| 1. Identificação | ||||
| Tipo de Referência | Relatório (Report) | |||
| Site | mtc-m21d.sid.inpe.br | |||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||
| Identificador | 8JMKD3MGP3W34T/49SMRCH | |||
| Repositório | sid.inpe.br/mtc-m21d/2023/09.25.17.49 | |||
| Última Atualização | 2023:09.25.17.54.39 (UTC) self-uploading-INPE-MCTI-GOV-BR | |||
| Repositório de Metadados | sid.inpe.br/mtc-m21d/2023/09.25.17.49.23 | |||
| Última Atualização dos Metadados | 2024:01.02.17.16.47 (UTC) administrator | |||
| Chave de Citação | LemosCampAnoc:2023:AsDaRe | |||
| Título | Assimilação de dados por redes neurais no modelo WRF-NCAR  | |||
| Projeto | Assimilação de dados por redes neurais no modelo WRF-NCAR | |||
| Ano | 2023 | |||
| Data de Acesso | 18 maio 2024 | |||
| Tipo | RPQ | |||
| Número de Páginas | 18 | |||
| Número de Arquivos | 2 | |||
| Tamanho | 756 KiB | |||
| 2. Contextualização | ||||
| Autor | 1 Lemos, Gerônimo Gallarreta Zubiaurre 2 Campos Velho, Haroldo Fraga de 3 Anochi, Juliana Aparecida | |||
| Identificador de Curriculo | 1 2 8JMKD3MGP5W/3C9JHC3 | |||
| Grupo | 1 2 COPDT-CGIP-INPE-MCTI-GOV-BR 3 CGIP-CGIP-INPE-MCTI-GOV-BR | |||
| Afiliação | 1 Universidade Federal de Pelotas (UFPEL) 2 Instituto Nacional de Pesquisas Espaciais (INPE) 3 Instituto Nacional de Pesquisas Espaciais (INPE) | |||
| Endereço de e-Mail do Autor | 1 ggzlemos@gmail.com 2 haroldo.camposvelho@inpe.br 3 juliana.anochi@inpe.br | |||
| Endereço de e-Mail | ggzlemos@gmail.com | |||
| Instituição | Instituto Nacional de Pesquisas Espaciais | |||
| Cidade | São José dos Campos | |||
| Histórico (UTC) | 2023-09-25 17:54:45 :: simone -> administrator :: 2023 2023-09-30 19:30:31 :: administrator -> simone :: 2023 2023-10-20 15:09:23 :: simone -> administrator :: 2023 2023-12-18 23:44:42 :: administrator -> self-uploading-INPE-MCTI-GOV-BR :: 2023 2023-12-19 00:38:26 :: self-uploading-INPE-MCTI-GOV-BR -> administrator :: 2023 2024-01-02 17:16:47 :: administrator -> simone :: 2023 | |||
| 3. Conteúdo e estrutura | ||||
| É a matriz ou uma cópia? | é a matriz | |||
| Estágio do Conteúdo | concluido | |||
| Transferível | 1 | |||
| Palavras-Chave | inteligência artificial aprendizado de máquina assimilação de dados previsão numéroca do tempo WRF | |||
| Resumo | O presente trabalho propõe o uso de método de aprendizado de máquina para o problema de assimilação de dados (DA: Data Assimilation) aplicado ao modelo de meso-escala WRF. Para o desenvolvimento do projeto, foi estruturado um banco de dados contendo análises do sistema 3D-Var, previsões do modelo WRF (Weather Research and Forecasting System) e um conjunto de observações. Para gerar essas análises, foram obtidos dados de previsão do modelo GFS-NOAA (Global Forecast System) e dados de observações para execução do módulo de assimilação do modelo WRF (WRF-DA). Os dados para o experimento numérico foram coletados dos meses de Junho, Julho e Agosto dos anos de 2015, 2016, 2017 e 2018. O domínio estudado abrange a região sul do Brasil, Rio Grande do Sul, Santa Catarina e Paraná, além do Uruguai e parte da Argentina e sul do Paraguai. O método de aprendizado de máquina é chamado de árvores de decisão e usou-se a codifi cação da biblioteca XG- Boost, que implementa uma versão otimizada do algoritmo Gradient Boosting, um algoritmo supervisionado. Para confi gurar a biblioteca XGBoost para a aplicação, o conjunto de dados foi subdividido em dois conjuntos distintos: conjunto de trei- namento e conjunto de teste. O conjunto de treinamento é constituído pelos dados dos anos de 2015, 2016 e 2017, enquanto o conjunto de teste possui os dados do ano de 2018. A técnica de K-fold Cross-Validation foi utilizada para o treinamento do modelo, com k = 3, sendo os conjuntos de validação para cada iteração um dos anos do conjunto de treinamento. Ou seja, o modelo XGBoost-DA foi confi gurado por um procedimento em etapas: inicialmente, treinado com os anos de 2015 e 2016 e avaliado no ano de 2017; após, treinado com os anos de 2015-2017 e avaliado no ano de 2017 e, por fi m, o último modelo foi treinado nos anos de 2016 e 2017e avaliado no ano de 2015. Ao fi m desse processo, foi escolhido o modelo com menor erro sobre o conjunto de validação. Para avaliação fi nal do modelo, foi executado um exemplo de previsão de 24 horas no ano de 2018, com análises geradas pelo módulo de 3D-Var (nativo no WRF) e análise geradas pelo XGBoost-DA. Previsões geradas com as duas análises se mostraram muito similares, evidenciando a aplicação do XGBoost como uma ferramenta promissora para assimilação de dados. | |||
| Área | COMP | |||
| Arranjo 1 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > Assimilação de dados... | |||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > COEPE > PIBIC/PIBITI 2023 > Assimilação de dados... | |||
| Arranjo 3 | urlib.net > BDMCI > Fonds > Acervo PIBIC/PIBITI > PIBIC/PIBITI 2023 > Assimilação de dados... | |||
| Conteúdo da Pasta doc | acessar | |||
| Conteúdo da Pasta source | não têm arquivos | |||
| Conteúdo da Pasta agreement |
| |||
| 4. Condições de acesso e uso | ||||
| URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34T/49SMRCH | |||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34T/49SMRCH | |||
| Idioma | pt | |||
| Arquivo Alvo | Relatorio_Final_Geronimo_Gallarreta_Z_Lemos.pdf | |||
| Grupo de Usuários | simone | |||
| Visibilidade | shown | |||
| Detentor dos Direitos | originalauthor yes | |||
| Permissão de Leitura | allow from all | |||
| Permissão de Atualização | não transferida | |||
| 5. Fontes relacionadas | ||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/46KUES5 8JMKD3MGPDW34P/4A7NFG8 | |||
| Lista de Itens Citando | sid.inpe.br/mtc-m21/2012/07.13.14.49.40 7 sid.inpe.br/mtc-m16c/2023/11.14.02.16 4 sid.inpe.br/bibdigital/2022/04.03.23.11 3 | |||
| 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 schedulinginformation secondarydate secondarykey secondarymark secondarytype session shorttitle sponsor subject tertiarymark tertiarytype translator url versiontype | |||
| 7. Controle da descrição | ||||
| e-Mail (login) | simone | |||
| atualizar | ||||