| 1. Identificação | ||||||||||||||||
| Tipo de Referência | Tese ou Dissertação (Thesis) | |||||||||||||||
| Site | mtc-m21c.sid.inpe.br | |||||||||||||||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||||||||||||||
| Identificador | 8JMKD3MGP3W34R/447AG38 | |||||||||||||||
| Repositório | sid.inpe.br/mtc-m21c/2021/02.17.21.55 | |||||||||||||||
| Última Atualização | 2021:07.05.15.19.03 (UTC) simone | |||||||||||||||
| Repositório de Metadados | sid.inpe.br/mtc-m21c/2021/02.17.21.55.35 | |||||||||||||||
| Última Atualização dos Metadados | 2022:04.03.23.15.41 (UTC) administrator | |||||||||||||||
| Chave Secundária | INPE-18436-TDI/3086 | |||||||||||||||
| Chave de Citação | Batista:2021:DoPrDi | |||||||||||||||
| Título | Downscaling da precipitação diária sobre o Brasil para sub-diária baseado em múltiplos conjuntos de dados usando redes neurais artificiais  | |||||||||||||||
| Título Alternativo | Daily to sub-daily precipitation downscaling over Brazil based on multiple datasets using artificial neural networks | |||||||||||||||
| Curso | CAP-COMP-DIPGR-INPE-MCTI-GOV-BR | |||||||||||||||
| Ano | 2021 | |||||||||||||||
| Data | 2021-03-25 | |||||||||||||||
| Data de Acesso | 20 maio 2024 | |||||||||||||||
| Tipo da Tese | Dissertação (Mestrado em Computação Aplicada) | |||||||||||||||
| Tipo Secundário | TDI | |||||||||||||||
| Número de Páginas | 116 | |||||||||||||||
| Número de Arquivos | 1 | |||||||||||||||
| Tamanho | 6739 KiB | |||||||||||||||
| 2. Contextualização | ||||||||||||||||
| Autor | Batista, Rogério da Silva | |||||||||||||||
| Banca | Santos, Rafael Duarte Coelho dos (presidente) Calheiros, Alan James Peixoto (orientador) Vila, Daniel Alejandro Cabral, Samuellson Lopes Fazenda, Álvaro Luiz | |||||||||||||||
| Endereço de e-Mail | rogerio.batista@inpe.br | |||||||||||||||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | |||||||||||||||
| Cidade | São José dos Campos | |||||||||||||||
| Histórico (UTC) | 2021-02-17 22:01:22 :: rogerio.batista@inpe.br -> pubtc@inpe.br :: 2021-03-26 16:58:59 :: pubtc@inpe.br -> rogerio.batista@inpe.br :: 2021-05-17 20:25:38 :: rogerio.batista@inpe.br -> pubtc@inpe.br :: 2021-05-17 21:25:58 :: pubtc@inpe.br -> rogerio.batista@inpe.br :: 2021-05-21 18:59:38 :: rogerio.batista@inpe.br -> pubtc@inpe.br :: 2021-11-30 20:56:25 :: pubtc@inpe.br -> simone :: 2021-11-30 21:00:16 :: simone :: -> 2021 2021-11-30 21:00:16 :: simone -> administrator :: 2021 2022-04-03 23:15:41 :: administrator -> :: 2021 | |||||||||||||||
| 3. Conteúdo e estrutura | ||||||||||||||||
| É a matriz ou uma cópia? | é a matriz | |||||||||||||||
| Estágio do Conteúdo | concluido | |||||||||||||||
| Transferível | 1 | |||||||||||||||
| Palavras-Chave | downscaling precipitação satélite RNA MERGE precipitation satellite ANN | |||||||||||||||
| Resumo | A precipitação é uma variável de extrema importância para a sociedade, sua intensidade e persistência são responsáveis por causar enchentes, deslizamentos e até mesmo mortes. Para um monitoramento eficiente da precipitação em uma determinada região é necessário conhecer seu ciclo diurno. No Brasil, devido à baixa densidade de dados observacionais em superfície, tanto por redes de pluviômetros (que possui mais estações diárias do que horárias) quanto por radares meteorológicos, é necessária a utilização de produtos de estimativa de chuva via satélites. No entanto, o erro ainda é alto para este tipo de estimativa. Neste contexto, este estudo analisou técnicas de Inteligência Artificial, especificamente as Redes Neurais Artificiais (RNA), no downscaling de dados diários para uma escala sub-diária utilizando múltiplos conjuntos de dados. As principais informações sobre a precipitação diária vêm da estimativa de satélites corrigida por pluviômetros, técnica denominada MERGE. Para avaliar a representatividade do ciclo diurno e dos processos físicos nas diferentes regiões do país foram aplicados dois tipos de RNA, a Rede Neural Profunda (DNN) e a Rede Neural Recorrente (RNN), sendo o alvo a precipitação sub-diária com resolução temporal de 3 horas. Foram selecionadas variáveis meteorológicas que possuem relação física com a chuva, provenientes de satélites meteorológicos como temperatura de brilho infravermelho do satélite GOES, estimativa de precipitação horária por sensores de micro-ondas (IMERG) e dados ambientais (por exemplo, umidade, vento, etc) do modelo de reanálise ERA5. Além disso, foram utilizadas informações de topografia e localização geográfica. Cada uma das variáveis escolhidas foi analisada quanto à correlação com a chuva observada acumulada no mesmo período. Os resultados foram avaliados para diferentes regiões, estações e horários. Conclui-se que os resultados obtidos pelas RNAs foram melhores quando comparados à estimativa de precipitação do IMERG (referência). Para resultados com menos dados de entrada (sem informação de vento), a DNN foi a RNA que teve melhor desempenho, principalmente quando treinada com dados de todas as regiões, apresentando MSE de 11,33 mm e a RNN de 11,88 mm. A validação cruzada mostrou resultados um pouco melhores para o IMERG, mas com superestimativa da precipitação. Além disso, a DNN apresentou melhores resultados para todas as diferentes regiões do Brasil, bem como para as diferentes estações do ano. Os valores de BIAS para RNN foram melhores para horas com baixa precipitação, enquanto a DNN e o IMERG foram melhores para os períodos chuvosos (18 e 21 GMT). No entanto, as diferenças de BIAS entre DNN e RNN foram muito pequenas e o MSE mostrou valores ligeiramente melhores para DNN em todos os horários. Portanto, a DNN foi escolhida como a melhor RNA, seguindo com testes de sensibilidade para determinar a melhor configuração desconsiderando os custos computacionais. Em sua versão aprimorada com a inclusão de mais variáveis meteorológicas, a DNN apresentou melhor desempenho em todos os aspectos, inclusive na de triagem de chuva, quando comparado ao IMERG. ABSTRACT: Precipitation is an extremely important variable for society, its intensity and persistence are responsible for causing floods, landslides and even deaths. For an efficient monitoring of the precipitation over a certain region, it is necessary to know its diurnal cycle, and a sub-daily measurement is required. In Brazil, due to the low density of ground observational data, both networks of rain gauges (more daily data than hourly) and weather radars, it is necessary to use satellite rain estimation products. However, the error is still high for this kind of precipitation estimation. In this context, this study analyzed Artificial Intelligence techniques, specifically Artificial Neural Networks (ANN), for the downscaling of the daily data to a sub-daily scale using multiple datasets. The main information about the daily rainfall comes from satellites estimation corrected by rain gauges, a technique called MERGE. In order to represent the characteristics of the diurnal cycle and the physical processes of the different regions of the country we applied two types of ANN, the Deep Neural Network (DNN) and the Recurrent Neural Network (RNN). The target is a sub-daily rainfall with temporal resolution of 3 hours. Meteorological variables with physical relationship with the rain were selected, most coming from meteorological satellites, like infrared brightness temperature from GOES satellite, hourly precipitation estimation from microwave sensors (IMERG), and environmental data (e.g. humidity, wind, etc) from ERA reanalysis. Also, we used topography and location information for the whole area. Each of the chosen variables was pre-processed, producing averages, accumulated and other measures for the 3-hour resolution and it was analyzed their correlation with the accumulated observed rain at the same time. The results were evaluated for different regions, seasons, and times. It is concluded that the results obtained by the ANNs were better when compared to the precipitation estimation from IMERG (the reference). For results with less input data (without wind information), to save computer time, the DNN was the one with the best performance, especially when trained with data from all regions. DNN obtained an MSE of 11.33 mm and RNN shows a value of 11.88 mm. However, the rain screen was slightly better to IMERG, but with superestimation of the precipitation. Also, DNN showed better results for all the different regions of Brazil as well as for the different seasons. The BIAS results for RNN were better for hours with low precipitation, while DNN and IMERG were better for rainy periods (18 and 21 GMT). However, the BIAS differences between DNN and RNN were very small and MSE shows a slightly better values to DNN for all times. Therefore, DNN was chosen as the best ANN. Sensitivity tests were carried out to determine the best DNN configuration without considering computational costs. In its improved version with the inclusion of more meteorological variables, DNN performed better in all aspects, including that of rain screening, when compared to IMERG. | |||||||||||||||
| Área | COMP | |||||||||||||||
| Arranjo 1 | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Downscaling da precipitação... | |||||||||||||||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > Downscaling da precipitação... | |||||||||||||||
| Conteúdo da Pasta doc | acessar | |||||||||||||||
| Conteúdo da Pasta source |
| |||||||||||||||
| Conteúdo da Pasta agreement |
| |||||||||||||||
| 4. Condições de acesso e uso | ||||||||||||||||
| URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34R/447AG38 | |||||||||||||||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34R/447AG38 | |||||||||||||||
| Idioma | pt | |||||||||||||||
| Arquivo Alvo | publicacao.pdf | |||||||||||||||
| Grupo de Usuários | pubtc@inpe.br rogerio.batista@inpe.br simone | |||||||||||||||
| Visibilidade | shown | |||||||||||||||
| Licença de Direitos Autorais | urlib.net/www/2012/11.12.15.10 | |||||||||||||||
| Permissão de Leitura | allow from all | |||||||||||||||
| Permissão de Atualização | não transferida | |||||||||||||||
| 5. Fontes relacionadas | ||||||||||||||||
| Repositório Espelho | urlib.net/www/2017/11.22.19.04.03 | |||||||||||||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F2PHGS 8JMKD3MGPCW/46KUES5 | |||||||||||||||
| Lista de Itens Citando | sid.inpe.br/bibdigital/2022/04.03.23.11 1 sid.inpe.br/bibdigital/2013/10.12.22.16 1 | |||||||||||||||
| Acervo Hospedeiro | urlib.net/www/2017/11.22.19.04 | |||||||||||||||
| 6. Notas | ||||||||||||||||
| Campos Vazios | academicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype | |||||||||||||||