Fechar

Metadados

1. Identificação Tipo de Referência Relatório (Report) Site mtc-m21d.sid.inpe.br Código do Detentor isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S Identificador 8JMKD3MGP3W34T/47N3NNS Repositório sid.inpe.br/mtc-m21d/2022/09.29.20.46 Última Atualização 2022:09.29.20.46.58 (UTC) administrator Repositório de Metadados sid.inpe.br/mtc-m21d/2022/09.29.20.46.58 Última Atualização dos Metadados 2023:01.23.17.06.46 (UTC) administrator Chave de Citação RohrPetr:2022:ReCoEl Título Reconstrução do conteúdo eletrônico total da ionosfera utilizando análise espectral de dados históricos Projeto Reconstrução do conteúdo eletrônico total da ionosfera utilizando análise espectral de dados históricos Ano 2022 Data de Acesso 17 maio 2024 Tipo RPQ Número de Páginas 32 Número de Arquivos 1 Tamanho 2280 KiB 2. Contextualização Autor 1 Rohr, João Vítor Bernardi 2 Petry, Adriano Grupo 1 2 COESU-CGGO-INPE-MCTI-GOV-BR Afiliação 1 Universidade Federal de Santa Maria (UFSM) 2 Instituto Nacional de Pesquisas Espaciais (INPE) Endereço de e-Mail do Autor 1 joao.rohr@acad.ufsm.br 2 dr.adriano.petry@gmail.com Endereço de e-Mail joao.rohr@acad.ufsm.br Instituição Instituto Nacional de Pesquisas Espaciais Cidade São José dos Campos Histórico (UTC) 2022-09-29 20:47:51 :: simone :: -> 2022 2022-09-29 20:48:59 :: simone -> administrator :: 2022 2022-10-03 04:02:17 :: administrator -> simone :: 2022 2022-12-05 17:28:42 :: simone -> administrator :: 2022 2023-01-23 17:06:46 :: administrator -> simone :: 2022 3. Conteúdo e estrutura É a matriz ou uma cópia? é a matriz Estágio do Conteúdo concluido Transferível 1 Palavras-Chave conteúdo eletrônico total previsão aprendizado de máquina modelagem sazonal ionosfera total electron content forecasting machine learning seasonal modeling ionosphere Resumo A descrição analítica de modelos para o Conteúdo Eletrônico Total (TEC) da ionosfera apresenta alta complexidade e elevado custo computacional. Sendo assim, com a grande quantidade de dados já existentes é de interesse a utilização de métodos de aprendizado de máquina e ciência de dados para a mais rápida predição do TEC da ionosfera através de indicadores de atividade solar. Dando continuidade ao trabalho anterior, neste também se buscou a modelagem da dinâmica da ionosfera durante longos períodos (1 a 3 anos) fazendo uso da análise espectral através da Transformada Discreta do Cosseno (DCT). As variáveis solares analisadas como features do modelo foram o número relativo de manchas solares (RSN), índice F10.7 e 39 bandas de fluxo fotônico (PF) de extremo ultravioleta (EUV) obtidos através do modelo empírico Solar2000. A fim de condensar as 39 bandas de fluxo fotônico em apenas uma variável foi proposta uma nova feature baseada na média ponderada pelos coeficientes de correlação de Pearson de cada uma das bandas, nomeada por simplicidade como PF combinado. Para o presente trabalho foram considerados apenas os modelos de regressão linear e máquina de vetores de suporte (SVM). Além 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 análise de desempenho com o aumento dos anos de teste e maior tempo de treino. Por fim, desenvolveu-se um código geral em que é possível se subdividir a simulação em diferentes modelos individuais separados por um período de dias do ano, sazonal por exemplo, pelos solstícios e equinócios. Analisando o desempenho de modelos treinados com certas combinações de features ficou notável 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 variáveis de F10.7, RSN e PF das três primeiras bandas, mas agora com divisão sazonal, o valor de RMSE ficou em torno de 2 TECu para todo o período de teste. Todavia, observou-se que a utilização apenas de RSN e/ou PF combinado não obtém benefícios significativos da divisão sazonal, pois com estas features o comportamento periódico sazonal é suprimido. ABSTRACT: The analytical description of models for the ionospheric Total Electron Content (TEC) shows high complexity and computational cost. Therefore, with the large amount od data already available it is of interest the application of machine learning and data science methods to forecast the ionospheric TEC more rapidly through solar activity proxies. In that way, it was done the dynamical modeling of the ionosphere during long periods of time (1 to 3 years) using spectral analysis by means of the Discrete Cosine Transform (DCT). The variables analyzed as the models features were the Relative Sunspot Number (RSN), the F10.7 index and 39 bandwidths of Photon Fluxes (PF) in the Extreme Ultra-Violet (EUV) spectrum, all of those obtained from the empirical model Solar2000. Aiming to condensate the 39 bandwidths of photon flux into only one variable it was proposed a new feature based on the weighted average where the weights are the Pearson coefficient with respect to the TEC for each bandwidth, this variable was named combined PF. The models considered were linear regression and Support Vector Machine (SVM), based on previous results. Moreover, the data base on this analysis constituted 19 years (2003-2021) of TEC and solar data, for which performance over long periods of time changing training and testing. Based on previous observed evidence of error seasonal variation, it was tested the seasonal subdivision of the model to lower the Root Mean Square Error (RMSE) during solstices. Evaluating the RMSE error of models trained and tested with different sets of features it was evident that those with F10.7 e some bands of PF performed well lower than those trained only with RSN and/or combined PF, who reached errors of 2.8 TECu, when compared with TEC data obtained from the International GNSS Service (IGS). Otherwise, considering F10.7, RSN and the three first bandwidths of PF, but now with seasonal division, the value of RMSE stayed in the range of 2 TECu for the whole test period. Nevertheless, using only RSN and/or combined PF it was not observed significant benefits from seasonal division, the reason for that being the suppression of the error seasonal behavior when applying those features. Área CEA Arranjo 1 urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGGO > Reconstrução do conteúdo... Arranjo 2 urlib.net > BDMCI > Fonds > Produção a partir de 2021 > COEPE > PIBIC/PIBITI 2022 > Reconstrução do conteúdo... Arranjo 3 urlib.net > BDMCI > Fonds > Acervo PIBIC/PIBITI > PIBIC/PIBITI 2022 > Reconstrução do conteúdo... Conteúdo da Pasta doc acessar Conteúdo da Pasta source não têm arquivos Conteúdo da Pasta agreement agreement.html 29/09/2022 17:46 1.7 KiB  4. Condições de acesso e uso URL dos dados http://urlib.net/ibi/8JMKD3MGP3W34T/47N3NNS URL dos dados zipados http://urlib.net/zip/8JMKD3MGP3W34T/47N3NNS Idioma pt Arquivo Alvo Relatorio_Final_PIBIC_2021_2022_Joao_Vitor_Bernardi_Rohr.pdf Grupo de Usuários self-uploading-INPE-MCTI-GOV-BR simone Visibilidade shown Permissão de Leitura allow from all Permissão de Atualização não transferida 5. Fontes relacionadas Vinculação Trabalho não Vinculado à Tese/Dissertação Unidades Imediatamente Superiores 8JMKD3MGPCW/46KUBT5 8JMKD3MGPDW34P/47KJQBP Lista de Itens Citando sid.inpe.br/bibdigital/2022/04.03.22.35 7 sid.inpe.br/mtc-m16c/2022/09.14.20.14 5 Acervo Hospedeiro urlib.net/www/2021/06.04.03.40 6. Notas Notas Bolsa PIBIC/PIBITI/INPE/CNPq. Campos Vazios archivingpolicy archivist callnumber contenttype copyholder copyright creatorhistory date descriptionlevel dissemination doi edition format isbn issn label lineage mark mirrorrepository nextedition orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup recipient reportnumber resumeid rightsholder schedulinginformation secondarydate secondarykey secondarymark secondarytype session shorttitle sponsor subject tertiarytype translator url versiontype 7. Controle da descrição e-Mail (login) simone atualizar

Fechar