%0 Thesis
%4 sid.inpe.br/jeferson/2003/12.03.09.53
%2 sid.inpe.br/jeferson/2003/12.03.09.53.35
%T Implementação de uma rede neural artificial para associação de imagens de radar meteorológico e dados de descargas elétricas
%J A combination of weather radar images and electrical discharges using an artificial neural network
%D 2003
%8 2003-09-30
%9 Dissertação (Mestrado em Computação Aplicada)
%P 133
%A Bomfin Júnior, Asiel,
%E Rosa, Reinaldo Roberto (presidente),
%E Silva, José Demísio Simões da (orientador),
%E Pinto Júnior, Osmar (orientador),
%E Rodriguez, Carlos Augusto Morales,
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%C São José dos Campos
%K radar, meteorologia, redes neurais, raios, radar meteorológico, meteorology, neural nets, electric discharges, meteorological radar.
%X Esta dissertação trata da associação entre dados do radar meteorológico doppler RMT100, fornecidos pela Universidade do Vale do Paraíba (UNIVAP), e os dados de descargas elétricas, fornecidos pelo sistema de localização de relâmpagos do grupo de Eletricidade Atmosférica (ELAT) do INPE, utilizando redes neurais artificiais (RNA). O estudo da correlação entre as descargas elétricas e altos índices de refletividade do radar, em sua maioria relacionados a tempestades severas, pode permitir uma melhor compreensão do comportamento dos elementos meteorológicos, trazendo benefícios à sociedade como um todo, uma vez que os dados de descargas, atualmente um pouco mais abundante do que dados meteorológicos, podem introduzir outras informações para o enriquecimento das previsões de tempo. Neste contexto as RNA aparecem como uma ferramenta alternativa promissora de fácil implementação. No desenvolvimento deste trabalho diversas atividades foram realizadas desde a aquisição, seleção e decodificação dos dados de radar em formato de imagens e dos dados de descargas elétricas, exigindo o geo-referenciamento entre os dados de natureza diferentes. Os dados de radar utilizados limitam-se às 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 até 15 km, totalizando de 1288 imagens. Os resultados obtidos são promissores, observando-se que em alguns casos se obteve correlações de até 80%. Em outros casos não foi possível quantificar as saídas das redes neurais mas foi possível verificar uma tendência de similaridade entre a saída 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%.
%@language pt
%3 publicacao.pdf