Modelagem de tendência a curto-prazo da linha de costa através de dados geodésicos temporais utilizando regressão linear, estimativa robusta e redes neurais artificiais

Detalhes bibliográficos
Autor(a) principal: Gonçalves, Rodrigo Mikosz
Data de Publicação: 2010
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/25346
Resumo: Orientadores: Profª Drª Claudia Pereira Krueger, Prof. Dr. Leandro dos Santos Coelho e Prof. Dr. Bernard Heck
id UFPR_88891ca441edf2335657574d200de2a4
oai_identifier_str oai:acervodigital.ufpr.br:1884/25346
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Universidade Federal do Paraná. Setor de Ciências da Terra. Programa de Pós-Graduação em Ciências GeodésicasKrueger, Cláudia Pereira, 1964-Coelho, Leandro dos Santos, 1968-Heck, BernardGonçalves, Rodrigo Mikosz2024-05-08T13:57:12Z2024-05-08T13:57:12Z2010https://hdl.handle.net/1884/25346Orientadores: Profª Drª Claudia Pereira Krueger, Prof. Dr. Leandro dos Santos Coelho e Prof. Dr. Bernard HeckTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências da Terra, Programa de Pós-Graduação em Ciências Geodésicas. Defesa: Curitiba, 25/02/2010Inclui referênciasResumo: Monitorar e gerenciar a linha de costa é importante em áreas costeiras, mas ainda representa uma tarefa difícil. Conhecer a variabilidade da linha de costa é crucial para operações realizadas por cientistas costeiros, engenheiros e administradores públicos que necessitam de informações sobre a posição da linha da costa, no passado, presente e, possivelmente, onde irá estar no futuro. Primeiro, é ecessário fornecer uma definição funcional de linha de costa e, em seguida, desenvolver uma técnica suficientemente sólida que permita identificar e extrair a posição espacial da linha de costa com base na fonte de dados disponíveis para seu estudo. As informações históricas usadas para uma análise de curto-prazo são dependentes das incertezas associadas com a coleta dos dados antigos. O principal problema que acontece no Brasil está em recuperar dados com informações históricas sobre levantamentos e mapeamentos do passado. Com o propósito de estudar a dinâmica espacial da linha de costa no litoral do Paraná tornou-se necessário reunir dados cartográficos e materiais provenientes da fotogrametria analógica. Estes dados se referem à extração das linhas de costa temporais para anos 1954, 1963, 1980, 1991 e 1997, em 6 km de extensão no litoral do município de Matinhos no estado do Paraná, Brasil. Usando esses dados fotogramétricos, e dados obtidos por receptores GPS (Global Positioning System) para 2001, 2002, 2005 e 2008 (como controle), efetuaram-se comparações e avaliações estatísticas aplicando três diferentes modelos de tendência para linha de costa, incluindo-se: estimativa robusta, redes neurais artificiais e regressão linear. Na parte experimental, alguns testes, mudando a matriz dos pesos, para o caso de regressão linear e estimativa robusta foram efetuados. Diferentes testes com as redes neurais artificiais foram organizados mudando alguns parâmetros como: arquitetura (rede neural parcialmente recorrente de Elman e perceptron multicamadas), número de neurônios nas camadas ocultas e algoritmos de treinamentos. Os melhores resultados estatísticos indicaram que o MAPE (Mean Absolute Percentage Error), quando comparados os resíduos entre a predição e a linha de costa de controle, são respectivamente 0,33% para a regressão linear, 0,14% para estimativa robusta e 0,28% para o caso da rede neural de Elman com o algoritmo de treinamento quase-Newton utilizando 10 neurônios na camada oculta. Em outra comparação simulando 50 anos no futuro verificaram-se diferenças de até 400 metros nas posições das linhas de costa preditas entre os modelos de regressão linear e estimativa robusta. Os resultados indicam a importância da escolha dos modelos de tendência para linha de costa e aplicabilidades neste caso específico de estudo.Abstract: Monitoring and management of shoreline is important along the coast but remains a difficult task. The shoreline variability is crucial for daily operations undertaken by coastal scientists, engineers, and public managers who require information on the position of the shoreline in the past, present and possibly where it will move in the future. First, it is necessary to provide a functional definition of the shoreline, and then proceed to develop a sufficiently robust technique that would enable the detection and positional extraction of the chosen shoreline feature within the available data source. The historical information used for a short-term analysis is always dependent on uncertainties associated with old data collection. The main difficulty that happens often in Brazil, is to obtain historical information about surveys and mapping from the ast. With the proposal to study shoreline dynamics at Paraná coast it became necessary to find cartographic information about it, and some old material from analogue photogrammetry was found. These data, related to the years 1954, 1963, 1980, 1991 and 1997, were used for shoreline extraction in a 6 km section of Matinhos beach in the state of Paraná, Brazil. Using these photogrammetric data, and GPS (Global Positioning System) data for 2001, 2002, 2005 and 2008 (as control), this study aims to demonstrate a comparison and assessment between three different models of shoreline prediction: robust parameter estimation, neural network and linear regression. Some tests changing the weigh matrix for the case of linear regression and robust estimation were done. Different tests with neural network were organized setting the parameters like: architecture (Elman and feedforward backpropagation network), number of neuron in hidden layers and the training algorithms. The best statistics results shows the MAPE (Mean Absolute Percentage Error) when compared with the residuals between the prediction and the shoreline of control are respectively 0,33% for linear regression, 0,14% for robust estimation and 0,28% for the case of neural etwork with the Elman network using the quasi-Newton training function and 10 neurons in the hidden layer. Another comparison simulating 50 years in the future, shows differences reaching 400 m in positions of predictive shorelines between the linear regression and robust estimation. The results highlighting the importance of the model choice for predicting the shoreline and the applicability in this specific case of study.152f. : il. algumas color.application/pdfDisponível em formato digitalRedes neurais (Computação)CostaGerenciamento costeiroFotogrametria aereaGeodésiaModelagem de tendência a curto-prazo da linha de costa através de dados geodésicos temporais utilizando regressão linear, estimativa robusta e redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALmikosz_tese.pdfapplication/pdf5526711https://acervodigital.ufpr.br/bitstream/1884/25346/1/mikosz_tese.pdf9dc42b7991b4becac04b358eda4b6a8aMD51open accessTEXTmikosz_tese.pdf.txtExtracted Texttext/plain213444https://acervodigital.ufpr.br/bitstream/1884/25346/2/mikosz_tese.pdf.txt1b94ff2a9a7b13e6155700b55804c83fMD52open accessTHUMBNAILmikosz_tese.pdf.jpgGenerated Thumbnailimage/jpeg1183https://acervodigital.ufpr.br/bitstream/1884/25346/3/mikosz_tese.pdf.jpg0cfc11d20cb05935e478ea3aba907657MD53open access1884/253462024-05-08 10:57:12.2open accessoai:acervodigital.ufpr.br:1884/25346Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-05-08T13:57:12Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Modelagem de tendência a curto-prazo da linha de costa através de dados geodésicos temporais utilizando regressão linear, estimativa robusta e redes neurais artificiais
title Modelagem de tendência a curto-prazo da linha de costa através de dados geodésicos temporais utilizando regressão linear, estimativa robusta e redes neurais artificiais
spellingShingle Modelagem de tendência a curto-prazo da linha de costa através de dados geodésicos temporais utilizando regressão linear, estimativa robusta e redes neurais artificiais
Gonçalves, Rodrigo Mikosz
Redes neurais (Computação)
Costa
Gerenciamento costeiro
Fotogrametria aerea
Geodésia
title_short Modelagem de tendência a curto-prazo da linha de costa através de dados geodésicos temporais utilizando regressão linear, estimativa robusta e redes neurais artificiais
title_full Modelagem de tendência a curto-prazo da linha de costa através de dados geodésicos temporais utilizando regressão linear, estimativa robusta e redes neurais artificiais
title_fullStr Modelagem de tendência a curto-prazo da linha de costa através de dados geodésicos temporais utilizando regressão linear, estimativa robusta e redes neurais artificiais
title_full_unstemmed Modelagem de tendência a curto-prazo da linha de costa através de dados geodésicos temporais utilizando regressão linear, estimativa robusta e redes neurais artificiais
title_sort Modelagem de tendência a curto-prazo da linha de costa através de dados geodésicos temporais utilizando regressão linear, estimativa robusta e redes neurais artificiais
author Gonçalves, Rodrigo Mikosz
author_facet Gonçalves, Rodrigo Mikosz
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências da Terra. Programa de Pós-Graduação em Ciências Geodésicas
dc.contributor.advisor1.fl_str_mv Krueger, Cláudia Pereira, 1964-
Coelho, Leandro dos Santos, 1968-
Heck, Bernard
dc.contributor.author.fl_str_mv Gonçalves, Rodrigo Mikosz
contributor_str_mv Krueger, Cláudia Pereira, 1964-
Coelho, Leandro dos Santos, 1968-
Heck, Bernard
dc.subject.por.fl_str_mv Redes neurais (Computação)
Costa
Gerenciamento costeiro
Fotogrametria aerea
Geodésia
topic Redes neurais (Computação)
Costa
Gerenciamento costeiro
Fotogrametria aerea
Geodésia
description Orientadores: Profª Drª Claudia Pereira Krueger, Prof. Dr. Leandro dos Santos Coelho e Prof. Dr. Bernard Heck
publishDate 2010
dc.date.issued.fl_str_mv 2010
dc.date.accessioned.fl_str_mv 2024-05-08T13:57:12Z
dc.date.available.fl_str_mv 2024-05-08T13:57:12Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/25346
url https://hdl.handle.net/1884/25346
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 152f. : il. algumas color.
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/1884/25346/1/mikosz_tese.pdf
https://acervodigital.ufpr.br/bitstream/1884/25346/2/mikosz_tese.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/25346/3/mikosz_tese.pdf.jpg
bitstream.checksum.fl_str_mv 9dc42b7991b4becac04b358eda4b6a8a
1b94ff2a9a7b13e6155700b55804c83f
0cfc11d20cb05935e478ea3aba907657
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860185056083968

Registros relacionados