variáveis; (5) análise de autocorrelação e de ciclos diurnos; (6) normalização dos dados; e (7) separação dos conjuntos de entrada e saída da rede, bem como dos conjuntos de treinamento e teste. Os resultados da análise exploratória mostraram que há uma elevada correlação cruzada (associação assíncrona) entre as variáveis meteorológicas (tanto ventos como TbIR) e os dados de altura de onda. Tal resultado pode refletir os ciclos diurnos naturais da convecção, maré e brisa da região. Desta forma, foi decidido utilizar todas as variáveis disponíveis como entrada na rede neural. Assim, como entrada do modelo, foram utilizadas as últimas 24 horas dos dados de altura de ondas, ventos e TbIR. Já para a saída do modelo, foram utilizados os dados de altura de ondas para as 3 horas seguintes. Para fins experimentais, foram construídos dois modelos (modelo 01 e modelo 02), alterando apenas o número de neurônios da primeira camada, a fim de avaliar se um maior número de neurônios é necessário para se alcançar uma destreza do modelo preditivo. Os resultados obtidos até o momento se mostraram promissores, principalmente para o modelo 02, o qual apresentou melhor performance, com erros se concentrando na faixa de +-10 cm para todos os passos de tempos (de 20 minutos até 3 horas no futuro). |
Área | COMP |
Arranjo 1 | urlib.net > Fonds > Produção pgr ATUAIS > CAP > Uma abordagem usando... |
Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > Uma abordagem usando... |
Arranjo 3 | urlib.net > BDMCI > Fonds > WORCAP > XXII WORCAP > Uma abordagem usando... |
Arranjo 4 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > XXII WORCAP > Uma abordagem usando... |
Conteúdo da Pasta doc | acessar |
Conteúdo da Pasta source | não têm arquivos |
Conteúdo da Pasta agreement | não têm arquivos |
|
4. Condições de acesso e uso | |
URL dos dados | http://urlib.net/ibi/8JMKD3MGPDW34P/47SCN5E |
URL dos dados zipados | http://urlib.net/zip/8JMKD3MGPDW34P/47SCN5E |
Idioma | pt |
Arquivo Alvo | UMA ABORDAGEM USANDO REDES NEURAIS ARTIFICIAIS PARA A PREVISAO DE CURTO PRAZO DE ALTURA DE ONDAS MARITIMAS EM REGIAO PORTUARIA.pdf |
Grupo de Usuários | simone |
Grupo de Leitores | administrator simone |
Visibilidade | shown |
Licença de Direitos Autorais | urlib.net/www/2012/11.12.15.03 |
Permissão de Atualização | não transferida |
|
5. Fontes relacionadas | |
Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F2PHGS 8JMKD3MGPCW/46KUES5 8JMKD3MGPDW34P/47TNA9P |
Lista de Itens Citando | sid.inpe.br/mtc-m16c/2022/11.03.20.14 6 |
Acervo Hospedeiro | sid.inpe.br/mtc-m18@80/2008/03.17.15.17 |
|
6. Notas | |
Campos Vazios | archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi e-mailaddress edition isbn issn keywords label lineage mark mirrorrepository nextedition notes numberofvolumes orcid pages parameterlist parentrepositories previousedition previouslowerunit progress project readpermission resumeid rightsholder schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject tertiarymark tertiarytype type url versiontype volume |
|
7. Controle da descrição | |
e-Mail (login) | simone |
atualizar | |
|