
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 | Cataldi, Marcio | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/7262670454819823 | - |
| Autor(es): dc.contributor | Ribeiro, Eric Miguel | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/1736258493456100 | - |
| Autor(es): dc.contributor | Salcedo, Ivanovich Lache | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/8256390172821118 | - |
| Autor(es): dc.contributor | Vale, Fernanda Silva do | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/9694882430026234 | - |
| Autor(es): dc.creator | Almeida, Gabriel Lucas Monteiro de | - |
| Data de aceite: dc.date.accessioned | 2024-07-11T18:37:13Z | - |
| Data de disponibilização: dc.date.available | 2024-07-11T18:37:13Z | - |
| Data de envio: dc.date.issued | 2023-11-15 | - |
| Data de envio: dc.date.issued | 2023-11-15 | - |
| Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/31121 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/774080 | - |
| Descrição: dc.description | Este estudo tem seu propósito na exploração da aplicabilidade de metodologias de aprendizagem de máquina para correção da previsão de precipitação por modelos atmosféricos no Brasil. Embora os modelos disponíveis na atualidade sejam de alta qualidade, as incertezas nas suas soluções estarão sempre presentes. Atribuída a devida importância que os fenômenos de precipitação representam para a segurança nacional e matriz energética, uma possível otimização da saída dos modelos promoveria melhor planejamento e gerenciamento do recurso para a sociedade. Com tal proposta, a aprendizagem de máquina se mostra com potencial relevante para aplicação, visto que os modelos pleiteados neste estudo são treinados com base em um banco de dados composto pelo histórico de previsão em confronto com a precipitação realizada. Dessa forma, o presente trabalho aborda dois estudos de caso na região Sudeste do Brasil, tendo sua razão na tentativa de reduzir os erros e as incertezas provenientes da previsão de precipitação através de Redes Neurais Artificiais Multilayer Perceptron, Árvores de Decisão e Extreme Gradient Boosting tanto em nível de bairro (presentes em Niterói) quanto em nível sub-bacia (sub-bacia de Furnas) | - |
| Descrição: dc.description | This study has its purpose in the exploration of the applicability of machine learning methodologies for correcting the precipitation forecast from different atmospheric models in Brazil. Even though the currently available models promote high-quality forecasts, there will always be uncertainties in their solutions. Given the relevance that the precipitation events represent for national security and the energy grid, a possible optimization of the model’s output could promote better planning and resource management in society. Following this proposal, machine learning shows great application potential, since the models under consideration have their training based on a database populated with the historical forecast together with the actual precipitation values. Therefore, the present work approaches two study cases in the Southeast region of Brazil, intending to reduce errors and uncertainties promoted by the precipitation forecast using Multilayer Perceptron Neural Networks, Decision Trees, and Extreme Gradient Boosting at a neighborhood level (present in Niterói) as well as in a basin level (Furnas) | - |
| Descrição: dc.description | 70 p. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Direitos: dc.rights | Open Access | - |
| Direitos: dc.rights | CC-BY-SA | - |
| Palavras-chave: dc.subject | Chuva | - |
| Palavras-chave: dc.subject | Rede neural | - |
| Palavras-chave: dc.subject | Árvores de decisão | - |
| Palavras-chave: dc.subject | XGBoost | - |
| Palavras-chave: dc.subject | Aprendizado de máquina | - |
| Palavras-chave: dc.subject | Clima | - |
| Palavras-chave: dc.subject | Rede neural | - |
| Palavras-chave: dc.subject | Rain | - |
| Palavras-chave: dc.subject | Neural network | - |
| Palavras-chave: dc.subject | Decision trees | - |
| Título: dc.title | Estudo exploratório das aplicações de metodologias de aprendizagem de máquina para correção das previsões de precipitação de modelos atmosféricos | - |
| Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF | |
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: