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 | Oliveira, Claiton de | - |
Autor(es): dc.contributor | Bugatti, Pedro Henrique | - |
Autor(es): dc.contributor | Oliveira, Claiton de | - |
Autor(es): dc.contributor | Sanches, Silvio Ricardo Rodrigues | - |
Autor(es): dc.contributor | Bugatti, Pedro Henrique | - |
Autor(es): dc.creator | Cruz, Luigi Freitas | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:10:26Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:10:26Z | - |
Data de envio: dc.date.issued | 2025-08-01 | - |
Data de envio: dc.date.issued | 2025-08-01 | - |
Data de envio: dc.date.issued | 2022-11-27 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/37670 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1090355 | - |
Descrição: dc.description | The advance of global warming is making severe weather events more and more frequent. Weather services are essential to ensure the safety of inhabitants of the area affected by weather events such as tornadoes, hurricanes and floods. The quality of weather forecasting depends heavily on the quality and quantity of weather data. A large part of the data collection happens through weather satellites. These devices provide real-time atmospheric data to meteorological centers. The recent development of machine learning algorithms to perform data analysis has surpassed several classic algorithms in several areas of activity. The data analysis currently performed in the meteorology area is heavily based on classical algorithms described by manually programmed rules. Machine learning-based data analysis methods have the potential to improve the quality and processing speed of this data. This work explores three techniques based on neural networks for the processing of data from geostationary meteorological satellites. Such techniques are compared with the methods currently used to determine the performance of the proposed methods. The techniques explored in this work are the interpolation of image sequences, colorization of grayscale images and generation of a precipitation map using only geostationary satellite data. | - |
Descrição: dc.description | O avanço do aquecimento global está tornando eventos climáticos severos cada vez mais frequentes. Serviços de meteorologia são essenciais para assegurar a segurança de habitantes da área afetada por eventos climáticos como tornados, furacões e inundações. A qualidade da previsão climática depende fortemente da qualidade e quantidade de dados meteorológicos. Uma grande parte da coleta desses dados acontece através de satélites meteorológicos. Estes equipamentos fornecem dados sobre a atmosfera em tempo real para centros de meteorologia. O recente desenvolvimento de algoritmos de aprendizado de máquina para realizar a análise de dados tem superado diversos algoritmos clássicos em diversas áreas de atuação. A análise de dados feita atualmente na área de meteorologia é fortemente baseada em algoritmos clássicos descritos por regras programadas manualmente. Métodos de análise de dados baseados em aprendizado em máquina tem o potencial de melhorar a qualidade e a velocidade de processamento desses dados. Este trabalho explora três técnicas baseadas em redes neurais para o processamento de dados de satélites meteorológicos geoestacionários. Tais técnicas são comparadas com os métodos atualmente utilizados para determinar o desempenho dos métodos propostos. As técnicas exploradas neste trabalho são a interpolação de sequências de imagens, colorização de imagens em tons de cinza e geração de um mapa de precipitação utilizando apenas dados de satélites geoestacionários. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Cornelio Procopio | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Engenharia da Computação | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | Attribution-NonCommercial-ShareAlike 4.0 International | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-sa/4.0/ | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Instrumentos meteorológicos | - |
Palavras-chave: dc.subject | Satélites | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Meteorological instruments | - |
Palavras-chave: dc.subject | Satellites | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Título: dc.title | Aplicação de técnicas de aprendizado de máquina em imagens de satélites meteorológicos | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
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: