Resultado da Pesquisa
A expressão de busca foi <related:sid.inpe.br/plutao/2016/12.05.19.53.49-0:en:title:2:precipitation prediction neural climate:mesoscale precipitation climate prediction brazilian south region artificial neural networks:>.
23 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: 27/04/2024 00:33.

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 Acesso27 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/bibdigital/2013/09.22.23.14 4
sid.inpe.br/mtc-m21/2012/07.13.14.49.40 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 Acesso27 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
Identificador8JMKD3MGP3W/3HG7JPK
Repositóriosid.inpe.br/plutao/2014/12.01.13.22.11
Última Atualização2021:03.08.19.30.19 (UTC) marcelo.pazos@inpe.br
Repositório de Metadadossid.inpe.br/plutao/2014/12.01.13.22.12
Última Atualização dos Metadados2021:03.08.19.30.19 (UTC) marcelo.pazos@inpe.br
Rótulolattes: 2720072834057575 1 AnochiCamp:2014:ClPrPr
Chave de CitaçãoAnochiCamp:2014:ClPrPr
TítuloClimate precipitation prediction on South of Brazil by self-configuring neural network
Ano2014
Data de Acesso27 abr. 2024
Tipo SecundárioPRE CN
Número de Arquivos1
Tamanho65 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-Mailmarcelo.pazos@inpe.br
Nome do EventoCongresso Brasileiro de Meteorologia, 18.
Localização do EventoRecife
Data2014
Título do LivroAnais
Tipo TerciárioResumo Estendido
Histórico (UTC)2014-12-01 13:22:12 :: 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
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
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W/3HG7JPK
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W/3HG7JPK
Idiomapt
Arquivo Alvoanochi_climate.pdf
Grupo de Usuárioslattes
marcelo.pazos@inpe.br
Visibilidadeshown
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
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://www.cbmet2014.com/
Acervo Hospedeirodpi.inpe.br/plutao@80/2008/08.19.15.01
6. Notas
Campos Vaziosabstract archivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi edition editor electronicmailaddress format isbn issn keywords lineage mark nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress readergroup rightsholder schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject tertiarymark type versiontype volume
7. Controle da descrição
e-Mail (login)marcelo.pazos@inpe.br
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 Acesso27 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/bibdigital/2013/09.22.23.14 4
sid.inpe.br/mtc-m21/2012/07.13.14.49.40 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 Acesso27 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 ReferênciaResumo em Evento (Conference Proceedings)
Sitemtc-m16c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP8W/3HBR2PP
Repositóriosid.inpe.br/mtc-m18/2014/11.04.18.26
Última Atualização2014:11.04.18.26.21 (UTC) adelsud6@gmail.com
Repositório de Metadadossid.inpe.br/mtc-m18/2014/11.04.18.26.21
Última Atualização dos Metadados2023:08.16.17.49.41 (UTC) administrator
Chave de CitaçãoGarciaSantCastMont:2014:ApArNe
TítuloApplying artificial neural networks to calibrate the precipitation forecast of the CPTEC’s ensemble prediction system
FormatoOn-line.
Ano2014
Data de Acesso27 abr. 2024
Tipo SecundárioPRE CN
Número de Arquivos1
Tamanho254 KiB
2. Contextualização
Autor1 Garcia, José Roberto M.
2 Santos, Rafael Duarte Coelho dos
3 Castro, Christopher Cunningham
4 Monteiro, Antonio Miguel Vieira
Grupo1
2 LAC-CTE-INPE-MCTI-GOV-BR
3
4 DIR-DIR-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3
4 Instituto Nacional de Pesquisas Espaciais (INPE)
EditorSantiago Júnior, Valdivino Alexandre de
Ferreira, Karine Reis
Endereço de e-Mailadelsud6@gmail.com
Nome do EventoWorkshop dos Cursos de Computação Aplicada do INPE, 14 (WORCAP).
Localização do EventoSão José dos Campos
Data12-13 nov. 2014
Editora (Publisher)Instituto Nacional de Pesquisas Espaciais (INPE)
Cidade da EditoraSão José dos Campos
Título do LivroResumos
Tipo TerciárioSessão Técnica
OrganizaçãoInstituto Nacional de Pesquisas Espaciais (INPE)
Histórico (UTC)2014-11-07 20:34:24 :: adelsud6@gmail.com -> administrator :: 2014
2023-08-16 17:49:41 :: administrator -> marcelo.pazos@inpe.br :: 2014
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-Chavemachine learning
artificial neural network
feed-forward neural network
back-propagation algorithm
numerical weather prediction system
ensemble prediction system
ResumoEnsemble prediction is currently the state of the art in weather prediction due to the fact that it provides means for computing probabilities of the occurrence of meteorological events in a quantitatively way. However it is not a fail-safe system and one major cause is due to the uncertainties of the Nature that are not modeled into the computational system, generating a deviation of the prediction from the actual state of the weather. To minimize this deviation (to calibrate) several post-processing techniques over the prediction data have been applied. This work is about applying of a feed-forward neural network to calibrate the precipitation forecast produced by the CPTECs Ensemble Prediction System. The dataset is composed by forecasts of the rainy season from 2009 to 2011 over the La Plata Basin. The ensemble mean precipitation forecast and the neural network forecast are compared to the correspondent precipitation observations via Mean Absolute Error.
ÁreaCOMP
Arranjo 1urlib.net > BDMCI > Fonds > WORCAP > WORCAP 14 > Applying artificial neural...
Arranjo 2urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDPI > WORCAP 14 > Applying artificial neural...
Arranjo 3Projeto Memória 60... > Livros e livros editados > WORCAP 14 > Applying artificial neural...
Arranjo 4urlib.net > BDMCI > Fonds > Produção anterior à 2021 > LABAC > Applying artificial neural...
Arranjo 5urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIR > Applying artificial neural...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 04/11/2014 16:26 0.7 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP8W/3HBR2PP
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP8W/3HBR2PP
Idiomaen
Arquivo Alvoworcap2014_submission_30.pdf
Grupo de Usuáriosadelsud6@gmail.com
Visibilidadeshown
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhoiconet.com.br/banon/2006/11.26.21.31
Unidades Imediatamente Superiores8JMKD3MGP8W/3HC3BQL
8JMKD3MGPCW/3ESGTTP
8JMKD3MGPCW/449PGL8
Lista de Itens Citandosid.inpe.br/mtc-m18/2014/11.05.23.36 3
Acervo Hospedeirosid.inpe.br/mtc-m18@80/2008/03.17.15.17
6. Notas
Campos Vaziosarchivingpolicy archivist callnumber contenttype copyholder copyright creatorhistory descriptionlevel dissemination doi edition electronicmailaddress isbn issn label lineage mark nextedition notes numberofvolumes orcid pages parameterlist parentrepositories previousedition previouslowerunit progress project readergroup readpermission resumeid rightsholder schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject tertiarymark type url versiontype volume
7. Controle da descrição
e-Mail (login)marcelo.pazos@inpe.br
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Revista Científica (Journal Article)
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/42EN8TP
Repositóriosid.inpe.br/mtc-m21c/2020/05.07.11.50   (acesso restrito)
Última Atualização2020:05.07.11.50.45 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21c/2020/05.07.11.50.45
Última Atualização dos Metadados2021:01.02.22.16.36 (UTC) administrator
ISSN1983-8409
2177-8833
Chave de CitaçãoAnochiCampHern:2019:ClPrPr
TítuloClimate precipitation prediction using optimal neural network architecture in Southeast Region of Brazil
Ano2019
Data de Acesso27 abr. 2024
Tipo de Trabalhojournal article
Tipo SecundárioPRE PN
Número de Arquivos1
Tamanho748 KiB
2. Contextualização
Autor1 Anochi, Juliana Aparecida
2 Campos Velho, Haroldo Fraga de
3 Hernández Torres, Reynier
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHC3
Grupo1 DIDOP-CGCPT-INPE-MCTIC-GOV-BR
2 LABAC-COCTE-INPE-MCTIC-GOV-BR
3 CAP-COMP-SESPG-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 haroldo.camposvelho@inpe.br
RevistaJournal of Computational Interdisciplinary Sciences
Volume10
Número2
Páginas69-80
Nota SecundáriaB3_INTERDISCIPLINAR B3_ENGENHARIAS_II B3_ENGENHARIAS_I B4_ENGENHARIAS_III B5_MEDICINA_II B5_MATERIAIS B5_GEOCIÊNCIAS B5_ENGENHARIAS_IV B5_CIÊNCIAS_AGRÁRIAS_I B5_CIÊNCIA_DA_COMPUTAÇÃO B5_BIODIVERSIDADE C_CIÊNCIAS_BIOLÓGICAS_I C_ASTRONOMIA_/_FÍSICA
Histórico (UTC)2020-05-07 11:50:45 :: simone -> administrator ::
2020-05-07 11:50:46 :: administrator -> simone :: 2019
2020-05-07 11:50:58 :: simone -> administrator :: 2019
2021-01-02 22:16:36 :: 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
Palavras-Chavemetaheuristic
optimization problem
neural networks
climate prediction
mono-objective problem
multiobjective problem
ResumoNeural network is a technique successfully employed in many applications on several research fields. Despite the potential of a neural network model, its performance is dependent on the definition of the parameters, since the definition of architecture (topology) can significantly influence the training process. Here, a technique for automatic configuration for a neural network is described as an optimization problem combining two different optimization schemes: a mono-objective minimization problem using Multi-Particle Collision Algorithm (MPCA), and a multiobjective minimization problem Nondominated Sorting Genetic Algorithm (NSGA-II). The proposed optimization approaches were tested for the mesoscale seasonal climate prediction for precipitation. The meteorological data were processed by Rough Set Theory to extract relevant information to perform the climate prediction by neural network for the Southeast region of Brazil, with a reduced data set.
ÁreaMET
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...
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 07/05/2020 08:50 1.0 KiB 
4. Condições de acesso e uso
Idiomaen
Arquivo Alvoanochi_climate.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Política de Arquivamentodenypublisher denyfinaldraft
Permissão de Leituradeny from all and allow from 150.163
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2017/11.22.19.04.03
Unidades Imediatamente Superiores8JMKD3MGPCW/3ESGTTP
8JMKD3MGPCW/3F2PHGS
8JMKD3MGPCW/43SQKNE
Lista de Itens Citandosid.inpe.br/mtc-m21/2012/07.13.14.49.40 4
sid.inpe.br/bibdigital/2013/09.22.23.14 3
sid.inpe.br/bibdigital/2021/01.02.22.14 1
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
6. Notas
Campos Vaziosalternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress format isbn label lineage mark month nextedition notes orcid parameterlist parentrepositories previousedition previouslowerunit progress project 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 Evento (Conference Proceedings)
Sitemtc-m21b.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34P/3N2U7KB
Repositóriosid.inpe.br/mtc-m21b/2016/12.19.12.15
Última Atualização2016:12.19.12.15.48 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21b/2016/12.19.12.15.48
Última Atualização dos Metadados2018:06.04.02.41.40 (UTC) administrator
Chave SecundáriaINPE--PRE/
Chave de CitaçãoAnochiCampHern:2016:ClPrPr
TítuloClimate precipitation prediction using optimal neural network architecture in Southeast Region of Brazil
Ano2016
Data de Acesso27 abr. 2024
Tipo SecundárioPRE CI
Número de Arquivos1
Tamanho603 KiB
2. Contextualização
Autor1 Anochi, Juliana
2 Campos Velho, Haroldo Fraga de
3 Hernández Torres, Reynier
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHC3
Grupo1 CAP-COMP-SPG-INPE-MCTI-GOV-BR
2 LAC-CTE-INPE-MCTI-GOV-BR
3 CAP-COMP-SPG-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 haroldo.camposvelho@inpe.br
3 reynier.torres@inpe.br
Nome do EventoConference on Computational Interdisciplinary Sciences, 14 (CCIS16)
Localização do EventoSão José dos Campos, SP
Data7-10 nov
Título do LivroProceedings
Histórico (UTC)2016-12-19 12:15:58 :: simone -> administrator :: 2016
2018-06-04 02:41:40 :: 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-Chavemetaheuristic
optimization problem
neural networks
climate prediction
mono-objective problem
multiobjective problem
ResumoNeural network is a technique successfully employed in many applications on several research fields. Despite the potential of a neural network model, its performance is dependent on the definition of the parameters, since the definition of architecture (topology) can significantly influence the training process. Here, a technique for automatic configuration for a neural network is described as an optimization problem combining two different optimization schemes: a mono-objective minimization problem using Multi-Particle Collision Algorithm (MPCA), and a multiobjective minimization problem Nondominated Sorting Genetic Algorithm (NSGA-II). The proposed optimization approaches were tested for the mesoscale seasonal climate prediction for precipitation. The meteorological data were processed by Rough Set Theory to extract relevant information to perform the climate prediction by neural network for the Southeast region of Brazil, with a reduced data set.
ÁreaCOMP
Arranjo 1urlib.net > 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 agreement
agreement.html 19/12/2016 10:15 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34P/3N2U7KB
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34P/3N2U7KB
Idiomaen
Arquivo Alvoanochi_climate.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Permissão de Leituraallow from all
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
Acervo Hospedeirosid.inpe.br/mtc-m21b/2013/09.26.14.25.20
6. Notas
Campos Vaziosarchivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition editor format isbn issn label lineage mark nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress 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 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 Acesso27 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 Revista Científica (Journal Article)
Sitemtc-m21d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34T/4556G22
Repositóriosid.inpe.br/mtc-m21d/2021/07.20.18.36
Última Atualização2021:07.20.18.36.51 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21d/2021/07.20.18.36.51
Última Atualização dos Metadados2022:04.03.23.14.02 (UTC) administrator
DOI10.3390/rs13132468
ISSN2072-4292
Chave de CitaçãoAnochiAlmeCamp:2021:MaLeCl
TítuloMachine Learning for Climate Precipitation Prediction Modeling over South America
Ano2021
MêsJuly
Data de Acesso27 abr. 2024
Tipo de Trabalhojournal article
Tipo SecundárioPRE PI
Número de Arquivos1
Tamanho2065 KiB
2. Contextualização
Autor1 Anochi, Juliana Aparecida
2 Almeida, Vinícius Albuquerque de
3 Campos Velho, Haroldo Fraga de
Identificador de Curriculo1
2
3 8JMKD3MGP5W/3C9JHC3
ORCID1 0000-0003-0769-9750
2 0000-0002-9645-7528
3 0000-0003-4968-5330
Grupo1 DIPTC-CGCT-INPE-MCTI-GOV-BR
2
3 COPDT-CGIP-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Universidade Federal do Rio de Janeiro (UFRJ)
3 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 juliana.anochi@inpe.br
2 vinicius@lma.ufrj.br
3 haroldo.camposvelho@inpe.br
RevistaRemote Sensing
Volume13
Número13
Páginase2468
Nota SecundáriaB3_GEOGRAFIA B3_ENGENHARIAS_I B4_GEOCIÊNCIAS B4_CIÊNCIAS_AMBIENTAIS B5_CIÊNCIAS_AGRÁRIAS_I
Histórico (UTC)2021-07-20 18:36:51 :: simone -> administrator ::
2021-07-20 18:36:51 :: administrator -> simone :: 2021
2021-07-20 18:37:10 :: simone -> administrator :: 2021
2022-04-03 23:14:02 :: 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-Chavemachine learningclimate precipitation predictionneural networksoptimal neural architecturedeep learning
ResumoMany natural disasters in South America are linked to meteorological phenomena. Therefore, forecasting and monitoring climatic events are fundamental issues for society and various sectors of the economy. In the last decades, machine learning models have been developed to tackle different issues in society, but there is still a gap in applications to applied physics. Here, different machine learning models are evaluated for precipitation prediction over South America. Currently, numerical weather prediction models are unable to precisely reproduce the precipitation patterns in South America due to many factors such as the lack of region-specific parametrizations and data availability. The results are compared to the general circulation atmospheric model currently used operationally in the National Institute for Space Research (INPE: Instituto Nacional de Pesquisas Espaciais), Brazil. Machine learning models are able to produce predictions with errors under 2 mm in most of the continent in comparison to satellite-observed precipitation patterns for different climate seasons, and also outperform INPE's model for some regions (e.g., reduction of errors from 8 to 2 mm in central South America in winter). Another advantage is the computational performance from machine learning models, running faster with much lower computer resources than models based on differential equations currently used in operational centers. Therefore, it is important to consider machine learning models for precipitation forecasts in operational centers as a way to improve forecast quality and to reduce computation costs.
ÁreaCOMP
Arranjo 1urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Machine Learning for...
Arranjo 2urlib.net > Produção a partir de 2021 > CGIP > Machine Learning for...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 20/07/2021 15:36 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34T/4556G22
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34T/4556G22
Idiomaen
Arquivo Alvoremotesensing-13-02468.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Política de Arquivamentoallowpublisher allowfinaldraft
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/46KUATE
8JMKD3MGPCW/46KUES5
Lista de Itens Citandosid.inpe.br/mtc-m21/2012/07.13.14.49.40 2
sid.inpe.br/bibdigital/2022/04.03.23.11 2
sid.inpe.br/bibdigital/2022/04.03.22.23 1
DivulgaçãoWEBSCI; PORTALCAPES; MGA; 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 lineage mark mirrorrepository nextedition notes parameterlist parentrepositories previousedition previouslowerunit progress project readpermission rightsholder schedulinginformation secondarydate secondarykey session shorttitle sponsor subject tertiarymark tertiarytype url
7. Controle da descrição
e-Mail (login)simone
atualizar