Submitted by Marta Toyoda (1144061@mackenzie.br) on 2018-10-09T18:48:03Z
No. of bitstreams: 2
Andre Luiz Garcia Pereira.pdf: 3744578 bytes, checksum: a771cb04ee2c242cc6b35d79cfdc34ff (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Paola Damato (repositorio@mackenzie.br) on 2018-10-17T18:19:38Z (GMT) No. of bitstreams: 2
Andre Luiz Garcia Pereira.pdf: 3744578 bytes, checksum: a771cb04ee2c242cc6b35d79cfdc34ff (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-10-17T18:19:38Z (GMT). No. of bitstreams: 2
Andre Luiz Garcia Pereira.pdf: 3744578 bytes, checksum: a771cb04ee2c242cc6b35d79cfdc34ff (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Previous issue date: 2018-08-20 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / The Submillimeter Solar Telescope (SST) operates simultaneously and independently with a
multibeam focal array at 212 and 405 GHz. Since 1999, the SST daily monitors in different
modes of observation the solar activity generating binary files from which solar maps can be
extracted. The identification of Active Regions in these maps is affected by the strong
atmospheric attenuation and inaccuracies of the telescope's pointing, therefore, maps are
visually inspected to manually extract the Active Regions. This is a lengthy process for
performing a statistical analysis over the 20-year data set already recorded. To automatize the
process artificial intelligence techniques of machine learning and computer vision were
proposed. A Convolutional Neural Network was created within the Keras framework for the
classification of the SST maps and then, a computer vision algorithm in the OpenCV framework
was used for the automatic detection of ARs. This hybrid approach allowed the identification
of more than 400 active regions between January 2002 and December 2017 and their physical
properties were statistically analysed. The results were validated comparing with previous
works which were carried out with a visual identification and manual extraction procedure, and
a good agreement was found. Moreover, we present for the first time, evidence of a positive
correlation between the brightness temperature at 212 GHz and the flux density at 2.8 GHz (the
S component) along the solar cycle. / O Telescópio Solar Submilimétrico (SST) opera simultaneamente e de forma independente,
com uma matriz focal multifeixe em 212 e 405 GHz. Desde 1999, o SST monitora diariamente
em diferentes modos de observação a atividade solar gerando arquivos binários dos quais mapas
solares podem ser extraídos. A identificação de Regiões Ativas nesses mapas é afetada pela
forte atenuação atmosférica e imprecisões dos apontamentos do telescópio, portanto, os mapas
são visualmente inspecionados para extração manual as Regiões Ativas. Este é um processo
demorado para a realização de uma análise estatística ao longo do conjunto de dados de 20 anos
já registrado. Para automatizar o processo, foram propostas técnicas de inteligência artificial de
aprendizado de máquina e de visão computacional. Uma Rede Neural Convolucional foi criada
dentro do framework Keras para a classificação dos mapas SST e, em seguida, um algoritmo
de visão computacional no framework OpenCV para a detecção automática das Regiões Ativas.
Esta abordagem híbrida permitiu a identificação de mais de 400 Regiões Ativas entre janeiro
de 2002 e dezembro de 2017 e a análise estatística de suas propriedades físicas. Os resultados
foram validados a partir da comparação com trabalhos anteriores, que foram realizados com um
procedimento de identificação visual e extração manual, e foi encontrada boa concordância.
Além destes resultados, mostramos pela primeira vez evidências de uma correlação positiva
entre a temperatura de brilho em 212 GHz e o fluxo em 2.8 GHz (componente S).
| Identifer | oai:union.ndltd.org:IBICT/oai:tede.mackenzie.br:tede/3691 |
| Date | 20 August 2018 |
| Creators | Pereira, André Luiz Garcia |
| Contributors | Castro, Carlos Guillermo Giménez de, Correia, Emilia, Silva, Luciano, Dal Lago, Alisson, Costa, Joaquim Eduardo Rezende |
| Publisher | Universidade Presbiteriana Mackenzie, Ciências e Aplicações Geoespaciais, UPM, Brasil, Escola de Engenharia Mackenzie (EE) |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações do Mackenzie, instname:Universidade Presbiteriana Mackenzie, instacron:MACKENZIE |
| Rights | http://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess |
Page generated in 0.0025 seconds