Submitted by Maria Cristina (library@lncc.br) on 2015-09-25T19:05:07Z
No. of bitstreams: 1
thesis.pdf: 3598969 bytes, checksum: 03cf8e5a078613d707c68e89e449d6d3 (MD5) / Approved for entry into archive by Maria Cristina (library@lncc.br) on 2015-09-25T19:05:20Z (GMT) No. of bitstreams: 1
thesis.pdf: 3598969 bytes, checksum: 03cf8e5a078613d707c68e89e449d6d3 (MD5) / Made available in DSpace on 2015-09-25T19:05:31Z (GMT). No. of bitstreams: 1
thesis.pdf: 3598969 bytes, checksum: 03cf8e5a078613d707c68e89e449d6d3 (MD5)
Previous issue date: 2015-05-27 / Conselho Nacional de Desenvolvimento Cientifico e Tecnológico / In this thesis, the evolutionary computation algorithm known as Genetic Programming has been explored as an alternative tool for improving the ensemble forecast of rainfall amount. The efficiency of Genetic Programming to deal with the problem of ensemble forecast of rainfall amount was confirmed on three artificial experiments. The work continued with the application of the evolutionary algorithms on some real-world data sets over south, southeast and central parts of Brazil during the period from October to February of 2008 to 2013. According to the results, Genetic Programming obtained a higher performance relative to two traditional statistical methods, reaching mean
errors 27-49% lower than simple mean and the MASTER Super Model Ensemble
System. In addition, the results revealed that the evolutionary algorithms
outperformed the best individual forecasts, achieving an improvement of 30%.
On the other hand, the evolutionary algorithms had a performance similar to the
Bayesian Model Averaging technique, but the former are methods far more versatile. In general, the real and artificial experiments showed the potential of Genetic Programming and suggest that further research on the improvement of the technique is needed. / Na presente tese de doutorado, o algoritmo da computação evolutiva conhecido por Programação Genética foi explorado como ferramenta alternativa para o aperfeiçoamento da previsão quantitativa de chuva por conjunto. A aplicabilidade da Programação Genética no problema de previsão quantitativa de chuva por conjunto foi confirmada em três experimentos controlados. O trabalho seguiu com a aplicação dos algoritmos evolutivos sobre algumas bases de dados reais referentes a localidades situadas no sul, sudeste e parte do centro-oeste do Brasil durante o período de outubro a fevereiro de 2008-2013. Os resultados
evidenciaram a superioridade da Programação Genética frente aos métodos estatísticos tradicionais: média simples e MASTER Super Model Ensemble System, com erros médios da ordem de 27-49% menores. Ademais, a previsão por conjunto via algoritmos evolutivos ofereceu previsões consideravelmente mais acuradas que as melhores previsões obtidas individualmente, chegando a uma melhora de 30%. Por outro lado, os algoritmos evolutivos apresentaram desempenho equivalente à técnica Bayesian Model Averaging, mas os primeiros são métodos bem mais versáteis. De maneira geral, os experimentos baseados em dados reais e artificiais revelaram a potencialidade da Programação Genética, e encorajam o seu aprimoramento para o problema de previsão quantitativa de chuva por conjunto.
Identifer | oai:union.ndltd.org:IBICT/oai:tede-server.lncc.br:tede/214 |
Date | 27 May 2015 |
Creators | Dufek, Amanda Sabatini |
Contributors | Dias, Pedro Leite da Silva, Augusto, Douglas Adriano, Barbosa, Helio José Corrêa, Ferreira, Nelson Jesus, Coelho, Caio Augusto dos Santos, Fragoso, Marcelo Dutra, Porto, Fábio André Machado |
Publisher | Laboratório Nacional de Computação Científica, Programa de Pós-Graduação em Modelagem Computacional, LNCC, Brasil, Serviço de Análise e Apoio a Formação de Recursos Humanos |
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 LNCC, instname:Laboratório Nacional de Computação Científica, instacron:LNCC |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0016 seconds