@MastersThesis{BomfinJúnior:2003:ImReNe,
               author = "Bomfin J{\'u}nior, Asiel",
                title = "Implementa{\c{c}}{\~a}o de uma rede neural artificial para 
                         associa{\c{c}}{\~a}o de imagens de radar meteorol{\'o}gico e 
                         dados de descargas el{\'e}tricas",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2003",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2003-09-30",
             keywords = "radar, meteorologia, redes neurais, raios, radar 
                         meteorol{\'o}gico, meteorology, neural nets, electric discharges, 
                         meteorological radar.",
             abstract = "Esta disserta{\c{c}}{\~a}o trata da associa{\c{c}}{\~a}o entre 
                         dados do radar meteorol{\'o}gico doppler RMT100, fornecidos pela 
                         Universidade do Vale do Para{\'{\i}}ba (UNIVAP), e os dados de 
                         descargas el{\'e}tricas, fornecidos pelo sistema de 
                         localiza{\c{c}}{\~a}o de rel{\^a}mpagos do grupo de 
                         Eletricidade Atmosf{\'e}rica (ELAT) do INPE, utilizando redes 
                         neurais artificiais (RNA). O estudo da correla{\c{c}}{\~a}o 
                         entre as descargas el{\'e}tricas e altos {\'{\i}}ndices de 
                         refletividade do radar, em sua maioria relacionados a tempestades 
                         severas, pode permitir uma melhor compreens{\~a}o do 
                         comportamento dos elementos meteorol{\'o}gicos, trazendo 
                         benef{\'{\i}}cios {\`a} sociedade como um todo, uma vez que os 
                         dados de descargas, atualmente um pouco mais abundante do que 
                         dados meteorol{\'o}gicos, podem introduzir outras 
                         informa{\c{c}}{\~o}es para o enriquecimento das previs{\~o}es 
                         de tempo. Neste contexto as RNA aparecem como uma ferramenta 
                         alternativa promissora de f{\'a}cil implementa{\c{c}}{\~a}o. No 
                         desenvolvimento deste trabalho diversas atividades foram 
                         realizadas desde a aquisi{\c{c}}{\~a}o, sele{\c{c}}{\~a}o e 
                         decodifica{\c{c}}{\~a}o dos dados de radar em formato de imagens 
                         e dos dados de descargas el{\'e}tricas, exigindo o 
                         geo-referenciamento entre os dados de natureza diferentes. Os 
                         dados de radar utilizados limitam-se {\`a}s imagens CAPPI (Z) com 
                         refletividade a 6 Km de altitude, CAPPI (V) com velocidade do 
                         vento a 1 km e ECHOTOP (Z) indicando o topo de nuvens a uma 
                         altitude de at{\'e} 15 km, totalizando de 1288 imagens. Os 
                         resultados obtidos s{\~a}o promissores, observando-se que em 
                         alguns casos se obteve correla{\c{c}}{\~o}es de at{\'e} 80%. Em 
                         outros casos n{\~a}o foi poss{\'{\i}}vel quantificar as 
                         sa{\'{\i}}das das redes neurais mas foi poss{\'{\i}}vel 
                         verificar uma tend{\^e}ncia de similaridade entre a 
                         sa{\'{\i}}da da rede e os dados observados. ABSTRACT: This work 
                         uses radar images together with data of electrical discharges 
                         derived from a lightning localization system taken with a Doppler 
                         Meteorological Radar as the input to a Neural Network (NN), in 
                         order to stablish the non-linear relationship between the 
                         reflectivity in the radar images and the atmospheric discharges. 
                         Associating these atmospheric discharges to specific storms as for 
                         instance the severe thunderstorms where lightning occurrence is 
                         higher, we will better be able to understand the physics that 
                         governs these meteorological elements and bring better benefits to 
                         the society. In this context NNs is a tool that appears as a quite 
                         promising alternative that were used in this work to stablish a 
                         relationship between meteorological data and the atmospheric 
                         discharges. For the development of this work it was necessary a 
                         great number of activities, from the acquisition, selection and 
                         decoding of the radar images, as well as the geographical position 
                         reference of the images with the atmospheric discharges, tests of 
                         cases and analysis of results. Basically were selected images from 
                         products of CAPPI(Z) with reflectivity at 6 km of altitude, 
                         CAPPI(V) with wind speed at an altitude of 1 km and ECHOTOP(Z) 
                         cloud vertical profile up to 15 km of altitude, in a total of 1288 
                         images. The obtained results are promising, because in spite of 
                         still not to be possible to quantify the intensity of the 
                         atmospheric discharges generated by NN is possible to verify an 
                         increase or decrease of its intensity, that it can aid it forecast 
                         and in a specific case the correlation was obout 80%.",
            committee = "Rosa, Reinaldo Roberto (presidente) and Silva, Jos{\'e} 
                         Dem{\'{\i}}sio Sim{\~o}es da (orientador) and Pinto 
                         J{\'u}nior, Osmar (orientador) and Rodriguez, Carlos Augusto 
                         Morales",
           copyholder = "SID/SCD",
         englishtitle = "A combination of weather radar images and electrical discharges 
                         using an artificial neural network",
             language = "pt",
                pages = "133",
                  ibi = "6qtX3pFwXQZ3P8SECKy/AkUn4",
                  url = "http://urlib.net/ibi/6qtX3pFwXQZ3P8SECKy/AkUn4",
           targetfile = "publicacao.pdf",
        urlaccessdate = "2024, May 19"
}