Use este identificador para citar ou linkar para este item:
http://ri.ufmt.br/handle/1/3409
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | Guarienti, César Eduardo | - |
dc.date.accessioned | 2022-07-19T17:40:17Z | - |
dc.date.available | 2020-02-18 | - |
dc.date.available | 2022-07-19T17:40:17Z | - |
dc.date.issued | 2020-02-18 | - |
dc.identifier.citation | GUARIENTI, César Eduardo. Modelagem da temperatura do ar em transecto urbano utilizando LSTM. 2020. 90 f. Tese (Doutorado em Física Ambiental) - Universidade Federal de Mato Grosso, Instituto de Física, Cuiabá, 2020. | pt_BR |
dc.identifier.uri | http://ri.ufmt.br/handle/1/3409 | - |
dc.description.abstract | In cities there is a process of storing heat during the day and returning that heat to the atmosphere at night. Thus, it is necessary to understand how the temperature changes in time and space to provide information for decision making. Therefore, this research aimed to predict the temperature of the use of the Recurrent Neural Network, type LSTM (Long-Short Term Memory). Used as input data for the Neural Network, environmental and soil cover variables, collected in the night mobile project in the city of Cuiabá-MT, in the year 2011 and 2016, separated by seasons: winter, autumn, spring and summer. The preparation of data for use of the LSTM was applied to a distance calculation that considers a temporal and spatial issue. To predict air temperature, various combinations of LSTM parameters and 2011 data were tested and used for the 2016 forecast, and with these models created. To validate the tests and compare real data with data, the Coe cient of Determination (R²) and Mean Square Quadratic Error (RMSE) were used as statistics. The results obtained with an R² greater than 0.9, in most of the tests, point to the feasibility of using LSTM for forecasting time-space series. It is possible to conclude that the LSTM model was able to predict the temperature in 2016 and similar for the year 2021. | pt_BR |
dc.description.provenance | Submitted by Nádia Paes (nadia66paes@gmail.com) on 2022-03-25T13:54:35Z No. of bitstreams: 1 TESE_2020_César Eduardo Guarienti.pdf: 3114417 bytes, checksum: 6ae7557bc8f8fd48e12d8697a89e9d0e (MD5) | en |
dc.description.provenance | Approved for entry into archive by Carlos Eduardo da Silveira (carloseduardoufmt@gmail.com) on 2022-07-19T17:40:17Z (GMT) No. of bitstreams: 1 TESE_2020_César Eduardo Guarienti.pdf: 3114417 bytes, checksum: 6ae7557bc8f8fd48e12d8697a89e9d0e (MD5) | en |
dc.description.provenance | Made available in DSpace on 2022-07-19T17:40:17Z (GMT). No. of bitstreams: 1 TESE_2020_César Eduardo Guarienti.pdf: 3114417 bytes, checksum: 6ae7557bc8f8fd48e12d8697a89e9d0e (MD5) Previous issue date: 2020-02-18 | en |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Mato Grosso | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.title | Modelagem da temperatura do ar em transecto urbano utilizando LSTM | pt_BR |
dc.type | Tese | pt_BR |
dc.subject.keyword | Dados ambientais | pt_BR |
dc.subject.keyword | Predição de temperatura | pt_BR |
dc.subject.keyword | Redes neurais recorrentes | pt_BR |
dc.subject.keyword | Deep learning | pt_BR |
dc.subject.keyword | Séries espaço-temporais | pt_BR |
dc.contributor.advisor1 | Gomes, Raphael de Souza Rosa | - |
dc.contributor.advisor-co1 | Figueiredo, Josiel Maimone de | - |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/1242386923227672 | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/7352154839166198 | pt_BR |
dc.contributor.referee1 | Gomes, Raphael de Souza Rosa | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/7352154839166198 | pt_BR |
dc.contributor.referee2 | Figueiredo, Josiel Maimone de | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/1242386923227672 | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/2741922946406279 | pt_BR |
dc.description.resumo | Nas cidades existe um processo de armazenamento de calor durante o dia e devolução para atmosfera desse calor durante a noite. Dessa forma, é necessário compreender como ocorrem as modi cações de temperatura do ar ao longo do tempo e espaço para fornecer informações para tomada de decisão. Assim sendo, esta pesquisa teve como objetivo fazer a predição da temperatura do ar utilizando Rede Neural Recorrente, do tipo Long-Short Term Memory (LSTM). Utilizou-se como dados de entrada para Rede Neural variáveis ambientais e de cobertura do solo, coletadas em transecto móvel noturno na cidade de Cuiabá-MT no ano de 2011 e 2016, separados por estação: inverno, outono, primavera e verão. Na preparação de dados para uso da LSTM foi aplicado cálculo de distância que considerou a questão temporal e espacial. Para prever a temperatura do ar foram testadas várias combinações de parâmetros da LSTM e dados de 2011 foram utilizados para prever 2016, e com isso foram criados modelos. Para validar os testes e comparar dados reais com dados previstos foram utilizadas as estatísticas Coe ciente de Determinação (R²) e Root Mean Squared Error (RMSE). Os resultados obtidos com R² superiores a 0,9, em grande parte dos testes, apontam para viabilidade do uso de LSTM para previsão em séries espaço-temporais. É possível concluir que o modelo LSTM foi capaz de prever a temperatura do ar em 2016 e simular para o ano de 2021. | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Instituto de Física (IF) | pt_BR |
dc.publisher.initials | UFMT CUC - Cuiabá | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Física Ambiental | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA | pt_BR |
dc.subject.keyword2 | Environmental data | pt_BR |
dc.subject.keyword2 | Temperature prediction | pt_BR |
dc.subject.keyword2 | Recurrent neural networks | pt_BR |
dc.subject.keyword2 | Deep learning | pt_BR |
dc.subject.keyword2 | Space-time series | pt_BR |
dc.contributor.referee3 | Bonfante, Andreia Gentil | - |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/2344534353246082 | pt_BR |
dc.contributor.referee4 | Musis, Carlo Ralph de | - |
dc.contributor.referee4Lattes | http://lattes.cnpq.br/2229878954372934 | pt_BR |
dc.contributor.referee5 | Nunes, Clodoaldo | - |
dc.contributor.referee5Lattes | http://lattes.cnpq.br/7553637577422780 | pt_BR |
dc.contributor.referee6 | Novais, Jonathan Willian Zangeski | - |
dc.contributor.referee6ID | 016.698.881-26 | pt_BR |
dc.contributor.referee6Lattes | http://lattes.cnpq.br/5665663207008673 | pt_BR |
Aparece na(s) coleção(ções): | CUC - IF - PPGFA - Teses de doutorado |
Arquivos deste item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
TESE_2020_César Eduardo Guarienti.pdf | 3.04 MB | Adobe PDF | Ver/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.