Spelling suggestions: "subject:"espaçotemporal"" "subject:"espaçostempos""
1 |
O zooplâncton da laguna hipersalina de Araruama (RJ) com ênfase na biologia de Oithona oswaldocruzi Oliveira, 1945 (Cyclopoida, Copepoda)Rodrigues , Claudia Leal 14 December 1998 (has links)
Submitted by Alberto Vieira (martins_vieira@ibest.com.br) on 2018-05-24T18:20:50Z
No. of bitstreams: 1
278148.pdf: 9125580 bytes, checksum: 862e99d463533276f40617d6a6808f1f (MD5) / Made available in DSpace on 2018-05-24T18:20:50Z (GMT). No. of bitstreams: 1
278148.pdf: 9125580 bytes, checksum: 862e99d463533276f40617d6a6808f1f (MD5)
Previous issue date: 1998-12-14 / CAPES / A laguna de Araruama, localizada no estado do Rio de Janeiro, com 220 Km2, tem uma
grande importância ecológica e sócio econômica. É a maior laguna hipersalina do mundo
em regime permanente. Sua estreita comunicação com o mar, sua fraca profundidade e as
condições climáticas explicam a sua hipersalinidade constante (>50). A interferência
antrópica crescente é um dos seus principais problemas. A fim de analisar a composição
zooplanctônica e sua variação espaço-temporal ao longo de um ano, foram coletadas
amostras a cada 16 dias, em dez estações na laguna. Temperatura, salinidade e
transparência da água foram medidas simultaneamente. A variação diária do zooplâncton
foi avaliada através de coletas em diferentes horários durante dois períodos, em uma
estação fixa (07-09/09/93 e 07-10/04/95). Os resultados revelam a predominância de um
zooplâncton de baixa diversidade e de pequeno porte, composto principalmente pela
espécie eurihalina de copépode Oithona oswaldocruzi e larvas de bivalve. Os demais
organismos holoplanctônicos, raramente encontrados, não devem reproduzir-se dentro da
laguna. O.oswaldocruzi completa seu ciclo vital, estando adaptada às condições
estressantes do meio. Copépodes e larvas de bivalve apresentam um máximo de
abundância entre setembro e novembro, além de picos menores. A porcentagem de femeas... / The Araruama Lagoon, located in the state of Rio de Janeiro, measuring 220 Km2, has a
great ecological and socio-economic importance. It is the largest permanent hypersaline
lagoon in the world. Its constant hypersalinity can be explained by its narrow
communication with the ocean, its shallowness, and the climate conditions. The increasing
anthropic influence is one of its main problems. ln order to analyze the zooplankton
composition and its spatial and temporal variations during one annual cycle, the samples
were taken every 16 days, during 1994, in 10 stations in the lagoon. Simultaneously,
temperature, salinity and transparency of water were measured. The daily variation of the
zooplankton was analyzed by drags in different hours of the day in two periods, from
November 7th to 9th 1993, and April 7th to 10th 1995. The results revealed the predominance
of a zooplankton of small size and low diversity, composed basically of the eurihaline
specie of copepod called Oithona oswaldocruzi and bivalve larvae. The other
holoplanktonics organisms rarely found, may not reproduce in the lagoon. The
O.oswaldocruzi is able to complete its life cycle, suggesting that it is adapted to the
stressing conditions of the environment. The greatest abundance of copepods and bivalve
larvae happens from September to November. The percentage of females...
|
2 |
Algoritmo para a extração incremental de sequências relevantes com janelamento e pós-processamento aplicado a dados hidrográficosSilveira Junior, Carlos Roberto 07 June 2013 (has links)
Made available in DSpace on 2016-06-02T19:06:09Z (GMT). No. of bitstreams: 1
5554.pdf: 2294386 bytes, checksum: ce6dc6cd7128337c0533ddd23c0bc601 (MD5)
Previous issue date: 2013-06-07 / The mining of sequential patterns in data from environmental sensors is a challenging task: the data may show noise and may also contain sparse patterns that are difficult to detect. The knowledge extracted from environmental sensor data can be used to determine climate change, for example. However, there is a lack of methods that can handle this type of database. In order to reduce this gap, the algorithm Incremental Miner of Stretchy Time Sequences with Post-Processing (IncMSTS-PP) was proposed. The IncMSTS-PP applies incremental extraction of sequential patterns with post-processing based on ontology for the generalization of the patterns. The post-processing makes the patterns semantically richer. Generalized patterns synthesize the information and makes it easier to be interpreted. IncMSTS-PP implements the Stretchy Time Window (STW) that allows stretchy time patterns (patterns with temporal intervals) are mined from bases that have noises. In comparison with GSP algorithm, IncMSTS-PP can return 2.3 times more patterns and patterns with 5 times more itemsets. The post-processing module is responsible for the reduction in 22.47% of the number of patterns presented to the user, but the returned patterns are semantically richer. Thus, the IncMSTS-PP showed good performance and mined relevant patterns showing, that way, that IncMSTS-PP is effective, efficient and appropriate for domain of environmental sensor data. / A mineração de padrões sequenciais em dados de sensores ambientais é uma tarefa desafiadora: os dados podem apresentar ruídos e podem, também, conter padrões esparsos que são difíceis de serem detectados. O conhecimento extraído de dados de sensores ambientais pode ser usado para determinar mudanças climáticas, por exemplo. Entretanto, há uma lacuna de métodos que podem lidar com este tipo de banco de dados. Com o intuito de diminuir esta lacuna, o algoritmo Incremental Miner of Stretchy Time Sequences with Post- Processing (IncMSTS-PP) foi proposto. O IncMSTS-PP aplica a extração incremental de padrões sequencias com pós-processamento baseado em ontologia para a generalização dos padrões obtidos que acarreta o enriquecimento semântico desses padrões. Padrões generalizados sintetizam a informação e a torna mais fácil de ser interpretada. IncMSTS-PP implementa o método Stretchy Time Window (STW) que permite que padrões de tempo elástico (padrões com intervalos temporais) sejam extraídos em bases que apresentam ruídos. Em comparação com o algoritmo GSP, o IncMSTS-PP pode retornar 2,3 vezes mais sequencias e sequencias com 5 vezes mais itemsets. O módulo de pós-processamento é responsável pela redução em 22,47% do número de padrões apresentados ao usuário, porém os padrões retornados são semanticamente mais ricos, se comparados aos padrões não generalizados. Assim sendo, o IncMSTS-PP apresentou bons resultados de desempenho e minerou padrões relevantes mostrando, assim, que IncMSTS-PP é eficaz, eficiente e apropriado em domínio de dados de sensores ambientais.
|
Page generated in 0.0344 seconds