Teses e Dissertações

	
		mtc-m21d.sid.inpe.br 808
		{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}
		8JMKD3MGP3W34T/4C258L5
		sid.inpe.br/mtc-m21d/2024/09.06.13.26
		2025:02.11.14.17.46 urlib.net/www/2021/06.04.03.40 simone
		sid.inpe.br/mtc-m21d/2024/09.06.13.26.35
		2025:02.21.16.30.17 urlib.net/www/2021/06.04.03.40 simone {D 2025}
		INPE-18933-TDI/3514
		Eras:2025:MoTuBa
		
		Turbulence modeling based on Taylor's theory for INPE's BAM model
		CAP-COMP-DIPGR-INPE-MCTI-GOV-BR
		2025
		2024-08-30
		Tese (Doutorado em Computação Aplicada)
		TDI
		256
		2
		17471 KiB
		Eras, Eduardo Rohde,
		Calheiros, Alan James Peixoto (presidente),
		Campos Velho, Haroldo Fraga de (orientador),
		Kubota, Paulo Yoshio (orientador),
		Reyes Fernandez, Julio Pablo,
		Mendes, Celso Luiz,
		Peixoto, Pedro da Silva,
		Kozakevicius, Alice de Jesus,
		eduardorohderas@gmail.com.br
		Instituto Nacional de Pesquisas Espaciais (INPE)
		São José dos Campos
		1
		turbulência atmosférica, camada limite planetária CLP, modelo atmosférico global BAM, parametrizações, G. I. Taylor, atmospheric turbulence, planetary boundary layer PBL, global atmospheric model BAM, parameterizations, G. I. Taylor.
		Neste trabalho, é implementada uma nova parametrização da turbulência da Camada Limite Planetária (CLP) baseada na teoria estatística de G. I. Taylor no Modelo Atmosférico global Brasileiro (BAM). A abordagem baseada na teoria de Taylor é uma parametrização de primeira ordem que já foi utilizada para simulação de dispersão de poluentes e para modelos atmosféricos regionais, e aqui está sendo utilizada pela primeira vez em um modelo meteorológico global. A nova parametrização traz uma expressão assintótica para o termo de difusividade turbulenta em três diferentes tipos de estratificação da CLP: estável, neutra e convectiva, além de uma formulação para o termo de contra-gradiente e um comprimento de mistura. Essa nova abordagem baseada na teoria de Taylor foi comparada com as três parametrizações da CLP presentes no modelo BAM  Holtslag-Boville, Bretherton-Park e Mellor-Yamada  por meio de simulações de previsão meteorológica de duas semanas baseadas em duas diferentes condições iniciais e posteriormente comparadas com os dados de reanálise do ERA5. A nova parametrização de primeira ordem da CLP baseada na teoria de Taylor obteve resultados competitivos com as parametrizações originais, destacando-se em alguns cenários como na previsão de precipitação na região amazônica. Também foi comparada a performance computacional de Taylor contra as demais parametrizações, obtendo um segundo lugar muito próximo à performance de Holtslag-Boville. Também o termo de contra-gradiente teve sua calibração validada para o modelo BAM e seus resultados se mostraram melhores na previsão em relação às simulações anteriores. O comprimento de mistura oriundo da parametrização de primeira ordem de Taylor foi testado junto à parametrização de segunda ordem de Mellor-Yamada e foi capaz de reproduzir resultados similares ao comprimento de mistura original, apresentando características dos resultados de Taylor observados em outros experimentos. ABSTRACT: In this work, a new turbulence parameterization for the Planetary Boundary Layer (PBL) based on the statistical theory of G. I. Taylor is implemented in the Brazilian global Atmospheric Model (BAM). This approach based on Taylors theory is a first-order parameterization that has already been used to simulate pollutant dispersion and also used at regional atmospheric models, here it is being used for the first time in a global meteorological model. The new parameterization brings an asymptotic expression for the turbulent diffusivity term for three different stratifications of PBL: stable, neutral and convective, in addition to a formulation for the countergradient term and a mixing length. This new approach based on Taylors theory was compared with the three current PBL parameterizations in the BAM model  Holtslag-Boville, Bretherton-Park and Mellor-Yamada  through two-week weather forecast simulations based on two different initial conditions, and subsequently compared with ERA5 reanalysis data. The new first-order PBL parameterization based on Taylors theory exhibited competitive results against the original parameterizations, standing out in some scenarios such as precipitation forecast at the Amazon region. Taylors computational performance was also compared against the other parameterizations, where Taylor obtained a second place very close to the HoltslagBoville performance. Also, the counter-gradient term had its calibration validated for the BAM model and its simulated forecast results performed better compared to previous simulations. The mixing length derived from Taylors first-order parameterization was tested within the Mellor-Yamadas second-order parameterization and it was able to reproduce similar results to the original mixing length, presenting some characteristics of Taylors results just like observed in other experiments.
		COMP
		pt
		publicacao.pdf
		eduardo.eras@inpe.br
		pubtc@inpe.br
		simone
		shown
		urlib.net/www/2023/12.20.03.45
		originalauthor yes
		allow from all
		not transferred
		urlib.net/www/2021/06.04.03.40.25
		8JMKD2USNNW34T/4CL6M65
		8JMKD3MGPCW/3F2PHGS
		8JMKD3MGPCW/46KUES5
		urlib.net/www/2021/06.04.03.40
		autorizacao.pdf .htaccess .htaccess2
		urlib.net/www/2021/06.04.03.40
		Kubota, Paulo Yoshio,
		Campos Velho, Haroldo Fraga de,
		http://mtc-m21d.sid.inpe.br/rep-/sid.inpe.br/mtc-m21d/2024/09.06.13.26
	
	
		mtc-m21d.sid.inpe.br 808
		{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}
		8JMKD2USNNW34T/4CASDEB
		sid.inpe.br/mtc-m21d/2024/10.30.14.12
		2025:01.08.18.28.36 urlib.net/www/2021/06.04.03.40 simone
		sid.inpe.br/mtc-m21d/2024/10.30.14.12.26
		2025:01.13.12.07.37 urlib.net/www/2021/06.04.03.40 administrator {D 2025}
		INPE-18914-TDI/3496
		Ferreira:2025:ChCoNo
		
		Caracterização de ruído colorido com aprendizado profundo para aplicações em física e astronomia
		CAP-COMP-DIPGR-INPE-MCTI-GOV-BR
		2025
		2024-08-23
		Tese (Doutorado em Computação Aplicada)
		TDI
		160
		2
		30026 KiB
		Ferreira, Luan Orion de Oliveira Baraúna,
		Shiguemori, Elcio Hideiti (presidente),
		Rosa, Reinaldo Roberto (orientador),
		Wuensche, Carlos Alexandre (orientador),
		Oliveira Filho, Irapuan Rodrigues de,
		Almeida, Ulisses Barres de,
		luanorion1@gmail.com
		Instituto Nacional de Pesquisas Espaciais (INPE)
		São José dos Campos
		1
		colored noise, machine learning, deep learning, radio astronomy, astrophysics, ruído colorido, aprendizado de máquina, aprendizado profundo, rádio astronomia, astrofísica.
		In this thesis, Deep Learning and Information Entropy approaches were employed to analyze and characterize one-dimensional (1D) and two-dimensional (2D) noise patterns in multidimensional data. A regression model was developed featuring a custom loss function based on the power law index, designed to accurately characterize colored noise (also called 1/fβ noise). This stochastic model addresses the need for a kind of "predictive characterization" based on the respective spectral domain, offering a detailed understanding of noise patterns in radio astronomy observations and long-regime temporal structures in physics. An optimized algorithm was also created for extracting multi-entropy characteristics from both 1D and 2D data. This tool is designed for application in physics, space science and astrophysics, demonstrating significant flexibility and potential for use in other scientific domains. A more specific application of this research is to enhance the interpretation of noise patterns in radio astronomy and contribute broadly to astrophysics by providing more robust methodologies based on machine learning models for data analysis and characterization. RESUMO: Nesta tese, abordagens de Deep Learning e Entropia da Informação foram empregadas para analisar e caracterizar padrões de ruído unidimensionais (1D) e bidimensionais (2D) em dados multidimensionais. Um modelo de regressão foi desenvolvido com uma função de perda personalizada baseada no índice da lei de potência, projetada para caracterizar com precisão o ruído colorido (também chamado de ruído 1/fβ). Este modelo estocástico aborda a necessidade de uma espécie de caracterização preditiva baseada no respectivo domínio espectral, oferecendo uma compreensão detalhada dos padrões de ruído em observações de rádio-astronomia e estruturas temporais de longo regime na física. Além disso, um algoritmo otimizado foi criado para extrair características de multientropia de dados 1D e 2D. Esta ferramenta é projetada para aplicação em física, ciência espacial e astrofísica, demonstrando flexibilidade significativa e potencial para uso em outros domínios científicos. Uma aplicação mais específica desta pesquisa é melhorar a interpretação dos padrões de ruído em rádio-astronomia e contribuir amplamente para o campo da astrofísica, fornecendo metodologias mais robustas baseadas em modelos de aprendizado de máquina para análise e caracterização de dados.
		COMP
		en
		publicacao.pdf
		luis.cpv@hotmail.com
		simone
		shown
		urlib.net/www/2023/12.12.20.50
		originalauthor yes
		allow from all
		not transferred
		urlib.net/www/2021/06.04.03.40.25
		8JMKD2USNNW34T/4CL6M65
		8JMKD3MGPCW/3F2PHGS
		8JMKD3MGPCW/46KUES5
		urlib.net/www/2021/06.04.03.40
		autorizacao.pdf .htaccess .htaccess2
		urlib.net/www/2021/06.04.03.40
		Wuensche, Carlos Alexandre,
		Rosa, Reinaldo Roberto,
		http://mtc-m21d.sid.inpe.br/rep-/sid.inpe.br/mtc-m21d/2024/10.30.14.12
	
	
		mtc-m21d.sid.inpe.br 808
		{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}
		8JMKD3MGP3W34T/4C2R98L
		sid.inpe.br/mtc-m21d/2024/09.11.02.54
		2025:02.11.18.24.35 urlib.net/www/2021/06.04.03.40 simone
		sid.inpe.br/mtc-m21d/2024/09.11.02.54.01
		2025:02.18.06.13.44 urlib.net/www/2021/06.04.03.40 administrator {D 2025}
		INPE-18897-TDI/3480
		Oliveira:2025:MuAgLe
		
		Aprendizagem aglomerativa multinível e estratégias de classificação para diferenciar padrões de classes complexos em imagens de sensoriamento remoto
		CAP-COMP-DIPGR-INPE-MCTI-GOV-BR
		2025
		2024-09-12
		Tese (Doutorado em Computação Aplicada)
		TDI
		115
		2
		5504 KiB
		Oliveira, Willian Vieira de,
		Santos, Rafael Duarte Coelho dos (presidente),
		Dutra, Luciano Vieira (orientador),
		Sant’Anna, Sidnei João Siqueira (orientador),
		Körting, Thales Sehn,
		Candeias, Ana Lúcia Bezerra,
		Soares, Marinalva Dias,
		Feitosa, Raul Queiroz,
		wivoliveira@yahoo.com.br
		Instituto Nacional de Pesquisas Espaciais (INPE)
		São José dos Campos
		1
		pattern recognition, spectral similarity, agglomerative strategies, learning by counterexamples, classification uniformity, reconhecimento de padrões, similaridade espectral, estratégias aglomerativas, aprendizagem por contra-exemplos, uniformidade de classificação.
		The classification of multi- and hyper-spectral imagery represents an essential procedure for numerous remote sensing applications. In general, the process of image classification aims to categorize pixels that compose an image in relation to a certain set of classes. Despite the diverse classifiers proposed in literature, several challenges still hinder the accuracy and efficiency of learning algorithms, particularly for land-use and land-cover (LULC) mapping. Most methods overlook critical factors such as subsets of classes exhibiting varying levels of spectral similarity and the impact of non-target classes on the classification performance of specific classes of interest. Additionally, the spatial organization of class objects in remote sensing imagery data is typically neglected for accuracy evaluation. As a consequence, standard accuracy assessment approaches, such as those based on metrics extracted from the confusion matrix, might not efficiently indicate the level of classification noise. Further research is still required in order to address these issues. This thesis investigates methods for improving the classification of hard-to-distinguish classes and the quality evaluation of image classification outcomes for remote sensing applications. A multilevel agglomerative strategy is proposed to address the classification of image datasets composed of classes with differing similarity levels in feature space. Additionally, this work introduces a learning approach that uses non-target classes to enhance the generation of classification masks and the performance of supervised classifiers for specific classes of interest. Furthermore, this study proposes a novel quality assessment index to measure the spatial uniformity of remote sensing image classification results. The proposed methods were applied to classify remote sensing image datasets that pose significant challenges for classification, especially for traditional classifiers, due to aspects of imaging sensors, the analysed landscapes and observed class patterns. RESUMO: The classification of multi- and hyper-spectral imagery represents an essential procedure for numerous remote sensing applications. In general, the process of image classification aims to categorize pixels that compose an image in relation to a certain set of classes. Despite the diverse classifiers proposed in literature, several challenges still hinder the accuracy and efficiency of learning algorithms, particularly for land-use and land-cover (LULC) mapping. Most methods overlook critical factors such as subsets of classes exhibiting varying levels of spectral similarity and the impact of non-target classes on the classification performance of specific classes of interest. Additionally, the spatial organization of class objects in remote sensing imagery data is typically neglected for accuracy evaluation. As a consequence, standard accuracy assessment approaches, such as those based on metrics extracted from the confusion matrix, might not efficiently indicate the level of classification noise. Further research is still required in order to address these issues. This thesis investigates methods for improving the classification of hard-to-distinguish classes and the quality evaluation of image classification outcomes for remote sensing applications. A multilevel agglomerative strategy is proposed to address the classification of image datasets composed of classes with differing similarity levels in feature space. Additionally, this work introduces a learning approach that uses non-target classes to enhance the generation of classification masks and the performance of supervised classifiers for specific classes of interest. Furthermore, this study proposes a novel quality assessment index to measure the spatial uniformity of remote sensing image classification results. The proposed methods were applied to classify remote sensing image datasets that pose significant challenges for classification, especially for traditional classifiers, due to aspects of imaging sensors, the analysed landscapes and observed class patterns. RESUMO: A classificação de imagens multi- e hiper-espectrais representa um procedimento essencial para inúmeraras aplicações de sensoriamento remoto. Em geral, o processo de classificação de imagem visa categorizar pixels que compõem uma imagem em relação a um determinado conjunto de classes. Apesar dos vários classificadores propostos em literatura, diversos desafios ainda afetam a acurácia e eficiência de algoritmos de aprendizagem, especialmente para classificação de uso e cobertura da terra (LULC). Muitos métodos ignoram fatores críticos para a classificação, tais como a existência de subconjuntos de classes que exibem níveis variados de similaridade espectral e o impacto de classes não-alvo na classificação de classes específicas de interesse. Além disso, a organização espacial dos objetos em imagens de sensoriamento remoto é normalmente neglicenciada para análise da acurácia de classificação. Como consequência, abordagens comumente utilizadas para avaliação de qualidade de classificação, como aquelas baseadas em métricas extraídas da matriz de confusão, podem não indicar eficientemente o nível de ruído de classificação. Novos estudos ainda são necessários para lidar com essas questões. Essa tese investiga métodos para aprimorar a classificação de classes the difícil separação, bem como a análise de qualidade de classificação de imagens para aplicações de sensoriamento remoto. Uma estratégia aglomerativa multinível é proposta para lidar com a classificação de conjuntos de dados de imagens compostos por classes que apresentam variados nívels de similaridade no espaço de atributos. Adicionalmente, este trabalho introduz uma abordagem de aprendizagem que utiliza classes não-alvo para otimizar a geração de máscaras de classificação e a performance de classificadores supervisionados para classes de interesse específicas. Além disso, este estudo propõe um novo índice de avaliação de qualidade de classificação para mensurar a uniformidade espacial de resultados de classificação de imagens de sensoriamento remoto. Os métodos propostos foram aplicados para classificação de imagens de sensoriamento remoto que impõem desafios significativos para classificação, especialmente para classificadores convencionais, devido a aspectos dos sensores imagiadores, da paisagem analisada e dos padrões de classes observados.
		COMP
		en
		publicacao.pdf
		simone
		wivoliveira@yahoo.com.br
		shown
		urlib.net/www/2023/12.20.03.45
		originalauthor yes
		allow from all
		not transferred
		urlib.net/www/2021/06.04.03.40.25
		8JMKD2USNNW34T/4CL6M65
		8JMKD3MGPCW/3F2PHGS
		8JMKD3MGPCW/46KUES5
		urlib.net/www/2021/06.04.03.40
		autorizacao.pdf .htaccess .htaccess2
		urlib.net/www/2021/06.04.03.40
		Sant’Anna, Sidnei João Siqueira,
		Dutra, Luciano Vieira,
		http://mtc-m21d.sid.inpe.br/rep-/sid.inpe.br/mtc-m21d/2024/09.11.02.54
	
	
		mtc-m21d.sid.inpe.br 808
		{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}
		8JMKD3MGP3W34T/4C45E38
		sid.inpe.br/mtc-m21d/2024/09.18.21.46
		2025:02.17.13.13.59 urlib.net/www/2021/06.04.03.40 simone
		sid.inpe.br/mtc-m21d/2024/09.18.21.46.41
		2025:02.27.09.29.33 sid.inpe.br/bibdigital@80/2006/04.07.15.50 administrator
		INPE-18919-TDI/3501
		Paspaltzis:2025:AbUsRe
		
		An approach using artificial neural networks for sea wave height short-term prediction in port region
		CAP-COMP-DIPGR-INPE-MCTI-GOV-BR
		2025
		2024-09-05
		Dissertação (Mestrado em Computação Aplicada)
		TDI
		62
		2
		13305 KiB
		Paspaltzis, Vanessa Colla,
		Santos, Rafael Duarte Coelho dos (presidente),
		Calheiros, Alan James Peixoto (orientador),
		Camayo Maita, Rosio Del Pilar,
		Harari, Joseph,
		vpaspaltzis@gmail.com
		Instituto Nacional de Pesquisas Espaciais (INPE)
		São José dos Campos
		1
		redes neurais artificiais, LSTM, previsão de altura de ondas, dados meteo-oceanográficos, previsão de curto prazo, artificial neural networks, long short term memory, wave height forecasting, meteo-oceanographic data, wave height prediction.
		Esta pesquisa foca na aplicação de redes neurais artificiais, especificamente a LSTM (Long Short Term Memory) na previsão de altura de ondas no Terminal Portuário de Barcarena. Neste contexto, foram analisados dados meteo-oceanográficos coletados in situ e imagens do satélite GOES16 para desenvolver um modelo de nowcasting. A análise exploratória dos dados revelou alta correlação assíncrona entre a altura das ondas, a intensidade dos ventos e a temperatura de brilho do topo das nuvens, refletindo padrões sazonais e ciclos diurnos na área de estudo. Observou-se que os ventos mais intensos e as maiores alturas de onda ocorrem principalmente nos meses de setembro e outubro, com os picos de altura das ondas geralmente no final da tarde e à noite, após a intensificação dos ventos locais. Foram realizados cinco experimentos distintos com a LSTM, variando as combinações das variáveis de entrada, como altura de ondas, ventos, nível do mar e estatísticas de temperatura de brilho das nuvens. Os dados dos anos de 2020 e 2021 foram utilizados para treinamento, enquanto o ano de 2022 foi reservado para teste e avaliação do desempenho dos modelos. Os resultados indicaram que a inclusão de variáveis adicionais, como vento e nível do mar, melhora significativamente a precisão das previsões em comparação com o uso exclusivo de dados de altura de ondas. O modelo que utilizou dados de altura de ondas combinados com dados de ventos e de nível do mar apresentou o melhor desempenho entre todos os modelos testados, obtendo RMSE de 0,0738 m e Skill de 0,87 para as previsões para 1 hora. A análise dos erros do modelo mostrou que a precisão das previsões tende a ser menor em condições de ondas mais altas e com aumentos abruptos na altura das ondas. Em relação ao limite operacional portuário, o modelo obteve probabilidade de detecção de 87% e taxa de falsos alarmes de 3%. Portanto, os resultados indicam que a LSTM é uma ferramenta promissora para nowcasting de ondas na região, com potencial para aplicação em operações portuárias. ABSTRACT: This research focus on the application of artificial neural networks, specifically LSTM (Long Short Term Memory), for wave height forecasting at the Barcarena Port Terminal. In situ meteo-oceanographic data and images from the GOES16 satellite were analyzed to develop a wave height nowcasting model. The exploratory data analysis revealed a strong asynchronous correlation between wave height, wind speed, and cloud-top brightness temperature, reflecting seasonal patterns and diurnal cycles in the study area. It was observed that the most intense winds and highest wave heights occur primarily in September and October, with wave height peaks generally occurring in the late afternoon and evening, following local wind intensification. Five different experiments were conducted with LSTM, varying the combinations of input variables, such as wave height, wind speed, sea level, and cloud-top brightness temperature statistics. Data from 2020 and 2021 were used for training, while 2022 data were reserved for testing and model performance evaluation. The results indicated that the inclusion of additional variables, such as wind and sea level, significantly improves forecast accuracy compared to using wave height data alone. The model that combined wave height, wind speed, and sea level data achieved the best performance among all tested models, with an RMSE of 0.0738 m and a Skill of 0.87 for 1-hour forecasts. The error analysis showed that prediction accuracy tends to decrease under higher wave conditions and with abrupt increases in wave height. Regarding the ports operational threshold, the model achieved a detection probability of 87% and a false alarm rate of 3%. Therefore, the results suggest that LSTM is a promising tool for wave nowcasting in the region, with potential applications in port operations.
		COMP
		pt
		publicacao.pdf
		pubtc@inpe.br
		simone
		vanessa.paspaltzis@inpe.br
		shown
		urlib.net/www/2023/12.20.03.45
		originalauthor yes
		allow from all
		not transferred
		urlib.net/www/2021/06.04.03.40.25
		8JMKD2USNNW34T/4CL6M65
		8JMKD3MGPCW/3F2PHGS
		8JMKD3MGPCW/46KUES5
		urlib.net/www/2021/06.04.03.40
		autorizacao.pdf .htaccess .htaccess2
		http://mtc-m21d.sid.inpe.br/rep-/sid.inpe.br/mtc-m21d/2024/09.18.21.46