Previsão do deslocamento de tempestades severas : abordagens por aprendizado de máquina

Detalhes bibliográficos
Autor(a) principal: Rozin, Nicole Amanda, 1995-
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/60154
Resumo: Orientador: Prof. Dr. Paulo Henrique Siqueira
id UFPR_176cdb4cb862a35d5271b5b242f593fa
oai_identifier_str oai:acervodigital.ufpr.br:1884/60154
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Rozin, Nicole Amanda, 1995-Beneti, Cesar Augustus AssisUniversidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em EngenhariaSiqueira, Paulo Henrique2019-05-08T12:55:04Z2019-05-08T12:55:04Z2018https://hdl.handle.net/1884/60154Orientador: Prof. Dr. Paulo Henrique SiqueiraCoorientador: Dr. Cesar Augustus Assis BenetiDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa : Curitiba, 03/08/2018Inclui referências: 97-102Área de concentração: Programação MatemáticaResumo: A previsao de tempestades severas pode auxiliar no processo de tomada de decisao e nas medidas operacionais, bem como ajudar a mitigar e ate mesmo antecipar os danos, permitindo que as acoes possiveis sejam tomadas. Portanto, existe a necessidade de tecnicas confiaveis e rapidas para o monitoramento de tempestades, que consiste em tres processos principais: identificacao de celulas de tempestades ativas, rastreamento, e tambem a previsao de seu deslocamento. O foco deste trabalho e o terceiro passo, com o objetivo de estudar metodos de aprendizado de maquina para previsao de tempestades de curto prazo em celulas identificadas e rastreadas pelo sistema TITAN (Identificacao, Rastreamento, Analise e Previsao de Tempestades) em diferentes estagios. A analise ocorre na regiao sul e sudeste do Brasil e usa dados de radares meteorologicos e descargas eletricas atmosfericas. Devido a natureza dos fenomenos representados neste trabalho, metodos de aprendizado de maquina foram escolhidos porque eles sao capazes de entender e aprender com os recursos e seus relacionamentos. Alem disso, uma vez que o modelo e aprendido pelo metodo escolhido, o processamento das novas entradas ocorre rapidamente. Dois tipos de tecnicas de regressao sao estudadas: Ensemble e Modelo Linear. Foram aplicados os seguintes metodos para a previsao: Bagging, Random Forest, Extra Trees, Theil Sen e Bayesian Ridge. A avaliacao dos resultados e feita comparando-os com a previsao fornecida pelo TITAN para cada celula, uma vez que e uma ferramenta bem estabelecida na area. O melhor desempenho foi obtido com o Algoritmo Random Forest. Seus resultados mostraram-se satisfatorios para a predicao de deslocamento, mostrando-se uma boa alternativa ao software padrao. Alem disso, uma contribuicao mais evidente dos metodos propostos e encontrada para a previsao do tamanho das tempestades. Palavras chaves: Aprendizado de Maquina. Regressao. Previsao de Tempestades. Aprendizado Agrupado. Modelo Linear.Abstract: Thunderstorm forecast can help in the decision-making process and operational measures, as well as help mitigate and even anticipate damage, allowing those decision to be taken. Therefore, there is a need for trustworthy and fast techniques for storms monitoring, consisting of three main processes: identification of active storm cells, tracking, and also their forecast their displacement. The focus of this work is the third step, aiming to study machine learning methods for short-term storm forecast on cells identified and tracked by TITAN (Thunderstorm Identification, Tracking, Analysis, and Nowcasting) system in different stages. The analysis takes place in the discussed region and uses data from meteorological radars and atmospheric electrical discharges. Due to the nature of the phenomena represented in this work, machine learning methods are chosen because they are able to better understand and learn from the features and their relationships. Moreover, once the model is learned by the chosen method, the processing of the new entries occurs fastly. Two types of regression techniques are studied: Ensemble and Linear Model. In totally, it was applied the following methods for the forecast: Bagging, Random Forest, Extra Trees, Theil Sen and Bayesian Ridge. The evaluation of the results is done by comparing them with the forecast provided by TITAN for each cell, since that is a well-established tool in the area. The best performance was achieved with the Random Forest Algorithm, and its results proved to be satisfactory for the prediction of displacement, shown to good alternative to the standard software. In addition, a more evident contribution of the proposed methods was found to the prediction of the storms' shape. Keywords: Machine Learning. Regression. Thunderstorm Forecasting. Ensembles. Linear Models.102 p. : il.application/pdfTempestadesAnálise NuméricaAnalise de regressãoModelos lineares (Estatistica)Previsão do deslocamento de tempestades severas : abordagens por aprendizado de máquinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - NICOLE AMANDA ROZIN.pdfapplication/pdf8322915https://acervodigital.ufpr.br/bitstream/1884/60154/1/R%20-%20D%20-%20NICOLE%20AMANDA%20ROZIN.pdfa7149dd458d5b2e35c37e15f90af957aMD51open access1884/601542019-05-08 09:55:04.232open accessoai:acervodigital.ufpr.br:1884/60154Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082019-05-08T12:55:04Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Previsão do deslocamento de tempestades severas : abordagens por aprendizado de máquina
title Previsão do deslocamento de tempestades severas : abordagens por aprendizado de máquina
spellingShingle Previsão do deslocamento de tempestades severas : abordagens por aprendizado de máquina
Rozin, Nicole Amanda, 1995-
Tempestades
Análise Numérica
Analise de regressão
Modelos lineares (Estatistica)
title_short Previsão do deslocamento de tempestades severas : abordagens por aprendizado de máquina
title_full Previsão do deslocamento de tempestades severas : abordagens por aprendizado de máquina
title_fullStr Previsão do deslocamento de tempestades severas : abordagens por aprendizado de máquina
title_full_unstemmed Previsão do deslocamento de tempestades severas : abordagens por aprendizado de máquina
title_sort Previsão do deslocamento de tempestades severas : abordagens por aprendizado de máquina
author Rozin, Nicole Amanda, 1995-
author_facet Rozin, Nicole Amanda, 1995-
author_role author
dc.contributor.other.pt_BR.fl_str_mv Beneti, Cesar Augustus Assis
Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em Engenharia
dc.contributor.author.fl_str_mv Rozin, Nicole Amanda, 1995-
dc.contributor.advisor1.fl_str_mv Siqueira, Paulo Henrique
contributor_str_mv Siqueira, Paulo Henrique
dc.subject.por.fl_str_mv Tempestades
Análise Numérica
Analise de regressão
Modelos lineares (Estatistica)
topic Tempestades
Análise Numérica
Analise de regressão
Modelos lineares (Estatistica)
description Orientador: Prof. Dr. Paulo Henrique Siqueira
publishDate 2018
dc.date.issued.fl_str_mv 2018
dc.date.accessioned.fl_str_mv 2019-05-08T12:55:04Z
dc.date.available.fl_str_mv 2019-05-08T12:55:04Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/60154
url https://hdl.handle.net/1884/60154
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 102 p. : il.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/60154/1/R%20-%20D%20-%20NICOLE%20AMANDA%20ROZIN.pdf
bitstream.checksum.fl_str_mv a7149dd458d5b2e35c37e15f90af957a
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1813898855570210816

Registros relacionados