Resultado da Pesquisa
A expressão de busca foi <related:sid.inpe.br/plutao/2014/12.01.13.22.10-0:en:title:2:climate neural networks seasonal:neural networks climate patterns seasonal:>.
14 referências similares foram encontradas(inclusive a original) buscando em 17 dentre 17 Arquivos
(este total pode incluir algumas duplicatas - para ver a conta certa clique no botão Mostrar Todas).
As 10 mais recentes estão listadas abaixo.
Data e hora local de busca: 24/04/2024 01:49.

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Siteplutao.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W/3HG7JPH
Repositóriosid.inpe.br/plutao/2014/12.01.13.22.09
Última Atualização2015:02.12.12.22.55 (UTC) administrator
Repositório de Metadadossid.inpe.br/plutao/2014/12.01.13.22.10
Última Atualização dos Metadados2018:06.04.23.39.41 (UTC) administrator
Rótulolattes: 2720072834057575 1 AnochiCampSilv:2014:NeNeSt
Chave de CitaçãoAnochiCampSilv:2014:NeNeSt
TítuloNeural networks in the study of climate patterns seasonal
Ano2014
Data de Acesso24 abr. 2024
Tipo SecundárioPRE CI
Número de Arquivos1
Tamanho264 KiB
2. Contextualização
Autor1 Anochi, Juliana Aparecida
2 Campos Velho, Haroldo Fraga de
3 Silva, José Demisio Simões da
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHC3
3 8JMKD3MGP5W/3C9JHH2
Grupo1 CAP-COMP-SPG-INPE-MCTI-GOV-BR
2 LAC-CTE-INPE-MCTI-GOV-BR
3 LAC-CTE-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 juliana.anochi@lac.inpe.br
2 haroldo@lac.inpe.br
Endereço de e-Mailmarcelo.pazos@inpe.br
Nome do EventoCCIS.
Localização do EventoAsuncion
Data2014
Título do LivroProceedings
Histórico (UTC)2014-12-01 13:22:10 :: lattes -> administrator ::
2018-06-04 23:39:41 :: administrator -> marcelo.pazos@inpe.br :: 2014
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveClimate Prediction
Neural Networks
Rough Sets Theory
ResumoThis work describes an Artificial Intelligence based technique to prepare data for constructing a climate prediction empirical model from reanalysis data in the South region of Brazil using Artificial Neural Network (ANN). The method uses Rough Sets Theory (RST) to reduce the amount of variables. The input of ANN there is two kinds of data: the variables chosen by the RST and full variables data to learn the seasonal behavior of the variable precipitation.
ÁreaCOMP
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > LABAC > Neural networks in...
Arranjo 2urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Neural networks in...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W/3HG7JPH
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W/3HG7JPH
Idiomaen
Arquivo AlvoAnochi_neural.pdf
Grupo de Usuárioslattes
marcelo.pazos@inpe.br
Grupo de Leitoresadministrator
marcelo.pazos@inpe.br
Visibilidadeshown
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
VinculaçãoTrabalho não Vinculado à Tese/Dissertação
Repositório Espelhoiconet.com.br/banon/2006/11.26.21.31
Unidades Imediatamente Superiores8JMKD3MGPCW/3ESGTTP
8JMKD3MGPCW/3F2PHGS
Lista de Itens Citandosid.inpe.br/mtc-m21/2012/07.13.14.49.40 2
sid.inpe.br/bibdigital/2013/10.12.22.16 1
URL (dados não confiáveis)http://ccis2014.pol.una.py/
Acervo Hospedeirodpi.inpe.br/plutao@80/2008/08.19.15.01
6. Notas
Campos Vaziosarchivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi edition editor format isbn issn lineage mark nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress rightsholder schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject tertiarytype type volume
7. Controle da descrição
e-Mail (login)marcelo.pazos@inpe.br
atualizar 

1. Identificação
Tipo de ReferênciaePrint (Electronic Source)
Sitemtc-m16c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP8W/34UCHB5
Repositóriosid.inpe.br/mtc-m18@80/2009/03.18.12.23
Última Atualização2009:03.18.13.18.12 (UTC) administrator
Repositório de Metadadossid.inpe.br/mtc-m18@80/2009/03.18.12.23.36
Última Atualização dos Metadados2020:04.28.17.48.28 (UTC) administrator
Chave de CitaçãoMendesMare::NeNeDo
TítuloNeural networks for downsacalling climate change scenarios
Data da Última Atualização2009-03-19
Data de Acesso24 abr. 2024
Tipo de SuporteOn-line
Tipo SecundárioPRE PI
Número de Arquivos1
Tamanho101 KiB
2. Contextualização
Autor1 Mendes, David
2 Marengo, José Antonio
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
Publicação AlternativaTheoretical and Applied Climatology
ProdutorInstituto Nacional de Pesquisas Espaciais
CidadeSão José dos Campos
Estágio da Publicação Alternativasubmitted
AvançoePrint update
Histórico (UTC)2009-03-18 13:18:12 :: deicy -> administrator ::
2020-04-28 17:48:28 :: administrator -> simone ::
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoem andamento
Transferível1
Palavras-Chaveneural networks
Resumo*.
ÁreaMET
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP8W/34UCHB5
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP8W/34UCHB5
Idiomaen
Arquivo Alvov1.pdf
Grupo de Usuáriosdeicy
administrator
Visibilidadeshown
Permissão de Atualizaçãotransferida para ePrint update
5. Fontes relacionadas
Repositório Espelhosid.inpe.br/mtc-m18@80/2008/03.17.15.17.24
Acervo Hospedeirosid.inpe.br/mtc-m18@80/2008/03.17.15.17
6. Notas
Campos Vaziosaccessyear archivingpolicy archivist contenttype copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition electronicmailaddress format group isbn issn label lineage mark nextedition nexthigherunit notes orcid parameterlist parentrepositories previousedition previouslowerunit project readergroup readpermission resumeid rightsholder schedulinginformation secondarydate secondarykey secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype year
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Revista Científica (Journal Article)
Siteplutao.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W/43NH8E9
Repositóriosid.inpe.br/plutao/2020/12.07.15.10.55
Última Atualização2020:12.09.15.47.11 (UTC) lattes
Repositório de Metadadossid.inpe.br/plutao/2020/12.07.15.10.56
Última Atualização dos Metadados2022:01.04.01.31.25 (UTC) administrator
DOI10.5902/2179460X45358
ISSN0100-8307
2179-460X
Rótulolattes: 5142426481528206 2 AnochiVelh:2020:NeNeSe
Chave de CitaçãoAnochiCamp:2020:NeNeSe
TítuloNeural network for seasonal climate precipitation prediction on the Brazil
Ano2020
Data de Acesso24 abr. 2024
Tipo SecundárioPRE PN
Número de Arquivos1
Tamanho774 KiB
2. Contextualização
Autor1 Anochi, Juliana Aparecida
2 Campos Velho, Haroldo Fraga de
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHC3
Grupo1 DIDOP-CGCPT-INPE-MCTIC-GOV-BR
2 LABAC-COCTE-INPE-MCTIC-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 juliana.anochi@inpe.br
2 haroldo.camposvelho@inpe.br
RevistaCiência e Natura
Volume42
Páginase15
Nota SecundáriaB2_PLANEJAMENTO_URBANO_E_REGIONAL_/_DEMOGRAFIA B2_INTERDISCIPLINAR B2_ENSINO B2_CIÊNCIAS_AMBIENTAIS B3_GEOGRAFIA B3_ADMINISTRAÇÃO,_CIÊNCIAS_CONTÁBEIS_E_TURISMO B4_SAÚDE_COLETIVA B4_GEOCIÊNCIAS B4_ENGENHARIAS_I B4_BIODIVERSIDADE B4_ARQUITETURA_E_URBANISMO B5_ZOOTECNIA_/_RECURSOS_PESQUEIROS B5_MATEMÁTICA_/_PROBABILIDADE_E_ESTATÍSTICA B5_ENGENHARIAS_IV B5_ENGENHARIAS_III B5_ENGENHARIAS_II B5_CIÊNCIAS_BIOLÓGICAS_I B5_CIÊNCIAS_AGRÁRIAS_I C_QUÍMICA C_CIÊNCIAS_BIOLÓGICAS_II
Histórico (UTC)2020-12-07 15:19:25 :: lattes -> administrator :: 2020
2020-12-09 15:45:20 :: administrator -> lattes :: 2020
2020-12-09 15:47:12 :: lattes -> administrator :: 2020
2022-01-04 01:31:25 :: administrator -> simone :: 2020
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChavePrecipitation
Seasonal climate prediction
Self-configured neural network
ResumoPrecipitação é o campo meteorológico mais difícil de ser predito. Uma abordagem baseada em rede neural ótima é aplicada para previsão de precipitação para o Brasil. Uma rede neural perceptron de múltiplas camadas (RN-PMC) auto-configurada é usada como ferramenta predição. A topologia da MLP-NN é encontrada resolvendo um problema de otimização pelo algoritmo de colisão de múltiplas partículas (MPCA). Previsões para estações de inverno e verão são mostradas. A previsão neural é avaliada usando dados de reanálise do NCEP/NCAR e dados do satélite GPCP (Global Precipitation Climatology Project -- monthly precipitation dataset).
ÁreaMET
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > LABAC > Neural network for...
Arranjo 2urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDOP > Neural network for...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W/43NH8E9
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W/43NH8E9
Idiomapt
Arquivo Alvoanochi_neural.pdf
Grupo de Leitoresadministrator
lattes
Visibilidadeshown
Política de Arquivamentoallowpublisher allowfinaldraft
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3ESGTTP
8JMKD3MGPCW/43SQKNE
Lista de Itens Citandosid.inpe.br/mtc-m21/2012/07.13.14.49.40 2
sid.inpe.br/bibdigital/2013/09.22.23.14 2
sid.inpe.br/bibdigital/2021/01.02.22.14 1
DivulgaçãoPORTALCAPES
Acervo Hospedeirodpi.inpe.br/plutao@80/2008/08.19.15.01
6. Notas
Campos Vaziosalternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn lineage mark mirrorrepository month nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress project readpermission rightsholder schedulinginformation secondarydate secondarykey session shorttitle sponsor subject tertiarymark tertiarytype typeofwork url usergroup
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/3UF4B6P
Repositóriosid.inpe.br/mtc-m21c/2019/11.25.11.41
Última Atualização2020:11.12.12.54.30 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21c/2019/11.25.11.41.41
Última Atualização dos Metadados2021:01.02.22.17.41 (UTC) administrator
Chave SecundáriaINPE--PRE/
Chave de CitaçãoAnochiCamp:2019:NeNeSe
TítuloNeural network for seasonal climate precipitation prediction on the Brazil
Ano2019
Data de Acesso24 abr. 2024
Tipo SecundárioPRE CN
Número de Arquivos1
Tamanho235 KiB
2. Contextualização
Autor1 Anochi, Juliana Aparecida
2 Campos Velho, Haroldo Fraga de
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHC3
Grupo1 DIDOP-CGCPT-INPE-MCTIC-GOV-BR
2 LABAC-COCTE-INPE-MCTIC-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 juliana.anochi@inpe.br
2 haroldo.camposvelho@inpe.br
Nome do EventoWorkshop Brasileiro de Micrometeorologia, 11
Localização do EventoSão José dos Campos, SP
Data20-22 nov.
Histórico (UTC)2019-11-25 11:41:51 :: simone -> administrator :: 2019
2020-01-06 11:42:24 :: administrator -> simone :: 2019
2020-11-12 12:54:30 :: simone -> administrator :: 2019
2021-01-02 22:17:41 :: administrator -> simone :: 2019
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
ÁreaMET
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > LABAC > Neural network for...
Arranjo 2urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDOP > Neural network for...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 25/11/2019 08:41 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34R/3UF4B6P
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34R/3UF4B6P
Idiomaen
Arquivo Alvoanochi_neural.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3ESGTTP
8JMKD3MGPCW/43SQKNE
Lista de Itens Citandosid.inpe.br/mtc-m21/2012/07.13.14.49.40 3
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
6. Notas
Campos Vaziosabstract archivingpolicy archivist booktitle callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition editor format isbn issn keywords label lineage mark mirrorrepository nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress readpermission rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject tertiarymark tertiarytype type url volume
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Revista Científica (Journal Article)
Sitemtc-m21d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34T/4APJNKL
Repositóriosid.inpe.br/mtc-m21d/2024/02.19.15.48   (acesso restrito)
Última Atualização2024:02.19.15.48.18 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21d/2024/02.19.15.48.18
Última Atualização dos Metadados2024:02.26.20.47.55 (UTC) administrator
DOI10.1016/j.jsames.2024.104811
ISSN0895-9811
Chave de CitaçãoUlianaAiSoSiMoCrAr:2024:EsEvLa
TítuloEstimated evaporation of lakes by climate reanalysis data and artificial neural networks
Ano2024
MêsApr.
Data de Acesso24 abr. 2024
Tipo de Trabalhojournal article
Tipo SecundárioPRE PI
Número de Arquivos1
Tamanho9758 KiB
2. Contextualização
Autor1 Uliana, Eduardo Morgan
2 Aires, Uilson Ricardo Venâncio
3 Sousa Júnior, Marionei Fomaca de
4 Silva, Demetrius David da
5 Moreira, Michel Castro
6 Cruz, Ibraim Fantin da
7 Araújo, Handrey Borges
Grupo1
2
3 SER-SRE-DIPGR-INPE-MCTI-GOV-BR
Afiliação1 Universidade Federal de Mato Grosso (UFMT)
2 Mississippi State University
3 Instituto Nacional de Pesquisas Espaciais (INPE)
4
5 Universidade Federal de Viçosa (UFV)
6 Universidade Federal de Mato Grosso (UFMT)
7 Universidade Federal de Mato Grosso (UFMT)
Endereço de e-Mail do Autor1 morganuliana@gmail.com
2 uilson.aires@msstate.edu
3 mariofomacajr@gmail.com
4 demetrius@ufv.br
5 michelcm@ufv.br
6 ibraimfantin@gmail.com
7 handreyba@gmail.com
RevistaJournal of South American Earth Sciences
Volume136
Páginase104811
Nota SecundáriaA1_INTERDISCIPLINAR A1_GEOGRAFIA A2_GEOCIÊNCIAS A2_ENGENHARIAS_III A2_CIÊNCIAS_AGRÁRIAS_I B1_ODONTOLOGIA B1_MEDICINA_II B1_CIÊNCIAS_AMBIENTAIS B1_BIODIVERSIDADE B1_ANTROPOLOGIA_/_ARQUEOLOGIA B2_QUÍMICA B2_MATERIAIS B2_CIÊNCIAS_BIOLÓGICAS_I B3_ASTRONOMIA_/_FÍSICA C_ENGENHARIAS_II
Histórico (UTC)2024-02-19 15:48:18 :: simone -> administrator ::
2024-02-19 15:48:20 :: administrator -> simone :: 2024
2024-02-19 15:49:47 :: simone -> administrator :: 2024
2024-02-26 20:47:55 :: administrator -> simone :: 2024
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveAmazon
Artificial neural networks
ERA5
Pantanal
Penman method
ResumoEvaporation, together with precipitation, is the most important component of the hydrological cycle, and knowledge of the local values of lake evaporation has applications in reservoir design and management. The objective of this study was to estimate lake evaporation at locations without meteorological monitoring using ERA5 reanalysis data and artificial neural networks (ANNs). Data from 32 automatic stations in the state of Mato Grosso were used to estimate evaporation using the method of Penman (1948). The evaporation values were related to ERA5 data and radiation data at the top of the atmosphere using multilayer perceptron ANN models. The Mann-Kendall test was used for trend analysis in the estimated monthly evaporation series. From the analysis of the results, it is concluded that it is possible to quantify the spatial and temporal distribution of evaporation from lakes with data from ERA5 reanalysis and the use of ANNs. The historical evaporation series for the period 1980 to 2019 showed a positive trend in certain parts of the Brazilian Savanna and Amazon biomes. Isolated areas of the Pantanal biome also showed a positive trend for monthly evaporation. The proposed methodology allows for the precise and accurate estimation of evaporation from liquid surfaces at locations without meteorological monitoring.
ÁreaSRE
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 19/02/2024 12:48 1.0 KiB 
4. Condições de acesso e uso
Arquivo Alvo1-s2.0-S0895981124000336-main.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Política de Arquivamentodenypublisher denyfinaldraft24
Permissão de Leituradeny from all and allow from 150.163
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2021/06.04.03.40.25
Unidades Imediatamente Superiores8JMKD3MGPCW/3F3NU5S
8JMKD3MGPCW/46KUATE
DivulgaçãoWEBSCI; PORTALCAPES; COMPENDEX; SCOPUS.
Acervo Hospedeirourlib.net/www/2021/06.04.03.40
6. Notas
Campos Vaziosalternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn label language lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress project resumeid rightsholder schedulinginformation secondarydate secondarykey session shorttitle sponsor subject tertiarymark tertiarytype url
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Revista Científica (Journal Article)
Siteplutao.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W/3MTN65S
Repositóriosid.inpe.br/plutao/2016/12.05.19.53.48
Última Atualização2016:12.07.11.27.10 (UTC) administrator
Repositório de Metadadossid.inpe.br/plutao/2016/12.05.19.53.49
Última Atualização dos Metadados2021:01.02.22.23.12 (UTC) administrator
DOI10.5923/s.ajee.201601.14
ISSN2166-4633
2166-465X
Rótulolattes: 2720072834057575 1 AnochiCamp:2016:MePrCl
Chave de CitaçãoAnochiCamp:2016:MePrCl
TítuloMesoscale precipitation climate prediction for brazilian south region by artificial neural networks
Ano2016
Data de Acesso24 abr. 2024
Tipo de Trabalhojournal article
Tipo SecundárioPRE PI
Número de Arquivos1
Tamanho993 KiB
2. Contextualização
Autor1 Anochi, Juliana Aparecida
2 Campos Velho, Haroldo Fraga de
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHC3
Grupo1 DOP-CPT-INPE-MCTI-GOV-BR
2 LAC-CTE-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 juliana.anochi@inpe.br
2 haroldo.camposvelho@inpe.br
RevistaAmerican Journal of Environmental Engineering
Volume6
Número4
Páginas94-102
Nota SecundáriaB3_GEOCIÊNCIAS B3_ENGENHARIAS_II B4_ENGENHARIAS_III
Histórico (UTC)2016-12-05 19:53:49 :: lattes -> administrator ::
2016-12-07 03:44:30 :: administrator -> lattes :: 2016
2016-12-07 11:27:11 :: lattes -> administrator :: 2016
2021-01-02 22:23:12 :: administrator -> simone :: 2016
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveClimate prediction
Precipitation
Self-configured neural network
Data reduction
ResumoNumerical weather and climate use sophisticated mathematical models. These models are employed to simulate the atmospheric dynamics to perform a medium-range forecasting and climate prediction. Such an approach allows to estimate all meteorological variables for a future time period: wind fields, air temperature, pressure, moisture, and precipitation field. Precipitation is one of the most difficult fields for prediction. The latter statement is verified due to high variability in space and time. However, precipitation is a key issue in many activities of society. An alternative approach for climate prediction to the precipitation field is to employ the Artificial Neural Network (ANN). Such technique has a reduced computational cost in comparison with time integration of the partial differential equations. One challenge to employ an ANN is to determine the topology or configuration of a neural network. Here, a supervised ANN is designed to perform the precipitation prediction looking at two different periods: monthly and seasonal precipitation. The method is applied to the Southern region of Brazil. The definition of the neural network topology is addressed as an optimization problem. The best configuration is computed by minimizing a cost function. The optimization problem is solved by a new meta-heuristic: Multi-Particle Collision Algorithm (MPCA). In addition, a technique based on rough set theory is used to reduce the data space dimension. The predicted precipitation is evaluated by comparison with measured data. The prediction is also evaluated using full and reduced input data for a neural predictive model.
ÁreaCOMP
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > LABAC > Mesoscale precipitation climate...
Arranjo 2urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDOP > Mesoscale precipitation climate...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W/3MTN65S
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W/3MTN65S
Idiomaen
Grupo de Usuárioslattes
self-uploading-INPE-MCTI-GOV-BR
Grupo de Leitoresadministrator
lattes
Visibilidadeshown
Política de Arquivamentoallowpublisher allowfinaldraft
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Vinculação8JMKD3MGP3W34P/3K98PDP
Repositório Espelhourlib.net/www/2011/03.29.20.55
Unidades Imediatamente Superiores8JMKD3MGPCW/3ESGTTP
8JMKD3MGPCW/43SQKNE
Lista de Itens Citandosid.inpe.br/mtc-m21/2012/07.13.14.49.40 3
sid.inpe.br/bibdigital/2013/09.22.23.14 3
URL (dados não confiáveis)http://article.sapub.org/10.5923.s.ajee.201601.14.html
Acervo Hospedeirodpi.inpe.br/plutao@80/2008/08.19.15.01
6. Notas
Campos Vaziosalternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination e-mailaddress format isbn lineage mark month nextedition notes orcid parameterlist parentrepositories previousedition previouslowerunit progress project rightsholder schedulinginformation secondarydate secondarykey session shorttitle sponsor subject targetfile tertiarytype
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Revista Científica (Journal Article)
Siteplutao.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W/3JJPDUT
Repositóriosid.inpe.br/plutao/2015/06.01.12.55.46   (acesso restrito)
Última Atualização2015:07.06.17.35.55 (UTC) administrator
Repositório de Metadadossid.inpe.br/plutao/2015/06.01.12.55.47
Última Atualização dos Metadados2018:06.04.23.25.37 (UTC) administrator
DOI10.17265/2159-5291/2015.05.005
ISSN2159-5291
Rótulolattes: 2720072834057575 1 AnochiCamp:2015:ClPrPr
Chave de CitaçãoAnochiCamp:2015:ClPrPr
TítuloClimate precipitation prediction by neural network
Ano2015
Data de Acesso24 abr. 2024
Tipo de Trabalhojournal article
Tipo SecundárioPRE PI
Número de Arquivos1
Tamanho3511 KiB
2. Contextualização
Autor1 Anochi, Juliana Aparecida
2 Campos Velho, Haroldo Fraga de
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHC3
Grupo1 CAP-COMP-SPG-INPE-MCTI-GOV-BR
2 LAC-CTE-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 juliana.anochi@gmail.com
2 haroldo@lac.inpe.br
RevistaJournal of Mathematics and System Science
Volume5
Páginas207-213
Histórico (UTC)2015-06-01 13:34:00 :: lattes -> administrator :: 2015
2018-06-04 23:25:37 :: administrator -> simone :: 2015
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveClimate Prediction
Neural Networks
Rough Sets Theory
ResumoIn this work a neural network model for climate forecasting is presented. The model is built by training a neural network with available reanalysis data. In order to assess the model, the development methodology considers the use of data reduction strategies that eliminate data redundancy thus reducing the complexity of the models. The results presented in this paper considered the use of Rough Sets Theory principles in extracting relevant information from the available data to achieve the reduction of redundancy among the variables used for forecasting purposes. The paper presents results of climate prediction made with the use of the neural network based model. The results obtained in the conducted experiments show the effectiveness of the methodology, presenting estimates similar to observations.
ÁreaCOMP
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > LABAC > Climate precipitation prediction...
Arranjo 2urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Climate precipitation prediction...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
Idiomapt
Grupo de Usuárioslattes
simone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Permissão de Leituradeny from all and allow from 150.163
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2011/03.29.20.55
Unidades Imediatamente Superiores8JMKD3MGPCW/3ESGTTP
8JMKD3MGPCW/3F2PHGS
Lista de Itens Citandosid.inpe.br/mtc-m21/2012/07.13.14.49.40 3
sid.inpe.br/bibdigital/2013/09.22.23.14 1
URL (dados não confiáveis)http://www.davidpublisher.com/Home/Journal/JMSS
Acervo Hospedeirodpi.inpe.br/plutao@80/2008/08.19.15.01
6. Notas
Campos Vaziosalternatejournal archivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination e-mailaddress format isbn lineage mark month nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress project rightsholder schedulinginformation secondarydate secondarykey secondarymark session shorttitle sponsor subject targetfile tertiarymark tertiarytype
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Siteplutao.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
IdentificadorJ8LNKAN8RW/3ARNG6L
Repositóriodpi.inpe.br/plutao/2011/11.23.18.48
Última Atualização2015:03.24.13.26.44 (UTC) administrator
Repositório de Metadadosdpi.inpe.br/plutao/2011/11.23.18.48.25
Última Atualização dos Metadados2018:06.05.00.01.36 (UTC) administrator
Rótulolattes: 2720072834057575 1 AnochiSilv:2011:NeNeMo
Chave de CitaçãoAnochiSilv:2011:NeNeMo
TítuloNeural Network Models for Climate Forecasting based on Reanalysis Data
Ano2011
Data de Acesso24 abr. 2024
Tipo SecundárioPRE CN
Número de Arquivos1
Tamanho1268 KiB
2. Contextualização
Autor1 Anochi, Juliana Aparecida
2 Silva, José Demisio Simões da
Grupo1 LAC-CTE-INPE-MCT-BR
2 LAC-CTE-INPE-MCT-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 juliana.anochi@lac.inpe.br
2 demisio@lac.inpe.br
Endereço de e-Mailjuliana.anochi@lac.inpe.br
Nome do EventoCongresso Brasileiro de Inteligência Computacional, 10
Localização do EventoFortaleza, CE
Data8-11 nov.
Título do LivroProceedings
Tipo TerciárioPaper
Histórico (UTC)2011-11-24 11:03:16 :: lattes -> secretaria.cpa@dir.inpe.br :: 2011
2011-12-02 11:25:15 :: secretaria.cpa@dir.inpe.br -> administrator :: 2011
2018-06-05 00:01:36 :: administrator -> marciana :: 2011
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveClimate Forecasting
Rough Sets Theory
Artificial Neural Networks
Artificial Intelligence
ResumoIn this work a neural network model for climate forecasting is presented. The model is built by training a neural network with available reanalysis data. In order to assess the model, the development methodology considers the use of data reduction strategies that eliminate data redundancy thus reducing the complexity of the models. The results presented in this paper considered the use of Rough Sets Theory principles in extracting relevant information from the available data to achieve the reduction of redundancy among the variables used for forecasting purposes. The paper presents results of climate prediction made with the use of the neural network based model.
ÁreaCOMP
Arranjourlib.net > BDMCI > Fonds > Produção anterior à 2021 > LABAC > Neural Network Models...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/J8LNKAN8RW/3ARNG6L
URL dos dados zipadoshttp://urlib.net/zip/J8LNKAN8RW/3ARNG6L
Idiomaen
Arquivo Alvoanochi_neural.pdf
Grupo de Usuárioslattes
secretaria.cpa@dir.inpe.br
marciana
Grupo de Leitoresadministrator
marciana
Visibilidadeshown
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3ESGTTP
URL (dados não confiáveis)http://cbrn-cbic2011.org/
Acervo Hospedeirodpi.inpe.br/plutao@80/2008/08.19.15.01
6. Notas
Campos Vaziosarchivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi edition editor format isbn issn lineage mark mirrorrepository nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress resumeid rightsholder schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject tertiarymark type volume
7. Controle da descrição
e-Mail (login)marciana
atualizar 

1. Identificação
Tipo de ReferênciaCapítulo de Livro (Book Section)
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/43T9DRB
Repositóriosid.inpe.br/mtc-m21c/2021/01.05.14.39   (acesso restrito)
Última Atualização2021:01.05.14.39.32 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21c/2021/01.05.14.39.32
Última Atualização dos Metadados2022:04.04.04.50.15 (UTC) administrator
Chave SecundáriaINPE--/
DOI10.1007/978-3-030-53669-5_18
ISBN978-303053668-8
Chave de CitaçãoAnochiTorrCamp:2021:ClPrPr
TítuloClimate precipitation prediction with uncertainty quantification by self-configuring neural network
Ano2021
Data de Acesso24 abr. 2024
Tipo SecundárioPRE LI
Número de Arquivos1
Tamanho2328 KiB
2. Contextualização
Autor1 Anochi, Juliana Aparecida
2 Torres, Reynier Hernández
3 Campos Velho, Haroldo Fraga de
Identificador de Curriculo1
2
3 8JMKD3MGP5W/3C9JHC3
Grupo1 DIPTC-CGCT-INPE-MCTI-GOV-BR
2 DIPE1-COGPI-INPE-MCTI-GOV-BR
3 COPDT-CGIP-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 juliana.anochi@inpe.br
2 reynier.torres@inpe.br
3 haroldo.camposvelho@inpe.br
EditorCursi, J. E. S.
Título do LivroProceedings of the 5th International Symposium on Uncertainty Quantification and Stochastic Modelling
Editora (Publisher)Springer
Páginas242-253
Histórico (UTC)2021-01-05 14:39:32 :: simone -> administrator ::
2022-04-04 04:50:15 :: administrator -> simone :: 2021
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveNeural network · Precipitation climate prediction · MPCA metaheuristic
ResumoArtificial neural networks have been employed on many applications. Good results have been obtained by using neural network for the precipitation climate prediction to the Brazil. The input are some meteorological variables, as wind components for several levels, air temperature, and former precipitation. The neural network is automatically configured, by solving an optimization problem with Multi-Particle Collision Algorithm (MPCA) metaheuristic. However, it is necessary to address, beyond the prediction the uncertainty associated to the prediction. This paper is focused on two-fold. Firstly, to produce a monthly prediction for precipitation by neural network. Secondly, the neural network output is also designed to estimate the uncertainty related to neural prediction.
ÁreaMET
Arranjo 1urlib.net > CGCT > Climate precipitation prediction...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > COGPI > Climate precipitation prediction...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 05/01/2021 11:39 1.8 KiB 
4. Condições de acesso e uso
Idiomaen
Arquivo Alvoanochi_climate.pdf
Grupo de Usuáriossimone
Visibilidadeshown
Permissão de Leituradeny from all and allow from 150.163
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/46KUATE
8JMKD3MGPCW/46KUES5
8JMKD3MGPCW/46L2FGP
DivulgaçãoBNDEPOSITOLEGAL
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
6. Notas
Campos Vaziosarchivingpolicy archivist callnumber city copyholder copyright creatorhistory descriptionlevel documentstage e-mailaddress edition format issn label lineage mark mirrorrepository nextedition notes numberofvolumes orcid parameterlist parentrepositories previousedition previouslowerunit progress project readergroup rightsholder schedulinginformation secondarydate secondarymark serieseditor seriestitle session shorttitle sponsor subject tertiarymark tertiarytype translator url volume
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/439C6CE
Repositóriosid.inpe.br/mtc-m21c/2020/09.17.12.20   (acesso restrito)
Última Atualização2020:09.17.12.20.34 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21c/2020/09.17.12.20.34
Última Atualização dos Metadados2022:01.04.01.35.24 (UTC) administrator
Chave SecundáriaINPE--PRE/
ISBN978-303053668-8
ISSN21954356
Chave de CitaçãoAnochiTorrCamp:2020:ClPrPr
TítuloClimate precipitation prediction with uncertainty quantification by self-configuring neural network
Ano2020
Data de Acesso24 abr. 2024
Tipo SecundárioPRE CI
Número de Arquivos1
Tamanho2249 KiB
2. Contextualização
Autor1 Anochi, Juliana Aparecida
2 Torres, Reynier Hernández
3 Campos Velho, Haroldo Fraga de
Identificador de Curriculo1
2
3 8JMKD3MGP5W/3C9JHC3
Grupo1 DIDOP-CGCPT-INPE-MCTIC-GOV-BR
2 COAMZ-CGOBT-INPE-MCTIC-GOV-BR
3 LABAC-COCTE-INPE-MCTIC-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 juliana.anochi@inpe.br
2 elcio@ieav.cta.br
3 haroldo.camposvelho@inpe.br
EditorCursi, J. E. S.
Nome do EventoInternational Symposium on Uncertainty Quantification and Stochastic Modelling, 5
Localização do EventoRouen, France
Data29 jun. - 03 jul.
Editora (Publisher)Springer
Páginas242-253
Título do LivroProceedings
Histórico (UTC)2020-09-17 12:20:34 :: simone -> administrator ::
2022-01-04 01:35:24 :: administrator -> simone :: 2020
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveNeural network
Precipitation climate prediction
MPCA metaheuristic
ResumoArtificial neural networks have been employed on many applications. Good results have been obtained by using neural network for the precipitation climate prediction to the Brazil. The input are some meteorological variables, as wind components for several levels, air temperature, and former precipitation. The neural network is automatically configured, by solving an optimization problem with Multi-Particle Collision Algorithm (MPCA) metaheuristic. However, it is necessary to address, beyond the prediction the uncertainty associated to the prediction. This paper is focused on two-fold. Firstly, to produce a monthly prediction for precipitation by neural network. Secondly, the neural network output is also designed to estimate the uncertainty related to neural prediction.
ÁreaMET
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > LABAC > Climate precipitation prediction...
Arranjo 2urlib.net > BDMCI > Fonds > Produção anterior à 2021 > COAMZ > Climate precipitation prediction...
Arranjo 3urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDOP > Climate precipitation prediction...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 17/09/2020 09:20 1.0 KiB 
4. Condições de acesso e uso
Idiomaen
Arquivo Alvoanochi_climate.pdf
Grupo de Usuáriossimone
Visibilidadeshown
Permissão de Leituradeny from all and allow from 150.163
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3ESGTTP
8JMKD3MGPCW/3ETL435
8JMKD3MGPCW/43SQKNE
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
6. Notas
NotasLecture Notes in Mechanical Engineering
Campos Vaziosarchivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition format label lineage mark mirrorrepository nextedition numberofvolumes orcid organization parameterlist parentrepositories previousedition previouslowerunit progress project publisheraddress readergroup rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject tertiarymark tertiarytype type url volume
7. Controle da descrição
e-Mail (login)simone
atualizar