<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Thesis">
		<site>mtc-m21b.sid.inpe.br 804</site>
		<holdercode>{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}</holdercode>
		<identifier>8JMKD3MGP3W34P/3K98PDP</identifier>
		<repository>sid.inpe.br/mtc-m21b/2015/09.16.22.02</repository>
		<lastupdate>2016:03.03.19.00.31 sid.inpe.br/mtc-m21b/2013/09.26.14.25.20 administrator</lastupdate>
		<metadatarepository>sid.inpe.br/mtc-m21b/2015/09.16.22.02.44</metadatarepository>
		<metadatalastupdate>2018:06.04.02.55.40 sid.inpe.br/mtc-m21b/2013/09.26.14.25.20 administrator {D 2015}</metadatalastupdate>
		<secondarykey>INPE-17626-TDI/2390</secondarykey>
		<citationkey>Anochi:2015:PrClPr</citationkey>
		<title>Previsão climática de precipitação por redes neurais autoconfiguradas</title>
		<alternatetitle>Climate precipitation prediction by self-configured neural networks</alternatetitle>
		<course>CAP-COMP-SPG-INPE-MCTI-GOV-BR</course>
		<year>2015</year>
		<date>2015-11-03</date>
		<thesistype>Tese (Doutorado em Computação Aplicada)</thesistype>
		<secondarytype>TDI</secondarytype>
		<numberofpages>159</numberofpages>
		<numberoffiles>1</numberoffiles>
		<size>44685 KiB</size>
		<author>Anochi, Juliana Aparecida,</author>
		<committee>Guimarães, Lamartine Nogueira Frutuoso (presidente),</committee>
		<committee>Velho, Haroldo Fraga de Campos (orientador),</committee>
		<committee>Shiguemori, Elcio Hideiti (orientador),</committee>
		<committee>Sandri, Sandra Aparecida,</committee>
		<committee>Carvalho, Solon Venâncio de,</committee>
		<committee>Luz, Eduardo Fávero Pacheco da,</committee>
		<committee>Braga, Antonio de Padua,</committee>
		<e-mailaddress>juliana.anochi@lac.inpe.br</e-mailaddress>
		<university>Instituto Nacional de Pesquisas Espaciais (INPE)</university>
		<city>São José dos Campos</city>
		<transferableflag>1</transferableflag>
		<keywords>problemas de otimização, meta-heurística, rede neural artificial, previsão climática, redução de dados, optimization, meta-heuristic, artificial neural networks, climate prediction, data reduction.</keywords>
		<abstract>Previsão climática do campo de precipitação é um aspecto chave em meteorologia. Precipitação é uma variável associada a desastres naturais (secas e enchentes) e safras agrícolas, com impactos nos setores de turismo e transporte. Entretanto esta variável meteorológica é de difícil previsão, devido à grande variabilidade temporal e espacial (variável descontínua). Neste trabalho, um método baseado em Rede Neural Artificial (RNA) é aplicado para previsão climática de precipitação nas regiões Sul, Sudeste e Nordeste do Brasil. É conhecida a capacidade de redes neurais de aprendizado e resposta, o que motiva sua aplicação com sucesso em uma grande variedade de problemas, consolidando-se como uma técnica de solução de problemas complexos em reconhecimento de padrões, classificação, sistemas de controle, aproximação de funções e modelo preditivo. Redes neurais podem ser caracterizadas como redes supervisionadas e não supervisionadas. Em geral, o processo de treinamento de redes neurais supervisionadas está associado à determinação dos pesos das conexões. A definição ou identificação da arquitetura ótima para uma rede neural é expressa como um problema de otimização, em que cada ponto no espaço de busca representa uma topologia diferente. O problema de otimização pode ser formulado por meio de uma função mono-objetivo ou de uma função multiobjetivo. Neste trabalho, a otimização mono-objetivo foi solucionada pelo \emph{Multi-Particle Collision Algorithm} (MPCA) e o \emph{Non-dominated Sorting Genetic Algorithm} II (NSGA-II) foi empregado para otimização multiobjetivo. Em meteorologia, dados de diversas fontes (satélites, estações de superfície, boias oceânicas, radiossondagens, radar e muitas outras) são usados nas previsões de tempo e clima. Assim, previsão de eventos meteorológicos é um desafio complexo, mais ainda deve-se incluir a necessidade de análise de grande volume de dados. A redução da dimensão de dados de observação sem perda de informação é um tema importante de pesquisa. A Teoria dos Conjuntos Aproximativos, uma técnica de mineração de dados, foi empregada para identificar as variáveis mais significativas para o processo de previsão climática. ABSTRACT: Climate precipitation prediction field is a key aspect in meteorology. The precipitation is a variable associated with natural disasters (droughts and floods) agricultural crops and can cause impacts in the sectors of tourism and shipping. However, this is a meteorological variable that is difficult to predict because of large spatial and temporal variability (i.e. variable discontinuous). A method based on Artificial Neural Network (ANN) is applied to climate prediction precipitation in the South, Southeast and Northeast regions of Brazil. It is known the ability of neural network learning and response, which motivates their successful application in a wide variety of problems, consolidating its position as a solution technique of complex problems in pattern recognition, classification, control systems, proximity functions and predictive model. Neural networks can be characterized as supervised and unsupervised networks. In general, the supervised training process for neural networks is associated with the determination of the weights of the connections. The definition or identification of the optimal architecture for a neural network is expressed as an optimization problem, in which each point in the search space represents a different topology. The optimization problem can be formulated by a mono-objective function or a multiobjective function. The mono-objective optimization was solved by Multi-Particle Collision Algorithm (MPCA) and Non-dominated Sorting Genetic Algorithm-II (NSGA-II) was used for multi-objective optimization. In meteorology, data from various sources (satellites, ground-based stations, ocean buoys, soundings, radar and many others) are used in weather and climate forecasts. Predicting meteorological events is a complex challenge. The size reduction of the observation data without losing information is an important subject of research. The Rough Sets Theory, a data mining technique was used to identify the most significant variables for the climate prediction process.</abstract>
		<area>COMP</area>
		<language>pt</language>
		<targetfile>publicacao.pdf</targetfile>
		<usergroup>administrator</usergroup>
		<usergroup>juliana.anochi@lac.inpe.br</usergroup>
		<usergroup>marcelo.pazos@inpe.br</usergroup>
		<usergroup>yolanda.souza@mcti.gov.br</usergroup>
		<readergroup>administrator</readergroup>
		<readergroup>juliana.anochi@lac.inpe.br</readergroup>
		<readergroup>marcelo.pazos@inpe.br</readergroup>
		<readergroup>yolanda.souza@mcti.gov.br</readergroup>
		<visibility>shown</visibility>
		<copyright>urlib.net/www/2012/11.12.15.10</copyright>
		<copyholder>SID/SCD</copyholder>
		<readpermission>allow from all</readpermission>
		<documentstage>not transferred</documentstage>
		<mirrorrepository>sid.inpe.br/mtc-m21b/2013/09.26.14.25.22</mirrorrepository>
		<nexthigherunit>8JMKD3MGPCW/3F2PHGS</nexthigherunit>
		<citingitemlist>sid.inpe.br/bibdigital/2013/10.12.22.16 1</citingitemlist>
		<hostcollection>sid.inpe.br/mtc-m21b/2013/09.26.14.25.20</hostcollection>
		<agreement>autorizacao.pdf .htaccess .htaccess2</agreement>
		<lasthostcollection>sid.inpe.br/mtc-m21b/2013/09.26.14.25.20</lasthostcollection>
		<supervisor>Shiguemori, Elcio Hideiti,</supervisor>
		<supervisor>Velho, Haroldo Fraga de Campos,</supervisor>
		<url>http://mtc-m21b.sid.inpe.br/rep-/sid.inpe.br/mtc-m21b/2015/09.16.22.02</url>
	</metadata>
</metadatalist>