Navegando por Assunto "Pattern recognition"

Agora exibindo 1 - 2 de 2

Acesso aberto (Open Access)
Clusterização de padrões espaço-temporais de precipitação na Amazônia via deep convolutional autoencoder
(Universidade Federal do Pará, 2023-07-07) SILVA, Vander Augusto Oliveira da; TEIXEIRA, Raphael Barros; http://lattes.cnpq.br/4902824086591521; https://orcid.org/0000-0003-2993-802X
Estudos utilizando diferentes métodos de aprendizado de máquina para descoberta de conhecimento e reconhecimento de padrões em séries temporais de precipitação são cada vez mais frequentes na literatura. Identificar e analisar padrões em séries temporais de precipitação em uma determinada região é fundamental para seu desenvolvimento socioeconômico. Logo, pode-se afirmar que o conhecimento e compreensão das características pluviométricas das regiões são importantes para viabilizar o planejamento do uso, manejo e conservação dos recursos hídricos. O fenômeno natural da precipitação é um processo fundamental de impacto direto nas bacias hidrográficas e no desenvolvimento humano e ambiental. A variabilidade desse fenômeno produz implicações importantes na navegabilidade dos rios, sobre a abundância do indivíduo e a riqueza das espécies. Nos últimos anos muitos estudos com essa abordagem foram realizados no Brasil, principalmente na região amazônica. Esta pesquisa teve como objetivo desenvolvimento de um método computacional para análise de séries temporais de precipitação utilizando técnicas de machine learning com aprendizado não supervisionado, afim de propor um método capaz de realizar a extração de características complexas dos dados, obtendo um mapa de atributos em baixa dimensionalidade para reconhecimento de padrões, descoberta de regiões homogêneas com relação à precipitação e reconstrução aproximada de séries temporais de precipitação da Amazônia Legal. O modelo de rede neural de aprendizado profundo proposto é treinado para aprender as principais e mais complexas características dos dados originais e apresentá-los em baixa dimensionalidade no espaço latente. Após o treinamento os resultados se mostram promissores, as observações dos dados reconstruídos apresentaram um bom desempenho conforme avaliação da métrica de RMSE e NRMSE com valores resultantes iguais a 0.06610 e 0.3355 respectivamente. A análise da representação dos dados em baixa dimensão foi aplicada e analisada por uma estrutura de clustering usando aglomerativo hierárquico com método de Ward. Essa metodologia também apresentou bons resultados, pois realizou agrupamentos consistentes caracterizando regiões homogêneas com relação aos dados de precipitação. Desta forma, demonstrando que a representação em baixa dimensionalidade carregava as características principais das séries temporais dos dados analisados. Destaca-se que o método desenvolvido nesse estudo pode ser aplicado não apenas na região amazônica, mas também em outras áreas com desafios semelhantes relacionados à análise de séries temporais.
Acesso aberto (Open Access)
Metodologia integrada utilizando sensoriamento remoto em redes neurais artificiais na quantificação do potencial de biomassa florestal na Amazônia
(Universidade Federal do Pará, 2008-04-08) ALMEIDA, Arthur da Costa; ROCHA, Brigida Ramati Pereira da; http://lattes.cnpq.br/9943372249006341
Reconhecimento e classificação de padrões em imagens digitais é uma habilidade importante nos dias atuais, pois permite reconhecer e identificar objetos de interesse nessas imagens. Este trabalho propõe e implementa uma metodologia integrada de reconhecimento de padrões relacionados com biomassa na floresta amazônica, com o objetivo de extrair daí informações sobre potencial energético dessa biomassa para fins de utilização como combustível primário para produção de energia elétrica para eventual uso em comunidades isoladas da Amazônia. Para isso combina informações de inventário florestal obtidas em campo com classificação e reconhecimento de padrões de biomassa em imagens de satélite de média resolução (LANDSAT, CBERS). A técnica utilizada para isso vem da área de inteligência computacional: as redes neurais artificiais com arquitetura de Funções de Base Radial (RBF) e do tipo Mapa Auto-Organizável (SOM) de Kohonen. Os resultados são combinados em um Sistema de Informações Geográficas gerando um banco de dados para uso em planejamento energético com recursos renováveis, aplicáveis às áreas isoladas da Amazônia.