Please use this identifier to cite or link to this item: http://repositoriosenaiba.fieb.org.br/handle/fieb/1840
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorNascimento, Erick Giovani Sperandio-
dc.contributor.authorAraujo, Mirella Lima Saraiva-
dc.date.accessioned2024-04-03T00:07:57Z-
dc.date.available2024-04-03T00:07:57Z-
dc.date.issued2023-10-30-
dc.identifier.citationARAUJO, Mirella Lima Saraiva. Short range lightning forecast based on deep learning models using globally available gridded meteorological data. Orientador: Erick Giovani Sperandio Nascimento. 2023. 87 f. Dissertação (mestrado em Modelagem Computacional e Tecnologia Industrial) – Centro Universitário SENAI CIMATEC, Salvador, 2023.pt_BR
dc.identifier.urihttp://repositoriosenaiba.fieb.org.br/handle/fieb/1840-
dc.description.abstractIn the context of climate change and its effects on extreme weather events, the prediction and monitoring of lightning strikes are crucial, especially in regions prone to such events. In this context, this study aims to develop and evaluate deep learning models to predict lightning strikes up to 6 hours in advance, using globally available meteorological data from the Global Data Assimilation System (GDAS) as input, and lightning occurrence data provided by the Atmospheric Electricity Group (ELAT) of the National Institute for Space Research (INPE) as the target. The state of Bahia, Brazil, was selected as a case study due to its vast region where many electrical projects are being developed, justifying the study and application of this research to that region. Several deep learning models were tested to identify an accurate and high-performing model for early prediction of light ning occurrences. In total, six deep learning models were considered, including Multilayer Perceptron (MLP), Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), and hybrid networks. These models were optimized to achieve maximum predic tion accuracy. Each model was meticulously trained and evaluated, and its performance was assessed using traditional classification metrics, including F1-score, Area Under the Receiver Operating Characteristic Curve (ROC AUC), Area Under the Precision-Recall Curve (PRC AUC), precision, recall, specificity, and accuracy. The Delong test was used to evaluate statistical significance and detect differences between the models. The study successfully identified models that outperformed others in predicting both lightning and no lightning cases, and these models were found to be significantly distinct from each other. Specifically, the CNN-GRU model demonstrated superiority compared to the oth ers, with good computational efficiency. Additionally, potential limitations were identified, resulting in recommendations for future work in lightning prediction using deep learning. Based on the results, it can be concluded that advanced deep learning techniques can significantly contribute to accurate lightning occurrence predictions with good compu tational performance. By identifying the most suitable models for lightning prediction, this research serves as a foundation for the development of more effective alert systems, contributing to the safety of society and industry, as well as climate resilience.pt_BR
dc.language.isopt_BRpt_BR
dc.publisherCentro Universitário SENAI CIMATECpt_BR
dc.rightsacesso abertopt_BR
dc.rights.uri"Todos os direitos reservados. É permitida a reprodução parcial ou total desta obra, desde que citada a fonte e que não seja para venda ou qualquer fim comercial."pt_BR
dc.subjectDeep Learningpt_BR
dc.subjectPrevisão de raiospt_BR
dc.subjectRedes Neurais Artificiaispt_BR
dc.subjectMachine Learningpt_BR
dc.titleShort range lightning forecast based on deep learning models using globally available gridded meteorological datapt_BR
dc.title.alternativePrevisão de relâmpagos de curto alcance com base em aprendizado profundo modelos usando dados meteorológicos em grade disponíveis globalmente dadospt_BR
dc.typeDissertaçãopt_BR
dc.embargo.termsAbertopt_BR
dc.publisher.countrybrasilpt_BR
dc.publisher.departamentCentro Universitário SENAI CIMATECpt_BR
dc.publisher.programPrograma de Pós-Graduação Stricto Sensupt_BR
dc.publisher.initialsSENAI CIMATECpt_BR
dc.contributor.advisor-coRamos, Diogo Nunes da Silva-
dc.contributor.refereesGonçalves, Marcelo Albano Moret Simões-
dc.contributor.refereesSuárez, Diego Gervasio Frías-
dc.description.resumoNo contexto das mudanças climáticas e seus efeitos nos eventos climáticos extremos, a previsão e monitoramento de raios é crucial, especialmente em regiões propensas a esses eventos. Neste contexto, este trabalho visa desenvolver e avaliar modelos de aprendizado profundo para prever raios com até 6 horas de antecedência, utilizando como entrada da dos meteorológicos globalmente disponíveis do Global Data Assimilation System (GDAS), e como alvo dados de ocorrências de raios fornecidos pelo grupo de eletricidade atmosférica (ELAT) do Instituto Nacional de Pesquisas Espaciais (INPE). Como estudo de caso, foi selecionada a região que compreende o Estado da Bahia, Brasil, por possuir uma vasta área onde muitos empreendimentos elétricos estão sendo desenvolvidos, o que justifica o estudo e aplicação dessa pesquisa para essa região. Vários modelos de aprendizagem pro funda foram testados a fim de identificar um modelo preciso e de alto desempenho para a previsão antecipada de ocorrências de raios. No total, foram considerados seis modelos de aprendizado profundo, incluindo redes neurais de perceptron multicamadas (MLP), redes neurais convolucionais (CNN), redes neurais recorrentes (RNN) e redes híbridas. Esses modelos foram otimizados para obter a máxima precisão na previsão. Cada modelo foi minuciosamente treinado e avaliado e seu desempenho foi avaliado usando métricas tradicionais para classificação, sendo elas: F1-score, Area Under the Receiver Operating Characteristic Curve (ROC AUC), Area Under the Precision-Recall Curve (PRC AUC), precision, recall, specificity e accuracy. O teste de Delong foi usado para avaliar a sig nificância estatística e detectar diferenças entre os modelos. O estudo identificou com sucesso modelos que tiveram um desempenho superior na previsão de casos em que ocor reram e que também não ocorreram raios, e esses modelos foram considerados significativa mente distintos entre si. Especificamente, o modelo CNN-GRU demonstrou superioridade em relação aos demais, com boa eficiência computacional. Ademais, foram identificadas potenciais limitações resultando em recomendações para trabalhos futuros na previsão de raios usando aprendizado profundo. Com base nos resultados, é possível verificar que técnicas avançadas de aprendizado profundo podem contribuir significativamente para previsões de ocorrências de raios com precisão e bom desempenho computacional. Ao identificar os modelos mais adequados para prever raios, esta pesquisa serve como uma base para o desenvolvimento de sistemas de alerta mais eficazes, contribuindo para a se gurança da sociedade e da indústria, e para a resiliência climáticapt_BR
Appears in Collections:Dissertações de Mestrado (PPG MCTI)

Files in This Item:
File Description SizeFormat 
DISSERTAÇÃO_MIRELLA LIMA SARAIVA ARAUJO.pdfTCCP / DISSERTAÇÃO MCTI / SENAI CIMATEC7.84 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.