Fechar

1. Identificação
Tipo de ReferênciaResumo em Evento (Conference Proceedings)
Sitemtc-m21d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34T/4A3P4LL
Repositóriosid.inpe.br/mtc-m21d/2023/10.20.15.03
Última Atualização2023:10.20.15.11.37 (UTC) self-uploading-INPE-MCTI-GOV-BR
Repositório de Metadadossid.inpe.br/mtc-m21d/2023/10.20.15.03.43
Última Atualização dos Metadados2024:01.02.17.16.50 (UTC) administrator
Chave SecundáriaINPE--PRE/
Rótuloself-archiving-INPE-MCTIC-GOV-BR
Chave de CitaçãoLemosCampAnoc:2023:AsDaRe
TítuloAssimilação de dados por redes neurais no modelo WRF-NCAR
FormatoOn-line
ProjetoAssimilação de dados por redes neurais no modelo WRF-NCAR
Ano2023
Data de Acesso15 jun. 2024
Tipo SecundárioPRE CN
Número de Arquivos2
Tamanho66 KiB
2. Contextualização
Autor1 Lemos, Gerônimo Gallarreta Zubiaurre
2 Campos Velho, Haroldo Fraga de
3 Anochi, Juliana Aparecida
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHC3
Grupo1
2 COPDT-CGIP-INPE-MCTI-GOV-BR
3 CGIP-CGIP-INPE-MCTI-GOV-BR
Afiliação1 Universidade Federal de Pelotas (UFPEL)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 ggzlemos@gmail.com
2 haroldo.camposvelho@inpe.br
3 juliana.anochi@inpe.br
EditorRibeiro, Valéria Cristina dos Santos
Barreto, Joaquim Pedro (Substituto)
Lopes Filho, Antonio
Paulicena, Edésio Hernane
Cortez, Ely Vieira
Almeida, Elton Kleiton Albuquerque de
Jesus, Gabriel Torres de (Suplente)
Souza, João Paulo Estevam de (Suplente)
Cecatto, José Roberto (Suplente)
Coelho, Simone Marlene Sievert da Costa (Suplente)
Almeida, Eugênio Sper de
Hey, Heyder
Saturno, Mario Eugenio
Escada, Paulo Augusto Sobral
Savonov, Roman Ivanovitch (Suplente)
Camayo Maita, Rosio Del Pilar (Suplente)
Barbedo, Simone Angélica Del Ducca (Suplente)
Algarve, Viviane Regina (Suplente)
Nome do EventoSeminário de Iniciação Científica e Iniciação em Desenvolvimento Tecnológico e Inovação (SICINPE)
Localização do Eventoon line
Data21 a 25 – ago
Editora (Publisher)Instituto Nacional de Pesquisas Espaciais (INPE)
Cidade da EditoraSão José dos Campos
Páginas1
Título do LivroResumos
Tipo TerciárioIniciação Científica
OrganizaçãoDivisão de Fomento a Pesquisa e Desenvolvimento (DIFPD)
Histórico (UTC)2023-10-20 15:11:38 :: simone -> administrator :: 2023
2023-12-18 23:44:48 :: administrator -> self-uploading-INPE-MCTI-GOV-BR :: 2023
2023-12-19 00:37:42 :: self-uploading-INPE-MCTI-GOV-BR -> administrator :: 2023
2024-01-02 17:16:50 :: administrator -> simone :: 2023
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo de Versãopublisher
Palavras-Chaveinteligência artificial
aprendizado de máquina
assimilação de dados
previsão numéroca do tempo
ResumoO 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 codificação da biblioteca XGBoost, que implementa uma versão otimizada do algoritmo Gradient Boosting, um algoritmo supervisionado. Para configurar a biblioteca XGBoost para a aplicação, o conjunto de dados foi subdividido em dois conjuntos distintos: conjunto de treinamento 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 configurado 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 fim, o último modelo foi treinado nos anos de 2016 e 2017 e avaliado no ano de 2015. Ao fim desse processo, foi escolhido o modelo com menor erro sobre o conjunto de validação. Para avaliação final 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.
ÁreaCOMP
Arranjo 1urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > Assimilação de dados...
Arranjo 2Assimilação de dados...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 20/10/2023 12:03 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34T/4A3P4LL
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34T/4A3P4LL
Idiomapt
Arquivo AlvoResumo_Geronimo_Gallarreta_Zubiaurre_Lemos.pdf
Grupo de Usuáriossimone
Visibilidadeshown
Detentor dos Direitosoriginalauthor yes
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/46KUES5
8JMKD3MGPDW34P/4A7NFG8
Lista de Itens Citandosid.inpe.br/mtc-m16c/2023/11.14.02.16 4
sid.inpe.br/mtc-m21/2012/07.13.14.49.40 3
sid.inpe.br/bibdigital/2022/04.03.23.11 1
Acervo Hospedeirourlib.net/www/2021/06.04.03.40
6. Notas
NotasBolsa PIBIC/PIBITI/INPE/CNPq.
Campos Vaziosarchivingpolicy archivist callnumber contenttype copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition isbn issn lineage mark mirrorrepository nextedition numberofvolumes orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup readpermission schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject tertiarymark type url volume
7. Controle da descrição
e-Mail (login)simone
atualizar 


Fechar