@InProceedings{RohrPetr:2022:ReCoEl,
               author = "Rohr, Jo{\~a}o V{\'{\i}}tor Bernardi and Petry, Adriano",
          affiliation = "{Universidade Federal de Santa Maria (UFSM) } and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)}",
                title = "Reconstru{\c{c}}{\~a}o do conte{\'u}do eletr{\^o}nico total da 
                         ionosfera utilizando an{\'a}lise espectral de dados 
                         hist{\'o}ricos",
            booktitle = "Resumos...",
                 year = "2022",
               editor = "Ribeiro, Val{\'e}ria Cristina dos Santos and Paulicena, 
                         Ed{\'e}sio Hernane and Almeida, Elton Kleiton Albuquerque de and 
                         Correia, Emilia and Souza, Jo{\~a}o Paulo Estevam de and Hey, 
                         Heyder and Escada, Paulo Augusto Sobral and Savonov, Roman 
                         Ivanovitch and Camayo Maita, Rosio del Pilar",
                pages = "1",
         organization = "Semin{\'a}rio de Inicia{\c{c}}{\~a}o Cient{\'{\i}}fica e 
                         Inicia{\c{c}}{\~a}o em Desenvolvimento Tecnol{\'o}gico e 
                         Inova{\c{c}}{\~a}o (SICINPE)",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
                 note = "{Bolsa PIBIC/PIBITI/INPE/CNPq.}",
             keywords = "conte{\'u}do eletr{\^o}nico total, previs{\~a}o, aprendizado de 
                         m{\'a}quina, modelagem sazonal, ionosfera, total electron 
                         content, forecasting, machine learning, seasonal modeling, 
                         ionosphere.",
             abstract = "A descri{\c{c}}{\~a}o anal{\'{\i}}tica de modelos para o 
                         Conte{\'u}do Eletr{\^o}nico Total (TEC) da ionosfera apresenta 
                         alta complexidade e elevado custo computacional. Sendo assim, com 
                         a grande quantidade de dados j{\'a} existentes {\'e} de 
                         interesse a utiliza{\c{c}}{\~a}o de m{\'e}todos de aprendizado 
                         de m{\'a}quina e ci{\^e}ncia de dados para a mais r{\'a}pida 
                         predi{\c{c}}{\~a}o do TEC da ionosfera atrav{\'e}s de 
                         indicadores de atividade solar. Dando continuidade ao trabalho 
                         anterior, neste tamb{\'e}m se buscou a modelagem da din{\^a}mica 
                         da ionosfera durante longos per{\'{\i}}odos (1 a 3 anos) fazendo 
                         uso da an{\'a}lise espectral atrav{\'e}s da Transformada 
                         Discreta do Cosseno (DCT). As vari{\'a}veis solares analisadas 
                         como features do modelo foram o n{\'u}mero relativo de manchas 
                         solares (RSN), {\'{\i}}ndice F10.7 e 39 bandas de fluxo 
                         fot{\^o}nico (PF) de extremo ultravioleta (EUV) obtidos 
                         atrav{\'e}s do modelo emp{\'{\i}}rico Solar2000. A fim de 
                         condensar as 39 bandas de fluxo fot{\^o}nico em apenas uma 
                         vari{\'a}vel foi proposta uma nova feature baseada na m{\'e}dia 
                         ponderada pelos coeficientes de correla{\c{c}}{\~a}o de Pearson 
                         de cada uma das bandas, nomeada por simplicidade como PF 
                         combinado. Para o presente trabalho foram considerados apenas os 
                         modelos de regress{\~a}o linear e m{\'a}quina de vetores de 
                         suporte (SVM). Al{\'e}m disso, o conjunto de dados foi aumentado 
                         para 19 anos (2003-2021) tanto em valores de TEC como de dados 
                         solares o que permitiu a an{\'a}lise de desempenho com o aumento 
                         dos anos de teste e maior tempo de treino. Por fim, desenvolveu-se 
                         um c{\'o}digo geral em que {\'e} poss{\'{\i}}vel se subdividir 
                         a simula{\c{c}}{\~a}o em diferentes modelos individuais 
                         separados por um per{\'{\i}}odo de dias do ano, sazonal por 
                         exemplo, pelos solst{\'{\i}}cios e equin{\'o}cios. Analisando o 
                         desempenho de modelos treinados com certas combina{\c{c}}{\~o}es 
                         de features ficou not{\'a}vel que aqueles com F10.7 e algumas 
                         bandas separadas de PF desempenharam muito abaixo do que aqueles 
                         treinados somente com RSN e/ou PF combinado, os quais atingiram 
                         erros de 2.8 TECu, quando comparados com dados de TEC fornecidos 
                         pelo International GNSS Service (IGS). De outro modo, com 
                         vari{\'a}veis de F10.7, RSN e PF das tr{\^e}s primeiras bandas, 
                         mas agora com divis{\~a}o sazonal, o valor de RMSE ficou em torno 
                         de 2 TECu para todo o per{\'{\i}}odo de teste. Todavia, 
                         observou-se que a utiliza{\c{c}}{\~a}o apenas de RSN e/ou PF 
                         combinado n{\~a}o obt{\'e}m benef{\'{\i}}cios significativos 
                         da divis{\~a}o sazonal, pois com estas features o comportamento 
                         peri{\'o}dico sazonal {\'e} suprimido.",
  conference-location = "on line",
      conference-year = "22 a 26 – ago",
             language = "pt",
         organisation = "Divis{\~a}o de Fomento a Pesquisa e Desenvolvimento (DIFPD)",
                  ibi = "8JMKD3MGP3W34T/47FB8TL",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34T/47FB8TL",
           targetfile = "Resumo_Joao_Vitor_Bernardi_Rohr.pdf",
        urlaccessdate = "02 maio 2024"
}