Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Federal Center for Technological Education of Minas Gerais | - |
Autor(es): dc.contributor | Federal University of Juiz de Fora | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Basílio, Samuel da Costa Alves | - |
Autor(es): dc.creator | Putti, Fernando Ferrari | - |
Autor(es): dc.creator | Cunha, Angélica Carvalho | - |
Autor(es): dc.creator | Goliatt, Leonardo | - |
Data de aceite: dc.date.accessioned | 2025-08-21T22:42:24Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T22:42:24Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2022-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1007/s12145-023-00990-0 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/247254 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/247254 | - |
Descrição: dc.description | Solar radiation prediction is necessary for designing photovoltaic systems, assessment of regional climate and crop growth modeling. However, this estimate depends on expensive devices, namely pyranometer and pyranometer. Considering the difficulty of acquiring these devices, predicting such values through mathematical and computational models is a convenient approach where costs can be reduced. In particular, machine learning methods have been successfully and widely applied for this task. However, the choice of the correct machine learning model, its parameters sets, and the variables used influence obtained results. This work presents a methodology that optimizes the aforementioned points to efficiently predict solar radiation in the state of Minas Gerais, Brazil. Currently, no work presents a computational model for the entire state. For this, data from 51 cities in Minas Gerais are used, obtained by the automatic weather stations of the National Institute of Meteorology. Two machine learning models, Artificial Neural Network and Multivariate Adaptive Regression Spline, were optimized through a Simple Genetic Algorithm, and the results compared to those available in the literature. The best results were found at the Guanhães station, with R 2 of 0.867 and RMSE of 1.68 MJ m - 2 day - 1 , and at the Muriaé station, with R 2 of 0.864 and RMSE of 1.64 MJ m - 2 day - 1 . The models had their metrics compared to each other through the methodology of performance profiles, where the Multivariate Adaptive Regression Spline model proved to be more efficient. The results demonstrate that computational models perform better than the empirical models currently used. | - |
Descrição: dc.description | Department of Computing and Mechanics Federal Center for Technological Education of Minas Gerais, Rua José Peres, 558, MG | - |
Descrição: dc.description | Computational Modeling Program Federal University of Juiz de Fora, Rua José Lourenço Kelmer, MG | - |
Descrição: dc.description | School of Sciences and Engineering São Paulo State University, Rua Domingos da Costa Lopes, 780, SP | - |
Descrição: dc.description | School of Sciences and Engineering São Paulo State University, Rua Domingos da Costa Lopes, 780, SP | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Earth Science Informatics | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Hybrid approach | - |
Palavras-chave: dc.subject | Optimization algorithm | - |
Palavras-chave: dc.subject | Predictive model | - |
Palavras-chave: dc.subject | Solar radiation | - |
Título: dc.title | An evolutionary-assisted machine learning model for global solar radiation prediction in Minas Gerais region, southeastern Brazil | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: