Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Krueger, Claudia Pereira | - |
Autor(es): dc.contributor | Seeber, Gunter | - |
Autor(es): dc.contributor | Ribeiro, Selma Regina Aranha | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências da Terra. Programa de Pós-Graduação em Ciências Geodésicas | - |
Autor(es): dc.contributor | Universidade de Hannover | - |
Autor(es): dc.creator | Souza, Elaine Cristine Barros de | - |
Data de aceite: dc.date.accessioned | 2019-08-22T00:25:31Z | - |
Data de disponibilização: dc.date.available | 2019-08-22T00:25:31Z | - |
Data de envio: dc.date.issued | 2016-12-22 | - |
Data de envio: dc.date.issued | 2016-12-22 | - |
Data de envio: dc.date.issued | 2006 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/1884/4279 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/4279 | - |
Descrição: dc.description | Orientadores: Claudia Pereira Krueger, Günter Seeber e Selma Regina Aranha Ribeiro | - |
Descrição: dc.description | Inclui apendice | - |
Descrição: dc.description | Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciencias da Terra, Programa de Pós-Graduaçao em Ciencias Geodésicas. Defesa: Curitiba, 2006 | - |
Descrição: dc.description | Inclui bibliografia | - |
Descrição: dc.description | Resumo: 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 expediçao 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 alemao Alfred Wegener Institut für Polar und Meeresforschung (AWI). As informaçoes de profundidades e as intensidades de backscatter serviram como base para os experimentos realizados nesta pesquisa. A área selecionada para as investigaçoes, possui uma variaçao 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 interpolaçao e a integraçao 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 posiçoes 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 incidencia 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 posiçoes da grade IQD, a qual foi adotada como sendo o modelo de referencia "verdade de campo", visando obter as grades RNA nas mesmas posiçoes da grade IQD, variando apenas a coordenada Z (profundidades). As verificaçoes 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 verificaçao, os quais nao 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 referencia adotado, isto é, a grade gerada através do algortimo de interpolaçao IQD (análise entre grades).O estudo comprova que o método proposto gera resultados que atendem a precisao do equipamento (multibeam), conforme o fabricante e também conforme especificaçoes da Organizaçao Internacional de Hidrografia (IHO) que preconizam 1% conforme a altura da lâmina d' água para a categoria de profundidades em questao, 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 interpolaçao para a estimativa de profundidades como na possibilidade de integraçao de diferentes variáveis de entrada para o treinamento da rede | - |
Formato: dc.format | xiv, 208f. : il., grafs., tabs. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Relação: dc.relation | Disponível em formato digital | - |
Palavras-chave: dc.subject | Sensoriamento remoto - Processamento de dados | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Modelagem geologica | - |
Palavras-chave: dc.subject | Teses | - |
Palavras-chave: dc.subject | T 526.98 | - |
Título: dc.title | Modelagem do relevo oceânico usando Redes Neurais Artificiais | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo |
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: