Submitted by CÍCERO MANOEL DOS SANTOS null (ciceromanoel2007@gmail.com) on 2016-04-05T16:44:35Z
No. of bitstreams: 1
Tese_FINAL.pdf: 8502485 bytes, checksum: 26494d2583b4a89dbd92a2f0a37703b8 (MD5) / Approved for entry into archive by Juliano Benedito Ferreira (julianoferreira@reitoria.unesp.br) on 2016-04-07T19:37:27Z (GMT) No. of bitstreams: 1
santos_cm_dr_bot.pdf: 8502485 bytes, checksum: 26494d2583b4a89dbd92a2f0a37703b8 (MD5) / Made available in DSpace on 2016-04-07T19:37:27Z (GMT). No. of bitstreams: 1
santos_cm_dr_bot.pdf: 8502485 bytes, checksum: 26494d2583b4a89dbd92a2f0a37703b8 (MD5)
Previous issue date: 2016-03-04 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / A irradiação direta na incidência normal (Hb) possui papel importante no manejo de culturas agrícolas, na utilização como fonte de energia renovável e na modelagem atmosférica. Apesar de sua importância em diferentes áreas, medidas pontuais de Hb não são facilmente disponíveis nos centros de pesquisas, devido ao elevado custo de exportação dos sensores e suas manutenções periódicas. Os modelos estatísticos têm sido desenvolvidos e utilizados para estimativa de Hb nos locais onde não são monitorados. Estes modelos, normalmente, utilizam a Hg como variável de entrada, pois é a variável mais comumente medida em estações solarimétricas. Os modelos estatísticos correlacionam à fração transmitida da irradiação direta na incidência normal (ktb) com transmissividade atmosférica (kt) ou com a razão de insolação (n/N). Recentemente as técnicas de Aprendizado de Máquinas foram inseridas para estimativa de Hb. Teoricamente, são técnicas que apresentam alto desempenho na estimativa de modelos e gerar valores estimados mais precisos de Hb que os modelos estatísticos. O trabalho está divido em 4 capítulos divididos da seguinte forma. Capítulo 1: Propor a utilização da técnica Máquina de Vetor de Suporte – SVM e da Redes Neurais Artificiais para estimativa de Hb e comparar com os modelos estatísticos, testando diferentes variáveis de entrada, . Capítulo 2: Comparar a SVM com os modelos estatísticos. Capítulo 3: Comparar Rede Neural Artificial – RNA com os modelos estatísticos, utilizando o algoritmo Backpropagation. Capítulo 4: Modelagem da turbidez atmosférica de Linke com Hb. A fração transmitida de Hb (ktb) é modelada para obter Hb. Para treinamento e validação dos modelos é utilizado um banco de dados de 13 anos (1996 – 2008), medidos na estação radiométrica localizada na Faculdade de Ciências Agronômicas – FCA/UNESP (22,85°S; 48,45°W e 786m). Foram testadas diferentes variáveis de entrada para verificar qual a melhor na estimava dos modelos. Os índices estatísticos: MBE, rMBE, RMSE, rRMSE, d de Willmott e o erro percentual (%) são utilizados para validar os modelos. Os modelos foram propostos e avaliados nas partições de tempo: horária e diária. Os resultados mostraram que os modelos estatísticos estimam Hb com resultados (20% ≤ rRMSE < 30%). Os modelos propostos (SVM e RNA) geram resultados melhores que os modelos estatísticos e são indicados para estimativa de Hb (rRMSE < 20%). O modelo da SVM estima Hb melhor que RNA, por isso seu uso é tido como a primeira escolha entre os modelos. / The direct irradiation at normal incidence (Hb) is an important role in the management of crops, in the use as a renewable energy source and atmospheric modeling. Despite its importance in different areas, specific measures Hb are not readily available in research centers, due to the high cost of exporting the sensors and periodic maintenance of the sensors. Statistical models have been developed and used to estimate Hb in places where they are not monitored. These models usually use the Hg as input variable, as is the variable most commonly measured in solarimetric stations. Statistical models correlate to the fraction transmitted at Hb (ktb) with atmospheric transmissivity (kt) or insolation ratio (n/N). Recently the Machine Learning techniques (ML) were inserted for estimation of Hb. Theoretically, these techniques have greater capacity to model and generate more precise values of Hb that statistical models. The work is divided into four chapters divided as follows. Chapter 1: To propose the use of Support Vector Machine (SVM) and Artificial Neural Networks (ANN) technical to estimate Hb and compare the statistical models, testing different input variables. Chapter 2: To compare the SVM with the statistical models. Chapter 3: To compare Artificial Neural Network ANN) with statistical models using the backpropagation algorithm. Chapter 4: Modeling of atmospheric turbidity Linke with Hb. The ktb is modeled for get indirectly Hb. The validation methodology of the models with typical and atypical year is adopted and evaluated. It used a database of 13 years data (1996-2008), measured in radiometric station located at the Faculty of Agricultural Sciences - FCA/UNESP (22.85° S, 48.45° W and 786m. Different input variables are tested in the models to see if the estimate is improving. The variables used are: Hb, Hg, solar insolation (n), air temperature and relative humidity the other variables were obtained by mathematical equations. Statistical indices: MBE, rMBE, RMSE, rRMSE, d Willmontt and percent error (%) are used to validate the models. The models are proposed and evaluated in time: hourly and daily partitions. The results show that the statistical models estimate Hb with acceptable results (rRMSE ≤ 20% <30%). The proposed models (SVM and ANN) generate better results than the statistical models and are suitable for estimation of Hb (rRMSE <20%). The model of SVM estimates Hb better than ANN, so its use is considered the first choice among the models. / CNPq: 140104/2013-5
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.unesp.br:11449/137832 |
| Date | 04 March 2016 |
| Creators | Santos, Cícero Manoel dos [UNESP] |
| Contributors | Universidade Estadual Paulista (UNESP), Escobedo, João Francisco [UNESP] |
| Publisher | Universidade Estadual Paulista (UNESP) |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Repositório Institucional da UNESP, instname:Universidade Estadual Paulista, instacron:UNESP |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 600, 600 |
Page generated in 0.0028 seconds