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 | Marone, Eduardo | - |
Autor(es): dc.contributor | Faller, Daiane Gracieli | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Centro de Estudos do Mar. Curso de Graduação em Oceanografia | - |
Autor(es): dc.creator | Borato, Luana, 1996- | - |
Data de aceite: dc.date.accessioned | 2019-08-22T00:18:59Z | - |
Data de disponibilização: dc.date.available | 2019-08-22T00:18:59Z | - |
Data de envio: dc.date.issued | 2019-08-09 | - |
Data de envio: dc.date.issued | 2019-08-09 | - |
Data de envio: dc.date.issued | 2018 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/62346 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/62346 | - |
Descrição: dc.description | Orientadora : Daiane Gracieli Faller | - |
Descrição: dc.description | Orientador: Eduardo Marone | - |
Descrição: dc.description | Monografia (graduação) - Universidade Federal do Paraná, Setor Reitoria, Curso de Graduação em Oceanografia | - |
Descrição: dc.description | Inclui referências | - |
Descrição: dc.description | As flutuações do nível relativo do mar representam um dos maiores impactos na dinâmica da zona costeira, em particular, em função das mudanças climáticas. Nesse cenário, previsões robustas da maré meteorológica e ressacas são importantes para a resiliência e adaptação dessas áreas e das pessoas que vivem e dependem desse ambiente. Neste trabalho, foi testado um modelo numérico baseado em redes neurais artificiais (RNA), com o objetivo de avaliar diferentes arquiteturas de rede e métodos de treinamento de uma RNA de múltiplas camadas (multilayer percetron – MLP) através de simulações para prever uma série histórica (hindcast) de maré meteorológica na região de Cananéia (São Paulo). O processamento dos dados envolveu a extração da maré astronômica usando o filtro de Godin (1972), o cálculo das componentes e da tensão de cisalhamento do vento e, a interpolação de dados faltantes na série de dados meteorológicos. A RNA-MLP foi treinada usando uma série temporal de quatro anos (2003-2006), com os dados de maré da região de Cananéia (São Paulo) e os dados meteorológicos de duas fontes distintas: estação meteorológica de Pontal do Sul (Paraná) e de reanálise disponibilizados pelo National Centers for Environmental Prediction (NCEP) Climate Forecast System Reanalysis (CFSR). Para o treinamento das redes, além de diferentes arquiteturas também foram testados três algoritmos de treinamento: gradiente descendente, gradiente descendente com aprendizado adaptativo e Levenberg-Marquardt. A comparação entre as séries previstas e observadas foi feita através do coeficiente de correlação (R), da raiz quadrada do erro quadrático médio (RMSE) e do erro médio absoluto (MAE). Dentre os 23328 testes realizados, a melhor arquitetura de rede obteve R igual à 0,96, RMSE igual à 0,11 cm e MAE igual à 8,32 cm. O método de treinamento que apresentou melhor desempenho foi o de Levenberg-Marquadt seguido do método do gradiente descendente com aprendizado adaptativo. O modelo mais satisfatório desenvolvido nesse trabalho apresentou uma melhora de 9,3% na previsão do nível do mar quanto comparado ao método harmônico. | - |
Formato: dc.format | 85f. : Il., maps., tabs. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Título: dc.title | Uso de redes neurais artificiais para previsão das flutuações do nível do mar em Cananéia, São Paulo, Brasil | - |
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: