Resumo: A influência da chuva nas diversas áreas da atividade humana torna indispensável o seu monitoramento. A maioria das precipitacções pode ser classificada em dois grupos: sistemas convectivos e estratiformes. Os sistemas estratiformes são caracterizados por chuvas leves e moderadas e grande área de cobertura. Já os convectivos estão associados com altas taxas de precipitação. Devido às acentuadas diferenças que existem entre os dois sistemas, ser capaz de classificálos contribui para a melhora da estimativa de precipitação. Além disso, a classificação torna possível também a identificação, previsão e acompanhamento de tempestades severas (sistemas convectivos), resultados que podem ainda ser utilizados nos alertas de temporais, nchentes e inundações, com aplicações diretas em diversas áreas da atividade humana (energia, agricultura, turismo, defesa civil, entre outros). Tudo isso justifica a necessidade de um critério para separar e classificar os diferentes tipos de chuva que podem ocorrer na região de abrangência do radar. O objetivo deste trabalho é classificar os sistemas meteorológicos em convectivo ou estratiforme, de acordo com as características peculiares a cada evento. Para tanto, duas técnicas são aplicadas. A primeira é um método de reconhecimento de padrões, o chamado Support Vector Machine (SVM), técnica que, a partir de dados previamente classificados, cria um hiperplano separador entre as classes, através do qual novos dados podem ser classificados. Assumindo como padrão imagens de radar classificadas por especialista, os resultados obtidos pelo método apresentam um maior índice de acerto, quando comparados com as soluções obtidas por uma técnica de separação da chuva já existente. O segundo método bordado é uma técnica de análise de agrupamentos, o K-means, que classifica um conjunto de dados em um determinado número de grupos, baseado na similaridade ou dissimilaridade entre os dados. Em relação á classificação feita pelo especialista, o SVM apresenta melhores resultados. Porém, o K-means mostra resultados melhores quando a comparação é feita com a técnica de classificação já existente na literatura. Além disso, o K-means mostrou-se mais eficiente com relação a tempo de execução, e possui a vantagem de não necessitar de dados previamente classificados, já que a classificação, neste caso, é muito subjetiva. Quando a comparação é feita entre as duas técnicas propostas, observa-se que mais de 85% dos dados obtiveram a mesma classificação.
| Identifer | oai:union.ndltd.org:IBICT/oai:dspace.c3sl.ufpr.br:1884/26996 |
| Date | 11 May 2012 |
| Creators | Damian, Eloá Alano |
| Contributors | Silva, Arinei Carlos Lindbeck da, 1960-, Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduaçao em Métodos Numéricos em Engenharia |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFPR, instname:Universidade Federal do Paraná, instacron:UFPR |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0018 seconds