David Mendes – UFRN José Marengo –INPE Sidney Rodrigues - WWF

Apresentação em tema: "David Mendes – UFRN José Marengo –INPE Sidney Rodrigues - WWF"— Transcrição da apresentação:

1 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial
David Mendes – UFRN José Marengo –INPE Sidney Rodrigues - WWF Março de 2012

2 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial

3 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial

4 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial
Cruzar dados de clima

5 O QUE É INTELIGÊNCIA? Inteligência pode ser definida como a capacidade mental de raciocinar, planejar, resolver problemas, abstrair idéias, compreender idéias e linguagens e aprender. Processo Interno Relação de contorno Entrada Conhecimento Poder de raciocínio Vista Olhos Tato Gosto Etc.... Solução de problemas Criatividade Mostra o conhecimento SAÍDAS

6 Paradigma de uma inteligência Artificial
Exploração explicita do Conhecimento (Setença, lógica, regras, Redes semáticas, etc...) Imitação do processo humano De raciocínio (inferência lógica)

7 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial
MODELAGEM CLIMÁTICA

8 Limitações: Parametrizações e processos físicos de pequena escala
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Limitações: Parametrizações e processos físicos de pequena escala Os modelos numéricos de circulação da atmosfera se aproximam da dinâmica real da atmosfera. Os processos físicos de pequena escala não são inseridos nas equações governantes, para isso é necessário um processo de parametrização, para pontos de grade com condições geográficas precisas. Exemplo: Processos de camada limite associados a orografia: tuburlencia, etc. Os modelos numéricos são menos eficientes para prever as variáveis dependentes e.g. precipitação, neve, vento em superfície, etc....

9 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial
Primeiramente temos que compreender a metodologia Downscaling ? O downscaling é um termo adotado para descrever um conjunto de técnicas que relacionam variáveis climáticas de escala regional e local com forçantes atmosféricas de escala global (Hewinton e Crane, 1996). Existem duas categorias de técnicas de downscaling: as dinâmicas, que enfocam os modelos numéricos com uma resolução mais detalhada, e as empíricas que utilizam funções de transferências entre escalas. A grande vantagem do uso do downscaling estatístico é que ele oferece uma solução imediata a um baixo custo computacional, conseqüentemente, poderia ser rapidamente implementado em centros operacionais.

10 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial

11 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial
McCulloch e Pitts (1943), Hebb (1949), e Rosemblatt (1958). Estas publicações introduziram o primeiro modelo de redes neurais simulando “máquinas”, o modelo básico de rede de auto-organização, e o modelo Perceptron de aprendizado supervisionado, respectivamente Nos anos 60 e 70, importantes trabalhos sobre modelos de redes neurais em visão, memória, controle e auto-organização como: Amari, Anderson, Cooper, Cowan, Fukushima, Grossberg, Kohonen, von der Malsburg, Werbos e Widrow. Um Breve Histórico

12 Processos de Aprendizado
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Processos de Aprendizado A propriedade mais importante das redes neurais é a habilidade de aprender de seu ambiente e com isso melhorar seu desempenho. Isso é feito através de um processo iterativo de ajustes aplicado a seus pesos, o treinamento. O aprendizado ocorre quando a rede neural atinge uma solução generalizada para uma classe de problemas.

13 Redes Neurais Artificiais (RNA)
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Redes Neurais Artificiais (RNA) As redes neurais artificiais (RNA) são inspiradas no modo como o cérebro humano trabalha. Camada de Entrada: onde os padrões são apresentados à rede; Camadas Intermediárias ou Escondidas: onde é feita a maior parte do processamento, através das conexões ponderadas; podem ser consideradas como extratoras de características; Camada de Saída: onde o resultado final é concluído e apresentado. Uma rede neural é especificada, principalmente pela sua topologia, pelas características dos nós e pelas regras de treinamento. Aprendizado Supervisionado, quando é utilizado um agente externo que indica à rede a resposta desejada para o padrão de entrada; Aprendizado Não Supervisionado (auto-organização), quando não existe uma agente externo indicando a resposta desejada para os padrões de entrada; Reforço, quando um crítico externo avalia a resposta fornecida pela rede.

14 Perceptron Multi - Camadas
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Perceptron Multi - Camadas O Perceptron Multi - Camadas é uma extensão do Perceptron de camada única. Esta arquitetura apresenta uma camada com unidades de entrada, conectada a uma ou mais unidades intermediárias, chamadas camadas ocultas, e uma camada de unidades de saída.

15 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial
Downscaling extrator Se considerarmos uma célula da grade formada pelos pontos Q11 (x1,y1), Q12 (x1,y2), Q21 (x2,y1), Q22 (x2,y2) e um ponto qualquer p (x,y) no interior da célula, conforme exemplificado abaixo; Localização de um ponto para extração das informações.

16 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial
Proposta

17 Como mencionado, utilizamos:
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Como mencionado, utilizamos: Precipitação [chuva]; Temperatura máxima e mínima (observados)

18 Erros????? Erros dinâmicos – Variabilidade dinâmica de cada modelo .
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Erros????? Erros dinâmicos – Variabilidade dinâmica de cada modelo . Como extrair os erros ou corrigir-los?

19 Peso em cada camada para cada processamento
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Peso em cada camada para cada processamento As RNAs necessitam de pesos para correção dos erros O procedimento é automaticos ou inserido, como?

20 Agrupamento dos modelos
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Agrupamento dos modelos Preocessamento Dados em ponto de grade + dados dos Modelos (tb em ponto de grade)

21 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial

22 Error absoluto sem correção Error absoluto com correção
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Error absoluto sem correção Error absoluto com correção Diminui onde o erro é muito grande Some onde o erro é pequeno

23 Resultados Preliminares Controle (1979-2000) Analise pontual
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Resultados Preliminares Controle ( ) Analise pontual Correlação de 95.4%

24 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial
Dados foram digitalizados em campos geo-referencial na resolução de 40 km Cenários A2 – A1B – B1

25 Valores-Tendência (mm/dia)
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Precipitação (chuva) Valores-Tendência (mm/dia) prp > 25 mm/dia Extremos

26 Valores Tendência Temp. Máxima
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Valores Tendência (graus C) Temp. Máxima

27 Valores Tendência Temp. Mínima
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Valores Tendência (graus C) Temp. Mínima

28 Digitalização dos resultados em formatos de geo-referência
Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial Digitalização dos resultados em formatos de geo-referência

29 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial

30 Refinamento de Modelos Climáticos para Amazônia Legal: Utilização de Inteligência Artificial

31 Projeto em andamentos 3 Bolsista de Pós-doutorado (PNPD/CAPES) Acordos Internacionais com Portugal, Alemanha,França, Noruega e Holanda

32 Maquina UFRN 156 SGI Altix XE 320 nodes, each containing:two quad-core 3.0GHz Intel Harpertown cpus with 1600MHz front side bus L1 cache (on chip): 12 Kb(I) + 8 kbytes(D) L2 cache (on chip): 6MB per quad-core cpu 16Gbyte DDR2-800 memory (a few nodes have 32Gbyte) a range of 250GB, 500GB and 1TB SATA disks for swap and job scratch on-board DDR InfiniBand adapter