| 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/44HGF8E | ||||||||||||
| Repositório | sid.inpe.br/mtc-m21c/2021/04.21.18.47 | ||||||||||||
| Última Atualização | 2021:09.23.19.57.37 (UTC) simone | ||||||||||||
| Repositório de Metadados | sid.inpe.br/mtc-m21c/2021/04.21.18.47.46 | ||||||||||||
| Última Atualização dos Metadados | 2022:04.03.23.15.44 (UTC) administrator | ||||||||||||
| Chave Secundária | INPE-18460-TDI/3109 | ||||||||||||
| Chave de Citação | LealNeto:2021:RaPrSi | ||||||||||||
| Título | Rastreio e previsão de sistemas precipitantes e convectivos na Bacia Amazônica utilizando aprendizado de máquina não-supervisionado  | ||||||||||||
| Título Alternativo | Tracking and prediction of precipitating and convective systems in the Amazon Basin using unsupervised machine learning | ||||||||||||
| Curso | CAP-COMP-DIPGR-INPE-MCTI-GOV-BR | ||||||||||||
| Ano | 2021 | ||||||||||||
| Data | 2021-05-21 | ||||||||||||
| Data de Acesso | 26 abr. 2024 | ||||||||||||
| Tipo da Tese | Dissertação (Mestrado em Computação Aplicada) | ||||||||||||
| Tipo Secundário | TDI | ||||||||||||
| Número de Páginas | 142 | ||||||||||||
| Número de Arquivos | 1 | ||||||||||||
| Tamanho | 19287 KiB | ||||||||||||
| 2. Contextualização | |||||||||||||
| Autor | Leal Neto, Helvécio Bezerra | ||||||||||||
| Banca | Stephany, Stephan (presidente) Calheiros, Alan James Peixoto (orientador) Vila, Daniel Alejandro Albrecht, Rachel Ifanger | ||||||||||||
| Endereço de e-Mail | helvecio.neto@inpe.br | ||||||||||||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | ||||||||||||
| Cidade | São José dos Campos | ||||||||||||
| Histórico (UTC) | 2021-04-21 18:47:46 :: helvecio.neto@inpe.br -> pubtc@inpe.br :: 2021-05-10 13:56:36 :: pubtc@inpe.br -> helvecio.neto@inpe.br :: 2021-07-14 11:48:28 :: helvecio.neto@inpe.br -> administrator :: 2021-07-14 15:47:39 :: administrator -> pubtc@inpe.br :: 2021-07-14 15:48:07 :: pubtc@inpe.br -> helvecio.neto@inpe.br :: 2021-07-19 11:34:51 :: helvecio.neto@inpe.br -> administrator :: 2021-09-23 19:49:52 :: administrator -> pubtc@inpe.br :: 2021-12-03 20:40:54 :: pubtc@inpe.br -> simone :: 2021-12-03 20:41:49 :: simone :: -> 2021 2021-12-03 20:41:49 :: simone -> administrator :: 2021 2022-04-03 23:15:44 :: administrator -> :: 2021 | ||||||||||||
| 3. Conteúdo e estrutura | |||||||||||||
| É a matriz ou uma cópia? | é a matriz | ||||||||||||
| Estágio do Conteúdo | concluido | ||||||||||||
| Transferível | 1 | ||||||||||||
| Palavras-Chave | previsão em curto prazo rastreio aprendizado de máquina clusterização geoprocessamento nowcasting tracking machine learning clustering Geoprocessing | ||||||||||||
| Resumo | Compreender a dinâmica de propagação e as características morfológicas das células de chuva e nuvens são fundamentais para desenvolver métodos computacionais com intuito de auxiliar na tomada de decisões. Tais ferramentas servem para atenuar possíveis impactos socioeconômicos causados por tempestades severas. Neste trabalho foi apresentada uma nova metodologia para identificação, rastreio e previsão de células de chuva e os chamados sistemas convectivos de mesoescala, atuantes na região da bacia amazônica. Por meio de um conjunto de procedimentos que reúnem técnicas de aprendizado de máquina e geoprocessamento, foi desenvolvido um algoritmo que utiliza informações de multi-sensores (radar ou satélite) para identificar regiões de interesse em células de chuva e nuvem por meio de um processo denominado multi-limiarização. Tal processo faz a segmentação dos valores de refletividade e temperatura de brilho em dados de radar e imagens de satélite, respectivamente. Após o processo de identificação das regiões de interesse, o método de clusterização DBSCAN foi utilizado para classificar clusters (agrupamento de píxeis associados a nuvens em imagens de satélite ou taxa de chuva em radares). Em seguida aplicou-se métodos de geoprocessamento para definir a trajetória dos clusters por meio da técnica de rastreio baseada no centroide das geometrias. Algumas incertezas relacionadas ao vetor de deslocamento abstraídos da trajetória dos clusters podem ocorrer com o uso de técnicas que utilizam o centroide, com base nisso, aplicou-se quatro métodos de correção do deslocamento que levaram em consideração as características físicas que ocorrem na propagação de células de chuva e nuvem. Os métodos de correção foram avaliados por meio da previsão por extrapolação temporal dos eventos ocorridos em imagens consecutivas para períodos relativos a estação chuvosa (IOP1) e seca (IOP2) durante o experimento GoAmazon. A aplicação dos métodos de correção do deslocamento apresentaram um ganho em torno de 22,5% na precisão das previsões. O método que utiliza os limiares internos mostrou-se o mais representativo, principalmente para ajuste dos vetores quando a extensão de área das células apresenta grandes regiões com núcleos mais intensos embebidos. Com relação a área e o ciclo de vida dos sistemas observado durante os IOPs, constatou-se que sistemas maiores, com maior duração e mais intensos foram melhor previstos. As propagações observadas dos sistemas rastreados via radar e satélite foram condizentes aquelas apresentadas na literatura para região da bacia amazônica. ABSTRACT: Understanding the propagation dynamics and morphological characteristics of rain and cloud cells are important to develop computational methods to make decisions. Such tools is used to mitigate possible socio-economic impacts caused severe storms events. In this work a new methodology for identification, tracking and forecasting of rain cells of mesoscale convective systems, operating in Amazon basin region, was presented. Through procedures that bring together using machine learning and geoprocessing techniques, one algorithm was developed that uses information from multi-sensors (radar or satellite) to identify regions of interest in rain and cloud cells, using a process called multi-threshold. This process make segmentation of images in reflectivity and brightness temperature into radar and satellite data, respectively. After this process, identifying regions of interest, we used a clustering method DBSCAN to classify clusters (cluster of pixels associated with clouds in satellite images or rainfall rate in radar). Geoprocessing methods are applied to define trajectory of clusters using centroid-based technique and geometries tracking. Some uncertainties related to the displacement vector abstracted from the trajectory of clusters can occur, based on centroid tracking we propose four methods of correction of the displacement, were applied that adjust displacement vector using physical characteristics that occur in spread of rain and cloud cells. Correction of displacement vector methods were evaluated through prediction by temporal extrapolation of occured events in consecutive images, for periods related rainy season (IOP1) and dry season (IOP2) during GoAmazon experiment. The algorithm developed in this research obtained a good performance to forecasting ability after applying methods to correct the displacement of rain and cloud cells. Displacement vector correction methods led to a 22.5 % gain in algorithm skills, the method that uses internal thresholds to correct displacement proved to be most effective, mainly for adjusting the vectors when cell area extension presents large stratified regions with more intense nuclei. Regarding area and the life cycle of systems observed during IOPS, it was found that larger systems were better predicted, duration life cycle and size tendedence to positively impact at statistical indicators used for forecast analysis. Regarding the propagation of systems tracked by radar and satellite, it was found that their displacement followed trends found in literature for the Amazon basin region. | ||||||||||||
| Área | COMP | ||||||||||||
| Arranjo 1 | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Rastreio e previsão... | ||||||||||||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > Rastreio e previsão... | ||||||||||||
| 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/44HGF8E | ||||||||||||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34R/44HGF8E | ||||||||||||
| Idioma | pt | ||||||||||||
| Arquivo Alvo | publicacao.pdf | ||||||||||||
| Grupo de Usuários | helvecio.neto@inpe.br pubtc@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 | ||||||||||||
| 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 | ||||||||||||