Técnicas de aprendizado de máquina aplicadas à previsão de explosões solares

Detalhes bibliográficos
Autor(a) principal: Ribeiro, Fernanda, 1990-
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1639820
Resumo: Orientador: André Leon Sampaio Gradvohl
id UNICAMP-30_492dd8b385a85b56fe389ca6d7f3ca67
oai_identifier_str oai::1149462
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Técnicas de aprendizado de máquina aplicadas à previsão de explosões solaresMachine learning techniques applied to solar flares forecastingAprendizado de máquinaErupções solaresPrevisão estatísticaEstatistica - ClassificaçãoAtividade solar - PrevisãoMachine learningSolar flaresStatistical forecastingStatistics - ClassificationSolar activity - ForecastingOrientador: André Leon Sampaio GradvohlDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de TecnologiaResumo: O clima espacial abrange as interações que ocorrem no ambiente Solar-Terrestre, enfatizando a ocorrência de fenômenos no ambiente solar. Entre esses fenômenos, estão as manchas solares, a ejeção de massa coronal e as explosões solares. Esse último é um dos fenômenos mais relevantes da atividade solar e objeto de estudo neste trabalho. O principal desafio deste trabalho é analisar as ocorrências de explosões solares e identificar características que ajudem a prever esse fenômeno para as classes M e X. Quando ocorrem explosões nas classes M ou X, há efeitos na saúde de astronautas e impactos negativos em serviços utilizados diariamente, como por exemplo, serviços de posicionamento por satélites, telecomunicações e rede elétrica -- sistemas fundamentais para a vida moderna. O objetivo deste trabalho foi estudar três métodos de classificação: Máquina de Vetores de Suporte, Floresta Aleatória e "Light Gradient Boosting Machine" para, em seguida, propor um sistema de predição de ocorrência de explosão solar de classe M e X para um horizonte de predição de 24, 48 e 72 horas. Posteriormente, foram investigadas técnicas e metodologias para otimização dos modelos estudados e para combiná-los com a finalidade de obter um sistema preditor com melhor desempenho. As metodologias utilizadas nos processos de estimação e validação dos modelos envolveram validação cruzada com amostragem estratificada, considerando o uso de dados balanceados e desbalanceados. Os resultados alcançados indicaram que a combinação dos métodos trazem benefícios para a predição da ocorrência de explosão solar. A avaliação dos métodos no conjunto de teste apresentaram resultados superiores a 0,50 para a métrica de desempenho TSS. As taxas de verdadeiros positivos foram superiores a 75%Abstract: Space weather encompasses the interactions that occur in the Solar-Terrestrial environment, emphasizing the occurrence of phenomena in the solar environment. Among these phenomena are sunspots, coronal mass ejection, and solar flare. The latter is one of the most relevant phenomena of solar activity and the object of study in this work. The main challenge is to monitor the occurrence of solar flares and identify characteristics that help predict this phenomenon for the M and X classes. When solar flares occur in classes M or X, there are effects on astronauts¿ health and negatives impacts on services used daily, such as satellite positioning services, telecommunications, and electrical grid - fundamental systems for modern life. The objective of this work is to study three classification methods: Support Vector Machine, Random Forest, and Light Gradient Boosting Machine to then propose a system for predicting the occurrence of a solar flare of class M and X for a horizon of prediction of 24, 48, and 72 hours. Subsequently, we investigate techniques and methodologies to optimize the studied models and combine them in to obtain a predictor system with better performance. The methodologies used in the model estimation and validation processes involved stratified k-fold cross-validation, considering the use of balanced and unbalanced data. The results achieved indicate that the ensemble models gave benefits for the prediction of the occurrence of a solar flare. The evaluation of the methods in the test set showed results higher than 0.50 for the TSS performance metric. The rates of true positives were higher than 75%MestradoSistemas de Informação e ComunicaçãoMestra em TecnologiaCAPES001[s.n.]Gradvohl, André Leon Sampaio, 1973-Cecatto, José RobertoSilva, Paulo Henrique Ferreira daUniversidade Estadual de Campinas (UNICAMP). Faculdade de TecnologiaPrograma de Pós-Graduação em TecnologiaUNIVERSIDADE ESTADUAL DE CAMPINASRibeiro, Fernanda, 1990-20202020-08-12T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (138 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1639820RIBEIRO, Fernanda. Técnicas de aprendizado de máquina aplicadas à previsão de explosões solares. 2020. 1 recurso online (138 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia, Limeira, SP. Disponível em: https://hdl.handle.net/20.500.12733/1639820. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1149462Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2021-05-04T17:14:25Zoai::1149462Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2021-05-04T17:14:25Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Técnicas de aprendizado de máquina aplicadas à previsão de explosões solares
Machine learning techniques applied to solar flares forecasting
title Técnicas de aprendizado de máquina aplicadas à previsão de explosões solares
spellingShingle Técnicas de aprendizado de máquina aplicadas à previsão de explosões solares
Ribeiro, Fernanda, 1990-
Aprendizado de máquina
Erupções solares
Previsão estatística
Estatistica - Classificação
Atividade solar - Previsão
Machine learning
Solar flares
Statistical forecasting
Statistics - Classification
Solar activity - Forecasting
title_short Técnicas de aprendizado de máquina aplicadas à previsão de explosões solares
title_full Técnicas de aprendizado de máquina aplicadas à previsão de explosões solares
title_fullStr Técnicas de aprendizado de máquina aplicadas à previsão de explosões solares
title_full_unstemmed Técnicas de aprendizado de máquina aplicadas à previsão de explosões solares
title_sort Técnicas de aprendizado de máquina aplicadas à previsão de explosões solares
author Ribeiro, Fernanda, 1990-
author_facet Ribeiro, Fernanda, 1990-
author_role author
dc.contributor.none.fl_str_mv Gradvohl, André Leon Sampaio, 1973-
Cecatto, José Roberto
Silva, Paulo Henrique Ferreira da
Universidade Estadual de Campinas (UNICAMP). Faculdade de Tecnologia
Programa de Pós-Graduação em Tecnologia
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Ribeiro, Fernanda, 1990-
dc.subject.por.fl_str_mv Aprendizado de máquina
Erupções solares
Previsão estatística
Estatistica - Classificação
Atividade solar - Previsão
Machine learning
Solar flares
Statistical forecasting
Statistics - Classification
Solar activity - Forecasting
topic Aprendizado de máquina
Erupções solares
Previsão estatística
Estatistica - Classificação
Atividade solar - Previsão
Machine learning
Solar flares
Statistical forecasting
Statistics - Classification
Solar activity - Forecasting
description Orientador: André Leon Sampaio Gradvohl
publishDate 2020
dc.date.none.fl_str_mv 2020
2020-08-12T00:00:00Z
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/20.500.12733/1639820
RIBEIRO, Fernanda. Técnicas de aprendizado de máquina aplicadas à previsão de explosões solares. 2020. 1 recurso online (138 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia, Limeira, SP. Disponível em: https://hdl.handle.net/20.500.12733/1639820. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1639820
identifier_str_mv RIBEIRO, Fernanda. Técnicas de aprendizado de máquina aplicadas à previsão de explosões solares. 2020. 1 recurso online (138 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia, Limeira, SP. Disponível em: https://hdl.handle.net/20.500.12733/1639820. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1149462
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (138 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189165768638464

Registros relacionados