Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
MONITORAMENTO E PREVISÃO DE MONITORAMENTO E PREVISÃO DE ATIVIDADE CONVECTIVA USANDO DADOS ATIVIDADE CONVECTIVA USANDO DADOS
DE DESCARGAS ELÉTRICAS DE DESCARGAS ELÉTRICAS ATMOSFÉRICASATMOSFÉRICAS
Alex de Almeida Fernandes (CPTEC/INPE)Alex de Almeida Fernandes (CPTEC/INPE)
Alan James Peixoto Calheiros (LAC/INPE)Alan James Peixoto Calheiros (LAC/INPE)
Cesar Strauss (CEA/INPE) Cesar Strauss (CEA/INPE)
Glauston Roberto Teixeira de Lima (CEMADEN)Glauston Roberto Teixeira de Lima (CEMADEN)
João Victor Cal Garcia (CEMADEN)João Victor Cal Garcia (CEMADEN)
Stephan Stephany (LAC/INPE)Stephan Stephany (LAC/INPE)
CAP/INPE (06 dezembro 2018)
22//3737
● previsão do tempo - grande volumes de dados de previsão do tempo - grande volumes de dados de modelos numéricos, satélites, radares, etc.modelos numéricos, satélites, radares, etc.
● BIG DATA - tendência atual de uso de mineração de BIG DATA - tendência atual de uso de mineração de dados para auxílio ao meteorologistadados para auxílio ao meteorologista
● imprecisão dos modelos numéricos na previsão de imprecisão dos modelos numéricos na previsão de atividade convectivaatividade convectiva
● cobertura pequena de radares met. no Brasilcobertura pequena de radares met. no Brasil
● correlação entre descargas elétricas atmosféricas e correlação entre descargas elétricas atmosféricas e atividade convectivaatividade convectiva
● como detetar e monitorar a atividade convectiva como detetar e monitorar a atividade convectiva severa?severa?
MOTIVAÇÃOMOTIVAÇÃO
33//3737PROJETOS ANTERIORES (há 10 anos...)PROJETOS ANTERIORES (há 10 anos...)
● CB-MININGCB-MINING: : Mineração de dados associados a Mineração de dados associados a sistemas convectivos (duração 2006–2010, Edital sistemas convectivos (duração 2006–2010, Edital Universal CNPq)Universal CNPq)
● ADAPTADAPT - Tempestades: desenvolvimento de um - Tempestades: desenvolvimento de um sistema dinamicamente adaptativo para sistema dinamicamente adaptativo para produção de alertas para a região Sul/Sudeste produção de alertas para a região Sul/Sudeste (duração 2007-2009) (FINEP)(duração 2007-2009) (FINEP)
– Meta 2 – “Mineração de dados para Meta 2 – “Mineração de dados para identificação de condições favoráveis à gênese identificação de condições favoráveis à gênese e evolução de tempestades”e evolução de tempestades”
44//3737SOFTWARES DESENVOLVIDOSSOFTWARES DESENVOLVIDOSOU EM DESENVOLVIMENTOOU EM DESENVOLVIMENTO
● EDDA - Estimação de Densidade de Descargas EDDA - Estimação de Densidade de Descargas elétricas Atmosféricaselétricas Atmosféricas((monitoramentomonitoramento / / nowcastingnowcasting – “operacional”) – “operacional”)
● EDDA – G - Estimação de Densidade de Descargas EDDA – G - Estimação de Densidade de Descargas elétricas Atmosféricas com aGrupamentoelétricas Atmosféricas com aGrupamento – – ((monitoramentomonitoramento/ / nowcastingnowcasting - “operacional”) - “operacional”)
● EDDA-chuva (EDDA + estimação de precipitação EDDA-chuva (EDDA + estimação de precipitação acumulada, acumulada, monitoramentomonitoramento - “operacional” - “operacional”))
● EPPA - Estimação de Precipitação a partir de dados EPPA - Estimação de Precipitação a partir de dados de Previsão e Análisede Previsão e Análise((previsãoprevisão - “em desenvolvimento”) - “em desenvolvimento”)
55//3737
● Geração de um campo de densidade de ocorrência Geração de um campo de densidade de ocorrência de descargas 2D fictício de descargas NS para um de descargas 2D fictício de descargas NS para um intervalo de tempo determinadointervalo de tempo determinado
● Estimação de núcleo Gaussiano 2DEstimação de núcleo Gaussiano 2D
● Dados do RINDATDados do RINDAT
● Correção da distância Euclidiana devida à latitudeCorreção da distância Euclidiana devida à latitude
● Avaliação operacional no CEMADEN feita em 2012Avaliação operacional no CEMADEN feita em 2012
● Versão derivada para agrupamento espaço-temporal Versão derivada para agrupamento espaço-temporal de descargas (EDDA-G)de descargas (EDDA-G)
SOFTWARE EDDASOFTWARE EDDA
66//3737
ESTIMAÇÃOESTIMAÇÃO
DE DENSIDADEDE DENSIDADE
Largura de janela/raio influência (fixo/automático)Largura de janela/raio influência (fixo/automático)
ALGUNS MÉTODOS – KERNEL ALGUNS MÉTODOS – KERNEL
77//3737DADOS METEOROLÓGICOSDADOS METEOROLÓGICOSDADOS DE DESCARGASDADOS DE DESCARGAS
● Rede detecção RINDAT (ou BRASILDAT/Earth Networks)Rede detecção RINDAT (ou BRASILDAT/Earth Networks)
● Sensores RF, dados em formato UALFSensores RF, dados em formato UALF(descargas NS +/-, NN +/-, futuramente IN +/-)(descargas NS +/-, NN +/-, futuramente IN +/-)
88//3737
Densidade de descargas (EDDA) x Imagem GOES Densidade de descargas (EDDA) x Imagem GOES realçada (temperatura de topo de nuvens)realçada (temperatura de topo de nuvens)
SOFTWARE EDDA (ex. CEMADEN) SOFTWARE EDDA (ex. CEMADEN)
99//3737
Densidade de descargas (EDDA) xDensidade de descargas (EDDA) xSistemas convectivos identificados p/ ForTraCCSistemas convectivos identificados p/ ForTraCC
SOFTWARE EDDA (ex. CEMADEN) SOFTWARE EDDA (ex. CEMADEN)
1010//3737
Densidade de descargas (EDDA) xDensidade de descargas (EDDA) xRadar de São Roque (CAPPI 3 km)Radar de São Roque (CAPPI 3 km)
SOFTWARE EDDA (ex. CEMADEN) SOFTWARE EDDA (ex. CEMADEN)
1111//3737
Densidade de descargas (EDDA) x Precipitação Densidade de descargas (EDDA) x Precipitação estimada por satélite (Hidroestimador)estimada por satélite (Hidroestimador)
SOFTWARE EDDA (ex. CEMADEN) SOFTWARE EDDA (ex. CEMADEN)
1212//3737
● Análise da correlação entre descargas NS e chuva Análise da correlação entre descargas NS e chuva convectiva (séries temporais para acumulados de convectiva (séries temporais para acumulados de 30 min de descargas NS e chuva para uma 30 min de descargas NS e chuva para uma tempestade em setembro de 2013 numa área tempestade em setembro de 2013 numa área 50km x 50 km próxima Bauru) (Garcia et al. 2013)50km x 50 km próxima Bauru) (Garcia et al. 2013)
PrecipitaçãoDescargas NS
ALGUNS MÉTODOS – EDDA CHUVAALGUNS MÉTODOS – EDDA CHUVA
1313//3737
Estimativas de Estimativas de massa de chuva massa de chuva convectiva por radar convectiva por radar (azul) e pelo S/W (azul) e pelo S/W EDDA-CHUVA EDDA-CHUVA (vermelho) para a (vermelho) para a tempestade de tempestade de 22/4/2010 em 22/4/2010 em Presidente Prudente Presidente Prudente (acumulados de 30 (acumulados de 30 min e massa min e massa cumulativa, horário cumulativa, horário UTC).UTC).
ALGUNS MÉTODOS – EDDA CHUVAALGUNS MÉTODOS – EDDA CHUVA
1414//3737
● Agrupamento espaço-temporal com janela Agrupamento espaço-temporal com janela deslizante temporaldeslizante temporal
● Utiliza algoritmo de agrupamento DENCLUEUtiliza algoritmo de agrupamento DENCLUE
● Grupos podem se dividir ou fundir:Grupos podem se dividir ou fundir:
SOFTWARE EDDA-G COM AGRUPAMENTOSOFTWARE EDDA-G COM AGRUPAMENTOESPAÇO-TEMPORAL DE DESCARGASESPAÇO-TEMPORAL DE DESCARGAS
1515//3737DADOS METEOROLÓGICOS DADOS METEOROLÓGICOS DADOS DE RADARES METEOROLóGICOSDADOS DE RADARES METEOROLóGICOS
● (Exemplo) radares Bauru e Presidente Prudente (Exemplo) radares Bauru e Presidente Prudente (IPMet/UNESP) e São Roque (DECEA): radares (IPMet/UNESP) e São Roque (DECEA): radares Doppler banda S, imagens CAPPI 3 kmDoppler banda S, imagens CAPPI 3 km
1616//3737
Evento AEvento A16/01/201016/01/2010
18:30 – 20:30 UTC18:30 – 20:30 UTC
RESULTADOS – ANÁLISE SINÓTICARESULTADOS – ANÁLISE SINÓTICA
1717//3737
Evento A – Chuva convectiva sobreposta a Evento A – Chuva convectiva sobreposta a contorno de limiar de densidade, 1 / (grau².min) contorno de limiar de densidade, 1 / (grau².min)
RESULTADOS – SOFTWARE EDDARESULTADOS – SOFTWARE EDDA
1818//3737
Evento A – Chuva convectiva sobreposta a Evento A – Chuva convectiva sobreposta a contorno do agrupamento espaço-temporal contorno do agrupamento espaço-temporal
RESULTADOS – SOFTWARE EDDA-GRESULTADOS – SOFTWARE EDDA-G
1919//3737
Evento BEvento B19/01/201319/01/2013
22:00 - 23:30 UTC22:00 - 23:30 UTC
RESULTADOS – ANÁLISE SINÓTICARESULTADOS – ANÁLISE SINÓTICA
2020//3737
Evento B – Chuva convectiva sobreposta a Evento B – Chuva convectiva sobreposta a contorno de limiar de densidade, 1 / (grau².min) contorno de limiar de densidade, 1 / (grau².min)
RESULTADOS – SOFTWARE EDDARESULTADOS – SOFTWARE EDDA
2121//3737
Evento B – Chuva convectiva sobreposta a Evento B – Chuva convectiva sobreposta a contorno do agrupamento espaço-temporal contorno do agrupamento espaço-temporal
RESULTADOS – SOFTWARE EDDA-GRESULTADOS – SOFTWARE EDDA-G
2222//3737
Evento Acélula #1
número de descargas NS
núm
ero
de d
esca
rgas
NS
núm
ero
de d
esca
rgas
NS
precipitação
tempo
Evento Bcélula #3
Evolução temporal de células selecionadasEvolução temporal de células selecionadas
RESULTADOS – SOFTWARE EDDA-GRESULTADOS – SOFTWARE EDDA-G
2323//3737
KDD – DESCOBRIMENTO DE CONHECIMENTO KDD – DESCOBRIMENTO DE CONHECIMENTO EM BASES DE DADOSEM BASES DE DADOS
ALGUNS MÉTODOS – PROCESSO KDDALGUNS MÉTODOS – PROCESSO KDD
2424//3737DADOS METEOROLÓGICOSDADOS METEOROLÓGICOSDADOS DO MODELO NUMÉRICO DADOS DO MODELO NUMÉRICO
● Utilizou-se modelo ETA (resolução 20 km e 5 km)Utilizou-se modelo ETA (resolução 20 km e 5 km)
● Migração para WRF, BRAMS, etc. ?Migração para WRF, BRAMS, etc. ?
● Exemplos de variáveis e índices de instabilidade Exemplos de variáveis e índices de instabilidade empregados:empregados:
– umrl500 , umrl700 , umrl850 , umrl925 , umrl500 , umrl700 , umrl850 , umrl925 , umrl1000umrl1000
– t500 , t700 , t850, uvel500 , uvel850, vvel500, t500 , t700 , t850, uvel500 , uvel850, vvel500, vvel850vvel850
– índices VT, CT, TT, K, SWEAT, CAPE, CINE, BLIíndices VT, CT, TT, K, SWEAT, CAPE, CINE, BLI
2525//3737
SELEÇÃO DE ATRIBUTOS PARA CLASSIFICAÇÃO SELEÇÃO DE ATRIBUTOS PARA CLASSIFICAÇÃO (software EPPA):(software EPPA):
● 11 atributos, iguais ao da ferramenta objetiva de 11 atributos, iguais ao da ferramenta objetiva de previsão do CPTECprevisão do CPTEC
OUTRAS ABORDAGENS DE MINERAÇÃO DE DADOS:OUTRAS ABORDAGENS DE MINERAÇÃO DE DADOS:
● 65 atributos relativos à variáveis selecionadas do 65 atributos relativos à variáveis selecionadas do modelo ETA (Pessoa et al., 2012)modelo ETA (Pessoa et al., 2012)
● 26 atributos selecionados dentre os 65 atributos acima 26 atributos selecionados dentre os 65 atributos acima (Lima & Stephany, 2013 a/b)(Lima & Stephany, 2013 a/b)
–
DADOS METEOROLÓGICOSDADOS METEOROLÓGICOSDADOS DO MODELO NUMÉRICO ETADADOS DO MODELO NUMÉRICO ETA
2626//3737
● Software EPPA: deve classificar padrões Software EPPA: deve classificar padrões associados à chuva forte e convectivaassociados à chuva forte e convectiva
● Classificação por árvore de decisão e Classificação por árvore de decisão e (futuramente) random forest(futuramente) random forest
● CART – Classification and Regression Trees CART – Classification and Regression Trees (Breiman et al. 1984): árvore binária, variáveis (Breiman et al. 1984): árvore binária, variáveis contínuas, pureza de cada nó pelo índice Gini:contínuas, pureza de cada nó pelo índice Gini:
( ( p p = proporção de elementos da classe = proporção de elementos da classe i i no nó S)no nó S)
ALGUNS MÉTODOS - EPPAALGUNS MÉTODOS - EPPA
2727//3737
● FERRAMENTA OBJETIVA DE PREVISÃO DO TEMPO FERRAMENTA OBJETIVA DE PREVISÃO DO TEMPO (CPTEC/INPE)(CPTEC/INPE)
● regras práticas que utilizam variáveis e índices regras práticas que utilizam variáveis e índices de previsões do ETA 20kmde previsões do ETA 20km
Caso I : Pancada de Chuva com Trovoada
Caso II : Tempestade
Caso III : Granizo
Chuvas geralmente moderadas ou intensas e acompanhadas de atividade elétrica
Ocorrência de tempo mais severo, geralmente associado com chuvas torrenciais, grandes acumulados de chuva, rajadas de vento, fortes descargas elétricas e até presença de tornados
Identificar prováveis áreas com potencial ocorrência de granizo.
média umid.relat. (1000/925/850) > 60%média umid.relat. (850/700/500) > 60%omega(500) < -2.10^-5TT > 45K > 30
média umid.relat. (1000/925/850) > 60%média umid.relat. (850/700/500) > 60%omega(500) < -2.10^-5TT > 48K > 33
média umid.relat. (1000/925/850) > 60%média umid.relat. (850/700/500) > 60%omega(500) < -3.10^-5TT > 52SWEAT > 220
ALGUNS MÉTODOS - EPPAALGUNS MÉTODOS - EPPA
2828//3737
● Previsão de chuva forte e convectiva a partir de Previsão de chuva forte e convectiva a partir de saídas do modelo ETAsaídas do modelo ETA
● Em desenvolvimento no ambiente de software REm desenvolvimento no ambiente de software R
● Treinamento com dados de radar e/ou descargasTreinamento com dados de radar e/ou descargas
● Usa árvore de decisão CART (Usa árvore de decisão CART (random forest ?random forest ?))
● Atributos: variáveis e índices de instabilidade da Atributos: variáveis e índices de instabilidade da ferramenta objetiva do CPTECferramenta objetiva do CPTEC
● Desempenho de classificação:Desempenho de classificação:
POD = VP / (VP + FN) × 100%POD = VP / (VP + FN) × 100%FAR = FP / (VP + FP) × 100% FAR = FP / (VP + FP) × 100%
SOFTWARE EPPASOFTWARE EPPA
2929//3737
USO DE VIZINHANÇA RELAXADA PARA CORRELAÇÃO USO DE VIZINHANÇA RELAXADA PARA CORRELAÇÃO ENTRE A CHUVA PREVISTA E A OBSERVADAENTRE A CHUVA PREVISTA E A OBSERVADA
Desempenho da classificação pode ser subestimado Desempenho da classificação pode ser subestimado devido a imprecisões do modelo numéricodevido a imprecisões do modelo numérico
● Critério adotado:Critério adotado:
– (espacial 1) Pixel com chuva observada vizinho a (espacial 1) Pixel com chuva observada vizinho a chuva prevista é tratado como VP (não como FN)chuva prevista é tratado como VP (não como FN)
– (espacial 2) Pixel com chuva prevista vizinho a chuva (espacial 2) Pixel com chuva prevista vizinho a chuva observada é tratada como VP (não como FP)observada é tratada como VP (não como FP)
– (temporal) Pixel com chuva prevista é tratado como (temporal) Pixel com chuva prevista é tratado como VP se houver chuva observada 30 min antes ou VP se houver chuva observada 30 min antes ou depoisdepois
SOFTWARE EPPASOFTWARE EPPA
3030//3737
Pancada de chuvacom trovoadas
vizinhança (pixels)
(caso 1) nula 3×3 5×5
previsões (h) POD FAR POD FAR POD FAR
00 06 12 18 22,2 72,8 32,3 46,3 41,4 30,2
24 30 36 42 20,5 67,9 31,0 37,0 38,8 20,0
48 54 60 66 20,3 74,6 31,9 49,0 41,2 33,6
72 78 84 90 22,8 72,1 33,9 44,0 42,5 26,9
Tempestades vizinhança (pixels)
(caso 2) nula 3×3 5×5
previsões (h) POD FAR POD FAR POD FAR
00 06 12 18 1,61 26,1 2,76 36,2 4,07 21,5
24 30 36 42 2,25 27,5 5,16 33,3 8,23 16,7
48 54 60 66 1,96 16,7 4,70 50,4 7,41 30,1
72 78 84 90 4,00 24,2 7,69 43,7 11,44 24,5
RESULTADOS – FERRAMENTA OBJETIVA CPTEC RESULTADOS – FERRAMENTA OBJETIVA CPTEC
Desempenho de classificação na previsão de Desempenho de classificação na previsão de ocorrência de precipitação (ETA 20km, jan/2010)ocorrência de precipitação (ETA 20km, jan/2010)
3131//3737
vizinhança (pixels)
nula 3×3 5×5
previsões (UTC) POD FAR POD FAR POD FAR
00 06 12 18 47,7 68,5 85,4 44,6 94,3 30,4
24 30 36 42 45,0 68,1 83,4 42,4 92,6 27,7
48 54 60 66 47,4 66,6 82,7 40,6 93,7 26,1
72 78 84 90 44,8 70,3 80,8 43,7 92,7 25,5
Previsão de ocorrência de precipitação, trei-Previsão de ocorrência de precipitação, trei-nando e testando com dados de análise e nando e testando com dados de análise e previsão (ETA 20 km, janeiro/2010)previsão (ETA 20 km, janeiro/2010)
RESULTADOS – SOFTWARE EPPARESULTADOS – SOFTWARE EPPA
3232//3737
USO DE REDES NEURAIS TREINADAS COM DADOS DE USO DE REDES NEURAIS TREINADAS COM DADOS DE ANÁLISE E PREVISÃO DE MODELO PARA PREDIÇÃO DE ANÁLISE E PREVISÃO DE MODELO PARA PREDIÇÃO DE OCORRÊNCIA DE ATIVIDADE CONVECTIVA FORTEOCORRÊNCIA DE ATIVIDADE CONVECTIVA FORTE
TESTES COM MODELO ETA 20 km, 2 CLASSES (FORTE, TESTES COM MODELO ETA 20 km, 2 CLASSES (FORTE, NÃO-FORTE), 26 ATRIBUTOS, ... NÃO-FORTE), 26 ATRIBUTOS, ...
●
PREDIÇÃO DE ATIVIDADE CONVECTIVA PREDIÇÃO DE ATIVIDADE CONVECTIVA
3333//3737
(2013-2015)(2013-2015) USO DE REDES NEURAIS TREINADAS COM USO DE REDES NEURAIS TREINADAS COM DADOS DE ANÁLISE E PREVISÃO DE MODELO PARA DADOS DE ANÁLISE E PREVISÃO DE MODELO PARA PREDIÇÃO DE OCORRÊNCIA DE ATIVIDADE CONVECTIVAPREDIÇÃO DE OCORRÊNCIA DE ATIVIDADE CONVECTIVA
TESTES COM MODELO ETA 20 km, CLASSES NSCA/SCA, TESTES COM MODELO ETA 20 km, CLASSES NSCA/SCA, PREDIÇÃO 48 hs, MÉDIAS E MÁXIMOS/MíNIMOS DE 20 PREDIÇÃO 48 hs, MÉDIAS E MÁXIMOS/MíNIMOS DE 20 EXECUÇÕES… MELHOR RESULTADO ABAIXO! EXECUÇÕES… MELHOR RESULTADO ABAIXO!
●
●
PREDIÇÃO DE ATIVIDADE CONVECTIVA PREDIÇÃO DE ATIVIDADE CONVECTIVA
TREINAMENTO TREINAMENTO POD/FAR 0.909/0.149 POD/FAR 0.909/0.149 TESTES TESTES POD/FAR 0.913/0.087 POD/FAR 0.913/0.087
3434//3737
(2017-2018) (2017-2018) USO DE REDES NEURAIS TREINADAS COM USO DE REDES NEURAIS TREINADAS COM DADOS DE ANÁLISE E PREVISÃO DE MODELO PARA DADOS DE ANÁLISE E PREVISÃO DE MODELO PARA PREDIÇÃO DE OCORRÊNCIA DE ATIVIDADE PREDIÇÃO DE OCORRÊNCIA DE ATIVIDADE CONVECTIVA. CONVECTIVA.
TESTES COM MODELO BRAMS 5 km, CLASSES TESTES COM MODELO BRAMS 5 km, CLASSES NSCA/SCA, PREDIÇÕES 6-72 hs, EM ANDAMENTO! NSCA/SCA, PREDIÇÕES 6-72 hs, EM ANDAMENTO!
SANITIZAÇÃO DOS DADOS, REDUÇÃO DE ATRIBUTOS, SANITIZAÇÃO DOS DADOS, REDUÇÃO DE ATRIBUTOS, CONSTRUÇÃO DE UMA BASE DE DADOS MAIS CONSTRUÇÃO DE UMA BASE DE DADOS MAIS EXTENSA...EXTENSA...
FOCO NA PREDIÇÃO QUALITATIVA EM VEZ DA FOCO NA PREDIÇÃO QUALITATIVA EM VEZ DA QUANTITATIVA COMO INDICADOR AUXILIAR AO QUANTITATIVA COMO INDICADOR AUXILIAR AO METEOROLOGISTA PREVISOR. METEOROLOGISTA PREVISOR.
PREDIÇÃO DE ATIVIDADE CONVECTIVA PREDIÇÃO DE ATIVIDADE CONVECTIVA
3535//3737
Softwares EDDA, EDDA-chuva e EDDA-G disponíveis. Softwares EDDA, EDDA-chuva e EDDA-G disponíveis.
● O software EDDA e seus derivados demonstram o O software EDDA e seus derivados demonstram o potencial do uso de dados de descargas no moni- potencial do uso de dados de descargas no moni- toramento da atividade convectiva, que serviria para toramento da atividade convectiva, que serviria para países com pequena cobertura radar.países com pequena cobertura radar.
● O software EDDA-G tem potencial para o estudo dos O software EDDA-G tem potencial para o estudo dos aspectos eletrodinâmicos das tempestades e para aspectos eletrodinâmicos das tempestades e para disparar automaticamente modelo de alta resolução.disparar automaticamente modelo de alta resolução.
● O software EDDA foi usado na pesquisa de alguns O software EDDA foi usado na pesquisa de alguns classificadores em abordagens de mineração de dados classificadores em abordagens de mineração de dados meteorológicos para predição.meteorológicos para predição.
● Software EPPA ainda em desenvolvimento, mas Software EPPA ainda em desenvolvimento, mas predição por redes neurais possível como informação predição por redes neurais possível como informação adicional qualitativa ao meteorologista.adicional qualitativa ao meteorologista.
Conclusões e Comentários Finais Conclusões e Comentários Finais
11. . DE LIMA, G. R. T. ; STEPHANY, S. ; de PAULA, E. R. ; BATISTA, I. S. ; ABDU, M. A. ; DE LIMA, G. R. T. ; STEPHANY, S. ; de PAULA, E. R. ; BATISTA, I. S. ; ABDU, M. A. ; REZENDE, L. F. C. ; AQUINO, M. G. S. ; DUTRA, A. P. S. Correlation analysis REZENDE, L. F. C. ; AQUINO, M. G. S. ; DUTRA, A. P. S. Correlation analysis between the occurrence of ionospheric scintillation at the magnetic equator and between the occurrence of ionospheric scintillation at the magnetic equator and at the southern peak of the Equatorial Ionization Anomaly. at the southern peak of the Equatorial Ionization Anomaly. Space WeatherSpace Weather (Online), v.12, p. 406-416, 2014.(Online), v.12, p. 406-416, 2014.
2. DE LIMA, G. R. T. ; STEPHANY, S. ; de PAULA, E. R. ; BATISTA, I. S. ; ABDU, M. A. 2. DE LIMA, G. R. T. ; STEPHANY, S. ; de PAULA, E. R. ; BATISTA, I. S. ; ABDU, M. A. Prediction of the level of ionospheric scintillation at equatorial latitudes in Brazil Prediction of the level of ionospheric scintillation at equatorial latitudes in Brazil using a neural network. using a neural network. Space WeatherSpace Weather (Online), v. 13, 2015. (Online), v. 13, 2015.
3. PESSOA, Alex Sandro Aguiar ; Stephany, Stephan . An Innovative Approach for 3. PESSOA, Alex Sandro Aguiar ; Stephany, Stephan . An Innovative Approach for Attribute Reduction in Rough Set Theory. Attribute Reduction in Rough Set Theory. Intelligent Information ManagementIntelligent Information Management, , v.6, p. 223-239, 2014. v.6, p. 223-239, 2014.
4. LIMA, Glauston Roberto Teixeira de ; STEPHANY, S. . A new classification approach 4. LIMA, Glauston Roberto Teixeira de ; STEPHANY, S. . A new classification approach for detecting severe weather patterns. for detecting severe weather patterns. Computers & GeosciencesComputers & Geosciences, v. 57, p. 158-, v. 57, p. 158-165, 2013. 165, 2013.
5. LIMA, Glauston Roberto Teixeira de ; STEPHANY, S. . Training a neural network to 5. LIMA, Glauston Roberto Teixeira de ; STEPHANY, S. . Training a neural network to detect patterns associated with severe weather. detect patterns associated with severe weather. Learning and Nonlinear ModelsLearning and Nonlinear Models, , v. 11, p. 123-152, 2013. v. 11, p. 123-152, 2013.
6. GARCIA, JOÃO V. C. ; Stephany, Stephan ; D'OLIVEIRA, AUGUSTO B. . Estimation of 6. GARCIA, JOÃO V. C. ; Stephany, Stephan ; D'OLIVEIRA, AUGUSTO B. . Estimation of convective precipitation mass from lightning data using a temporal sliding-convective precipitation mass from lightning data using a temporal sliding-window for a series of thunderstorms in Southeastern Brazil. window for a series of thunderstorms in Southeastern Brazil. Atmospheric Science Atmospheric Science LettersLetters, v. 14, p. 281-286, 2013., v. 14, p. 281-286, 2013.
PRODUÇÃO BIBLIOGRÁFICA RECENTEPRODUÇÃO BIBLIOGRÁFICA RECENTE
7. STRAUSS, Cesar ; ROSA, Marcelo Barbio ; Stephany, Stephan . Spatio-7. STRAUSS, Cesar ; ROSA, Marcelo Barbio ; Stephany, Stephan . Spatio-temporal clustering and density estimation of lightning data for the tracking temporal clustering and density estimation of lightning data for the tracking of convective events. of convective events. Atmospheric ResearchAtmospheric Research (Print), v. 134, p. 87-99, 2013. (Print), v. 134, p. 87-99, 2013.
8. PESSOA, Alex Sandro Aguiar ; LIMA, Glauston Roberto Teixeira de ; SILVA, 8. PESSOA, Alex Sandro Aguiar ; LIMA, Glauston Roberto Teixeira de ; SILVA, José Demísio Simões ; STEPHANY, S. ; STRAUSS, Cesar ; CAETANO, Mirian ; José Demísio Simões ; STEPHANY, S. ; STRAUSS, Cesar ; CAETANO, Mirian ; FERREIRA, Nelson Jesus . Mineração de dados meteorológicos para previsão FERREIRA, Nelson Jesus . Mineração de dados meteorológicos para previsão de eventos severos. de eventos severos. Revista Brasileira de MeteorologiaRevista Brasileira de Meteorologia (Impresso), v. 27, p. (Impresso), v. 27, p. 61-74, 2012. 61-74, 2012.
9. GARCIA, João Victor Cal ; STEPHANY, S. ; CALHEIROS, Roberto Vicente ; 9. GARCIA, João Victor Cal ; STEPHANY, S. ; CALHEIROS, Roberto Vicente ; D'OLIVEIRA, Augusto Brandão . Um filtro gaussiano adaptativo para análise D'OLIVEIRA, Augusto Brandão . Um filtro gaussiano adaptativo para análise comparativa de imagens de radares e satélites meteorológicos. comparativa de imagens de radares e satélites meteorológicos. IrrigaIrriga (UNESP Botucatu), v. 16, p. 224-233, 2011. (UNESP Botucatu), v. 16, p. 224-233, 2011.
10. REZENDE, L. F. C. ; de PAULA, E. R. ; STEPHANY, S. ; KANTOR, I. J. ; 10. REZENDE, L. F. C. ; de PAULA, E. R. ; STEPHANY, S. ; KANTOR, I. J. ; MUELLA, M. T. A. H. ; de Siqueira, P. M. ; CORREA, K. S. . Survey and MUELLA, M. T. A. H. ; de Siqueira, P. M. ; CORREA, K. S. . Survey and prediction of the ionospheric scintillation using data mining techniques. prediction of the ionospheric scintillation using data mining techniques. Space WeatherSpace Weather (Online), v. 8, p. 1-10, 2010. (Online), v. 8, p. 1-10, 2010.
PRODUÇÃO BIBLIOGRÁFICA RECENTEPRODUÇÃO BIBLIOGRÁFICA RECENTE