Modelagem do relevo oceânico usando Redes Neurais Artificiais

Detalhes bibliográficos
Autor(a) principal: Souza, Elaine Cristine Barros de
Data de Publicação: 2006
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/4279
Resumo: Orientadores: Claudia Pereira Krueger, Günter Seeber e Selma Regina Aranha Ribeiro
id UFPR_9ecfccae0b58f46e5f1ebf29cae726c1
oai_identifier_str oai:acervodigital.ufpr.br:1884/4279
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Ribeiro, Selma Regina AranhaUniversidade Federal do Paraná. Setor de Ciências da Terra. Programa de Pós-Graduação em Ciências GeodésicasUniversidade de HannoverKrueger, Cláudia Pereira, 1964-Seeber, GunterSouza, Elaine Cristine Barros de2024-05-08T14:05:31Z2024-05-08T14:05:31Z2006https://hdl.handle.net/1884/4279Orientadores: Claudia Pereira Krueger, Günter Seeber e Selma Regina Aranha RibeiroInclui apendiceTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências da Terra, Programa de Pós-Graduação em Ciências Geodésicas. Defesa: Curitiba, 2006Inclui bibliografiaResumo: O objetivo desta pesquisa é propor um método para modelagem do relevo oceânico a partir de dados batimétricos usando Redes Neurais Artificiais (RNA). Os dados batimétricos utilizados na pesquisa foram coletados pelo navio de pesquisas oceanográficas Polarstern (Bremerhaven - Alemanha) durante uma expedição iniciada em julho de 2000 cobrindo uma área situada na Província de Pelágia, entre a Irlanda e o Reino Unido. Os dados batimétricos foram coletados por um sistema multibeam chamado de Hydrosweep DS-2, e foram cedidos pelo instituto de pesquisas alemão Alfred Wegener Institut für Polar und Meeresforschung (AWI). As informações de profundidades e as intensidades de backscatter serviram como base para os experimentos realizados nesta pesquisa. A área selecionada para as investigações, possui uma variação em profundidades de 400 m até 1700 m, sendo águas categorizadas como profundas. O método proposto utiliza a técnica das Redes Neurais Artificiais a fim de se executar a interpolação e a integração desses dados. O modelo proposto consiste em uma RNA com duas camadas escondidas, fazendo uso do algoritmo de treinamento supervisionado backpropagation . Na primeira etapa dos processamentos, como variáveis de entrada para o treinamento da rede, foram adotadas as posições planimétricas das profundidades dadas pelas coordenadas E, N; as intensidades de backscatter e também foram atribuídos pesos binários aos valores numéricos dos 59 PFB's e pesos lineares, utilizando os ângulos de incidência dos feixes, variáveis estas, denominadas de peso binário e peso linear. Numa segunda etapa foram utilizadas também as coordenadas planimétricas E, N de uma grade gerada pelo interpolador convencional local, o Inverso do Quadrado da Distância (IQD), e o treinamento executado e armazenado da primeira etapa. Desta forma as grades foram generalizadas pela rede nas mesmas posições da grade IQD, a qual foi adotada como sendo o modelo de referência "verdade de campo", visando obter as grades RNA nas mesmas posições da grade IQD, variando apenas a coordenada Z (profundidades). As verificações dos processamentos foram feitas mediante análises qualitativas (curvas isobatimétricas) e quantitativas (resíduos), do comportamento das profundidades interpoladas e das grades generalizadas pela rede. Para tal, fez-se uso de elementos amostrais de verificação, os quais não fizeram parte do aprendizado e as saídas da rede (análise pontual). Também foram avaliadas as grades generalizadas pela RNA, comparando-as com o modelo de referência adotado, isto é, a grade gerada através do algortimo de interpolação IQD (análise entre grades).O estudo comprova que o método proposto gera resultados que atendem a precisão do equipamento (multibeam), conforme o fabricante e também conforme especificações da Organização Internacional de Hidrografia (IHO) que preconizam 1% conforme a altura da lâmina d' água para a categoria de profundidades em questão, sendo o erro máximo permitido neste caso de 17 m. A RNA forneceu resultados cujo erro máximo foi de 14 m. Os resultados obtidos indicam que o uso de modelos neurais, treinados por algoritmos de aprendizado supervisionado, é uma alternativa promissora para a modelagem tridimensinal do relevo oceânico, tanto no aspecto da interpolação para a estimativa de profundidades como na possibilidade de integração de diferentes variáveis de entrada para o treinamento da rede.Abstract: The main purpose of this investigation was the development of a three-dimensional model of the ocean relief from bathymetric data, based on the concept of Artificial Neural Networks (ANN). The bathymetric data used in the investigation were collected during an  expedition with the RV German "Polarstern" oceanographic research ship. The spedition started in July 2000 and covered an area located in the Pelagia Province between Ireland and the United Kingdom. The bathymetric data were collected by a multibeam system called HydrosweepDS-2 and were supplied by the German research institute "Alfred Wegener Institute for Polar and Marine Research (AWI) - Bremerhaven". The information of depths and the acoustics backscatter strength were used in this research. The topography of the ocean floor was investigated for a selected area, with a water depth variation between 400 m and 1700 m. The proposed method consists of an ANN architecture with two hidden layers making use of the supervised training and the back-propagation training algorithm. In a first stage of theprocessing, as entrance variables for the training of the net, it was adopted the horizontal positions of the depths given by the coordinates E, N and the backscatter intensities. Binary weights were attributed to the numeric values of 59 PFB's and linear weights using the angles of incidence of the beams. These variables were denominated binary and linear weights, respectively. In the second stage, it was also used the horizontal coordinates E, N of a grid generated by the local conventional interpolation algorithm. Moreover, the Inverse Distance to a Power and the executed and stored training of the first stage. In this way, the grids were generalized by the net in the same positions of the grid Inverse Distance to a Power. It was adopted as a reference model "field truth" aiming to obtain the RNA grid in the same positions of the Inverse Distance to a Power grid and varying just the Z coordinate (depths). The processing verifications were done by qualitative (isobathymetric curves) and quantitative analyses (residuals) of the behaviour of interpolated depths and the gridsgeneralized by the net. For such analyses, it was used the verification elements, which did not take part in the net learning and in the exits of the net (point analysis). The generated grids were also analysed by the ANN comparing them with the adopted reference model, that is, the grid generated by the Inverse Distance to a Power algorithm (analysis between grids). The study shows the ability of the proposed method to produce results that satisfy the precision of the equipment (multibeam), according to the manufacturer and the specifications of the International Organization of Hydrographic (IHO). In this case, the maximum error allowed was 17 m. The ANN showed results with a maximum error of 14 m. The results obtained showed that the use of Neural Network models, with algorithms of supervised learning, is apromising alternative to a three-dimensional modelling of the ocean relief, as an interpolator to estimate depths and as well as a possibility of integration of different entrance variables for the net training.xiv, 208f. : il., grafs., tabs.application/pdfDisponível em formato digitalSensoriamento remoto - Processamento de dadosRedes neurais (Computação)Modelagem geologicaGeodesiaModelagem do relevo oceânico usando 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/openAccessORIGINALTese_CPGCG_UFPR_Souza_ECB_2006.pdfapplication/pdf27550931https://acervodigital.ufpr.br/bitstream/1884/4279/1/Tese_CPGCG_UFPR_Souza_ECB_2006.pdfbcc085c78e547b9de9c1c3519b9519daMD51open accessTEXTTese_CPGCG_UFPR_Souza_ECB_2006.pdf.txtExtracted Texttext/plain423416https://acervodigital.ufpr.br/bitstream/1884/4279/2/Tese_CPGCG_UFPR_Souza_ECB_2006.pdf.txtf27c6fafea7097974a5f372a2b459e07MD52open accessTHUMBNAILTese_CPGCG_UFPR_Souza_ECB_2006.pdf.jpgGenerated Thumbnailimage/jpeg1207https://acervodigital.ufpr.br/bitstream/1884/4279/3/Tese_CPGCG_UFPR_Souza_ECB_2006.pdf.jpg0b6d78d9bb7b5d0934d5c1f9bb86a469MD53open access1884/42792024-05-08 11:05:32.006open accessoai:acervodigital.ufpr.br:1884/4279Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-05-08T14:05:32Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Modelagem do relevo oceânico usando Redes Neurais Artificiais
title Modelagem do relevo oceânico usando Redes Neurais Artificiais
spellingShingle Modelagem do relevo oceânico usando Redes Neurais Artificiais
Souza, Elaine Cristine Barros de
Sensoriamento remoto - Processamento de dados
Redes neurais (Computação)
Modelagem geologica
Geodesia
title_short Modelagem do relevo oceânico usando Redes Neurais Artificiais
title_full Modelagem do relevo oceânico usando Redes Neurais Artificiais
title_fullStr Modelagem do relevo oceânico usando Redes Neurais Artificiais
title_full_unstemmed Modelagem do relevo oceânico usando Redes Neurais Artificiais
title_sort Modelagem do relevo oceânico usando Redes Neurais Artificiais
author Souza, Elaine Cristine Barros de
author_facet Souza, Elaine Cristine Barros de
author_role author
dc.contributor.other.pt_BR.fl_str_mv Ribeiro, Selma Regina Aranha
Universidade Federal do Paraná. Setor de Ciências da Terra. Programa de Pós-Graduação em Ciências Geodésicas
Universidade de Hannover
dc.contributor.advisor1.fl_str_mv Krueger, Cláudia Pereira, 1964-
Seeber, Gunter
dc.contributor.author.fl_str_mv Souza, Elaine Cristine Barros de
contributor_str_mv Krueger, Cláudia Pereira, 1964-
Seeber, Gunter
dc.subject.por.fl_str_mv Sensoriamento remoto - Processamento de dados
Redes neurais (Computação)
Modelagem geologica
Geodesia
topic Sensoriamento remoto - Processamento de dados
Redes neurais (Computação)
Modelagem geologica
Geodesia
description Orientadores: Claudia Pereira Krueger, Günter Seeber e Selma Regina Aranha Ribeiro
publishDate 2006
dc.date.issued.fl_str_mv 2006
dc.date.accessioned.fl_str_mv 2024-05-08T14:05:31Z
dc.date.available.fl_str_mv 2024-05-08T14:05:31Z
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/1884/4279
url https://hdl.handle.net/1884/4279
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 xiv, 208f. : il., grafs., tabs.
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/1884/4279/1/Tese_CPGCG_UFPR_Souza_ECB_2006.pdf
https://acervodigital.ufpr.br/bitstream/1884/4279/2/Tese_CPGCG_UFPR_Souza_ECB_2006.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/4279/3/Tese_CPGCG_UFPR_Souza_ECB_2006.pdf.jpg
bitstream.checksum.fl_str_mv bcc085c78e547b9de9c1c3519b9519da
f27c6fafea7097974a5f372a2b459e07
0b6d78d9bb7b5d0934d5c1f9bb86a469
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_ 1801860175657697280

Registros relacionados