Previsão de extremos de chuva no Rio de Janeiro: melhorias utilizando o conhecimento adquirido com eventos anteriores
Ano de defesa: | 2012 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Instituto Nacional de Pesquisas Espaciais
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação do INPE em Meteorologia
|
Departamento: |
Não Informado pela instituição
|
País: |
BR
|
Resumo em Inglês: | Intense precipitation events are the commonest cause of Natural Disasters worldwide, including Brazil. While predictions of such disasters could mitigate some of the social and economic impacts associated with such events, accurate predictions are challenging, despite the great improvements in data assimilation, representation of physical processes and atmospheric model output statistics. Strong precipitation events that produce rainfall above 50 mm/ day are often misrepresented in numerical models, which may prevent forecasters to issue warnings to the society in advance. When weather forecast centres decide whether to issue warnings, they do not rely solely on results from numerical models; instead forecasters interpret these model results and use their previous knowledge to decide whether a heavy rainfall event is likely. Nonetheless, the forecaster's knowledge and acquired skills are seldom accounted when we assess how well these phenomena can be predicted. Therefore, the aim of this study is to develop a technique that combines a novel methodology that recognises weather patterns associated with intense precipitation; and determines how weather forecasters develop, improve, and share their forecasting skills, a component that has been hitherto neglected. The methods were tested for the predictions of intense precipitation events in Rio de Janeiro, but the technique is general and could be applied anywhere. For the machine component of this study, it was developed and validated a Method for Atmospheric Pattern Detection (MeDPAt), using weather forecast fields from ETA40. This method utilises pattern recognition and neural networks to determine the most important atmospheric states associated with heavy rainfall. When applied to Rio de Janeiro case, it was observed that the combination of relative humidity at 900 hPa and meridional wind at 10 m above ground has the most efficient predictive power, increasing the detection rate by 67\% and reducing false alarms by 39\%. In addition, MeDPAt results show that fields such as sea level pressure and geopotential height at 500 hPa produced a high rate of false detections, despite previous studies pointing out that they are associated with these events. MeDPAt was conceived in a way that different fields and combination of fields, either from ETA40 or other models, could be easily tested for heavy rainfall or other types of atmospheric phenomena . For the human component, it was analysed the contribution of the cognitive knowledge of meteorologists who work at Rio de Janeiro's system for Heavy Rain Warnings (AlertaRio), and this study found that 36\% of the decisions throughout the cognitive process leading to significative rain forecast could be directly attributed to their tacit knowledge. In addition, the cognitive analysis allowed us to elicit and represent in conceptual maps the knowledge of experienced meteorologists, which can be further preserved and shared with younger generations and other institutions. Finally, the joint human-machine approach of the cognitive system revealed critical points (fear to issue a false alarm and difficulties in accessing information ) as well as some shortcomings that limit the forecast ability. For example, the development of ergonomic tools such as softwares that convey the information needed to the forecasters could significantly facilitate the meteorologist's cognition. |
Link de acesso: | http://urlib.net/sid.inpe.br/mtc-m19/2012/03.29.22.41 |
Resumo: | A chuva forte é a maior causa de Desastres Naturais no mundo e também no Brasil. Pela primeira vez, no Brasil, estudou-se a previsão desses eventos de chuva incluindo a análise do trabalho cognitivo do previsor meteorológico. Além disso, foi desenvolvido um método objetivo que compara campos atmosféricos previstos com padrões do passado determinando similaridade entre estes (MeDPAt). O método se mostrou eficiente para a detecção de chuva forte no Rio de Janeiro. O baixo custo computacional do método permite seu uso tanto em pesquisa como em ambiente operacional. Apesar dos grandes avanços nos sistemas de assimilação de dados e na física dos modelos numéricos da atmosfera, as previsões quantitativas de precipitação para limiares acima de 50 mm/24h ainda apresentam baixos índices de acerto. Entretanto, os avisos meteorológicos emitidos para a sociedade não dependem apenas desses modelos matemáticos, mas resultam da interpretação que o previsor faz dessa ferramenta. Portanto, adotou-se uma abordagem na qual a previsão de tempo é o resultado do trabalho de um sistema cognitivo conjunto formado por homem e máquina. Na componente numérica (máquina) deste sistema desenvolveu-se e testou-se um Método para Detecção de Padrões Atmosféricos (MeDPAt). Este método aplicado às previsões operacionais do modelo atmosférico ETA40 revelou uma combinação de variáveis que se mostrou mais eficiente na detecção de eventos de chuva forte na cidade do Rio de Janeiro, formada pela umidade relativa no nível de 900 hPa e vento meridional a 10 metros de altura. Foi possível melhorar em 67\% o índice de detecção e diminuir em 39\% os alarmes falsos. Além disso, o MeDPAt revelou que variáveis utilizadas em estudos anteriores sobre padrões atmosféricos associados a extremos de chuva na Região Sudeste produzem grande número de alarmes falsos, entre elas destacam-se a pressão ao nível do mar e o geopotencial no nível de 500 hPa. O MeDPAt, da maneira como foi concebido, pode também ser testado na detecção de outros padrões atmosféricos e ainda pode ser aplicado a outros modelos numéricos da atmosfera. Na componente humana estudou-se o trabalho cognitivo de meteorologistas da prefeitura do Rio de Janeiro (AlertaRio), o que revelou grande participação do conhecimento tácito (36\%) na previsão de chuva significativa. A análise do trabalho cognitivo permitiu ainda eliciar conhecimento de meteorologistas experientes que, desse modo, pode ser preservado e até compartilhado por meio de mapas conceituais. Além disso, a abordagem conjunta do sistema cognitivo homem-máquina permitiu que fossem revelados pontos críticos e fragilidades como por exemplo o medo do alarme falso e a dificuldade para acessar um grande número de informações num curto intervalo de tempo. Finalmente, esses resultados oferecem uma oportunidade para o futuro desenvolvimento de artefatos mais adequados à cognição do previsor meteorológico no contexto de seu ambiente de trabalho. |
id |
INPE_fd3208d40bf47e88552f4dd2587ce3d3 |
---|---|
oai_identifier_str |
oai:urlib.net:sid.inpe.br/mtc-m19/2012/03.29.22.41.53-0 |
network_acronym_str |
INPE |
network_name_str |
Biblioteca Digital de Teses e Dissertações do INPE |
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisPrevisão de extremos de chuva no Rio de Janeiro: melhorias utilizando o conhecimento adquirido com eventos anterioresExtreme precipitation forecats in Rio de Janeiro, Brazil: improvements using prior events knowledge2012-04-13Carlos Afonso NobreKarla Maria Longo de FreitasMarcelo Enrique SeluchiJose Orlando GomesGiovanni Dolif NetoInstituto Nacional de Pesquisas EspaciaisPrograma de Pós-Graduação do INPE em MeteorologiaINPEBRextremos de chuvapadrões sinóticosprevisão de tempoRio de Janeiroanálise do trabalho cognitivoheavy rainsynoptic patternweather forecastRio de Janeirocognitive task analysisA chuva forte é a maior causa de Desastres Naturais no mundo e também no Brasil. Pela primeira vez, no Brasil, estudou-se a previsão desses eventos de chuva incluindo a análise do trabalho cognitivo do previsor meteorológico. Além disso, foi desenvolvido um método objetivo que compara campos atmosféricos previstos com padrões do passado determinando similaridade entre estes (MeDPAt). O método se mostrou eficiente para a detecção de chuva forte no Rio de Janeiro. O baixo custo computacional do método permite seu uso tanto em pesquisa como em ambiente operacional. Apesar dos grandes avanços nos sistemas de assimilação de dados e na física dos modelos numéricos da atmosfera, as previsões quantitativas de precipitação para limiares acima de 50 mm/24h ainda apresentam baixos índices de acerto. Entretanto, os avisos meteorológicos emitidos para a sociedade não dependem apenas desses modelos matemáticos, mas resultam da interpretação que o previsor faz dessa ferramenta. Portanto, adotou-se uma abordagem na qual a previsão de tempo é o resultado do trabalho de um sistema cognitivo conjunto formado por homem e máquina. Na componente numérica (máquina) deste sistema desenvolveu-se e testou-se um Método para Detecção de Padrões Atmosféricos (MeDPAt). Este método aplicado às previsões operacionais do modelo atmosférico ETA40 revelou uma combinação de variáveis que se mostrou mais eficiente na detecção de eventos de chuva forte na cidade do Rio de Janeiro, formada pela umidade relativa no nível de 900 hPa e vento meridional a 10 metros de altura. Foi possível melhorar em 67\% o índice de detecção e diminuir em 39\% os alarmes falsos. Além disso, o MeDPAt revelou que variáveis utilizadas em estudos anteriores sobre padrões atmosféricos associados a extremos de chuva na Região Sudeste produzem grande número de alarmes falsos, entre elas destacam-se a pressão ao nível do mar e o geopotencial no nível de 500 hPa. O MeDPAt, da maneira como foi concebido, pode também ser testado na detecção de outros padrões atmosféricos e ainda pode ser aplicado a outros modelos numéricos da atmosfera. Na componente humana estudou-se o trabalho cognitivo de meteorologistas da prefeitura do Rio de Janeiro (AlertaRio), o que revelou grande participação do conhecimento tácito (36\%) na previsão de chuva significativa. A análise do trabalho cognitivo permitiu ainda eliciar conhecimento de meteorologistas experientes que, desse modo, pode ser preservado e até compartilhado por meio de mapas conceituais. Além disso, a abordagem conjunta do sistema cognitivo homem-máquina permitiu que fossem revelados pontos críticos e fragilidades como por exemplo o medo do alarme falso e a dificuldade para acessar um grande número de informações num curto intervalo de tempo. Finalmente, esses resultados oferecem uma oportunidade para o futuro desenvolvimento de artefatos mais adequados à cognição do previsor meteorológico no contexto de seu ambiente de trabalho.Intense precipitation events are the commonest cause of Natural Disasters worldwide, including Brazil. While predictions of such disasters could mitigate some of the social and economic impacts associated with such events, accurate predictions are challenging, despite the great improvements in data assimilation, representation of physical processes and atmospheric model output statistics. Strong precipitation events that produce rainfall above 50 mm/ day are often misrepresented in numerical models, which may prevent forecasters to issue warnings to the society in advance. When weather forecast centres decide whether to issue warnings, they do not rely solely on results from numerical models; instead forecasters interpret these model results and use their previous knowledge to decide whether a heavy rainfall event is likely. Nonetheless, the forecaster's knowledge and acquired skills are seldom accounted when we assess how well these phenomena can be predicted. Therefore, the aim of this study is to develop a technique that combines a novel methodology that recognises weather patterns associated with intense precipitation; and determines how weather forecasters develop, improve, and share their forecasting skills, a component that has been hitherto neglected. The methods were tested for the predictions of intense precipitation events in Rio de Janeiro, but the technique is general and could be applied anywhere. For the machine component of this study, it was developed and validated a Method for Atmospheric Pattern Detection (MeDPAt), using weather forecast fields from ETA40. This method utilises pattern recognition and neural networks to determine the most important atmospheric states associated with heavy rainfall. When applied to Rio de Janeiro case, it was observed that the combination of relative humidity at 900 hPa and meridional wind at 10 m above ground has the most efficient predictive power, increasing the detection rate by 67\% and reducing false alarms by 39\%. In addition, MeDPAt results show that fields such as sea level pressure and geopotential height at 500 hPa produced a high rate of false detections, despite previous studies pointing out that they are associated with these events. MeDPAt was conceived in a way that different fields and combination of fields, either from ETA40 or other models, could be easily tested for heavy rainfall or other types of atmospheric phenomena . For the human component, it was analysed the contribution of the cognitive knowledge of meteorologists who work at Rio de Janeiro's system for Heavy Rain Warnings (AlertaRio), and this study found that 36\% of the decisions throughout the cognitive process leading to significative rain forecast could be directly attributed to their tacit knowledge. In addition, the cognitive analysis allowed us to elicit and represent in conceptual maps the knowledge of experienced meteorologists, which can be further preserved and shared with younger generations and other institutions. Finally, the joint human-machine approach of the cognitive system revealed critical points (fear to issue a false alarm and difficulties in accessing information ) as well as some shortcomings that limit the forecast ability. For example, the development of ergonomic tools such as softwares that convey the information needed to the forecasters could significantly facilitate the meteorologist's cognition.http://urlib.net/sid.inpe.br/mtc-m19/2012/03.29.22.41info:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações do INPEinstname:Instituto Nacional de Pesquisas Espaciais (INPE)instacron:INPE2021-07-31T06:53:49Zoai:urlib.net:sid.inpe.br/mtc-m19/2012/03.29.22.41.53-0Biblioteca Digital de Teses e Dissertaçõeshttp://bibdigital.sid.inpe.br/PUBhttp://bibdigital.sid.inpe.br/col/iconet.com.br/banon/2003/11.21.21.08/doc/oai.cgiopendoar:32772021-07-31 06:53:50.998Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE)false |
dc.title.pt.fl_str_mv |
Previsão de extremos de chuva no Rio de Janeiro: melhorias utilizando o conhecimento adquirido com eventos anteriores |
dc.title.alternative.en.fl_str_mv |
Extreme precipitation forecats in Rio de Janeiro, Brazil: improvements using prior events knowledge |
title |
Previsão de extremos de chuva no Rio de Janeiro: melhorias utilizando o conhecimento adquirido com eventos anteriores |
spellingShingle |
Previsão de extremos de chuva no Rio de Janeiro: melhorias utilizando o conhecimento adquirido com eventos anteriores Giovanni Dolif Neto |
title_short |
Previsão de extremos de chuva no Rio de Janeiro: melhorias utilizando o conhecimento adquirido com eventos anteriores |
title_full |
Previsão de extremos de chuva no Rio de Janeiro: melhorias utilizando o conhecimento adquirido com eventos anteriores |
title_fullStr |
Previsão de extremos de chuva no Rio de Janeiro: melhorias utilizando o conhecimento adquirido com eventos anteriores |
title_full_unstemmed |
Previsão de extremos de chuva no Rio de Janeiro: melhorias utilizando o conhecimento adquirido com eventos anteriores |
title_sort |
Previsão de extremos de chuva no Rio de Janeiro: melhorias utilizando o conhecimento adquirido com eventos anteriores |
author |
Giovanni Dolif Neto |
author_facet |
Giovanni Dolif Neto |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Carlos Afonso Nobre |
dc.contributor.referee1.fl_str_mv |
Karla Maria Longo de Freitas |
dc.contributor.referee2.fl_str_mv |
Marcelo Enrique Seluchi |
dc.contributor.referee3.fl_str_mv |
Jose Orlando Gomes |
dc.contributor.author.fl_str_mv |
Giovanni Dolif Neto |
contributor_str_mv |
Carlos Afonso Nobre Karla Maria Longo de Freitas Marcelo Enrique Seluchi Jose Orlando Gomes |
dc.description.abstract.por.fl_txt_mv |
A chuva forte é a maior causa de Desastres Naturais no mundo e também no Brasil. Pela primeira vez, no Brasil, estudou-se a previsão desses eventos de chuva incluindo a análise do trabalho cognitivo do previsor meteorológico. Além disso, foi desenvolvido um método objetivo que compara campos atmosféricos previstos com padrões do passado determinando similaridade entre estes (MeDPAt). O método se mostrou eficiente para a detecção de chuva forte no Rio de Janeiro. O baixo custo computacional do método permite seu uso tanto em pesquisa como em ambiente operacional. Apesar dos grandes avanços nos sistemas de assimilação de dados e na física dos modelos numéricos da atmosfera, as previsões quantitativas de precipitação para limiares acima de 50 mm/24h ainda apresentam baixos índices de acerto. Entretanto, os avisos meteorológicos emitidos para a sociedade não dependem apenas desses modelos matemáticos, mas resultam da interpretação que o previsor faz dessa ferramenta. Portanto, adotou-se uma abordagem na qual a previsão de tempo é o resultado do trabalho de um sistema cognitivo conjunto formado por homem e máquina. Na componente numérica (máquina) deste sistema desenvolveu-se e testou-se um Método para Detecção de Padrões Atmosféricos (MeDPAt). Este método aplicado às previsões operacionais do modelo atmosférico ETA40 revelou uma combinação de variáveis que se mostrou mais eficiente na detecção de eventos de chuva forte na cidade do Rio de Janeiro, formada pela umidade relativa no nível de 900 hPa e vento meridional a 10 metros de altura. Foi possível melhorar em 67\% o índice de detecção e diminuir em 39\% os alarmes falsos. Além disso, o MeDPAt revelou que variáveis utilizadas em estudos anteriores sobre padrões atmosféricos associados a extremos de chuva na Região Sudeste produzem grande número de alarmes falsos, entre elas destacam-se a pressão ao nível do mar e o geopotencial no nível de 500 hPa. O MeDPAt, da maneira como foi concebido, pode também ser testado na detecção de outros padrões atmosféricos e ainda pode ser aplicado a outros modelos numéricos da atmosfera. Na componente humana estudou-se o trabalho cognitivo de meteorologistas da prefeitura do Rio de Janeiro (AlertaRio), o que revelou grande participação do conhecimento tácito (36\%) na previsão de chuva significativa. A análise do trabalho cognitivo permitiu ainda eliciar conhecimento de meteorologistas experientes que, desse modo, pode ser preservado e até compartilhado por meio de mapas conceituais. Além disso, a abordagem conjunta do sistema cognitivo homem-máquina permitiu que fossem revelados pontos críticos e fragilidades como por exemplo o medo do alarme falso e a dificuldade para acessar um grande número de informações num curto intervalo de tempo. Finalmente, esses resultados oferecem uma oportunidade para o futuro desenvolvimento de artefatos mais adequados à cognição do previsor meteorológico no contexto de seu ambiente de trabalho. |
dc.description.abstract.eng.fl_txt_mv |
Intense precipitation events are the commonest cause of Natural Disasters worldwide, including Brazil. While predictions of such disasters could mitigate some of the social and economic impacts associated with such events, accurate predictions are challenging, despite the great improvements in data assimilation, representation of physical processes and atmospheric model output statistics. Strong precipitation events that produce rainfall above 50 mm/ day are often misrepresented in numerical models, which may prevent forecasters to issue warnings to the society in advance. When weather forecast centres decide whether to issue warnings, they do not rely solely on results from numerical models; instead forecasters interpret these model results and use their previous knowledge to decide whether a heavy rainfall event is likely. Nonetheless, the forecaster's knowledge and acquired skills are seldom accounted when we assess how well these phenomena can be predicted. Therefore, the aim of this study is to develop a technique that combines a novel methodology that recognises weather patterns associated with intense precipitation; and determines how weather forecasters develop, improve, and share their forecasting skills, a component that has been hitherto neglected. The methods were tested for the predictions of intense precipitation events in Rio de Janeiro, but the technique is general and could be applied anywhere. For the machine component of this study, it was developed and validated a Method for Atmospheric Pattern Detection (MeDPAt), using weather forecast fields from ETA40. This method utilises pattern recognition and neural networks to determine the most important atmospheric states associated with heavy rainfall. When applied to Rio de Janeiro case, it was observed that the combination of relative humidity at 900 hPa and meridional wind at 10 m above ground has the most efficient predictive power, increasing the detection rate by 67\% and reducing false alarms by 39\%. In addition, MeDPAt results show that fields such as sea level pressure and geopotential height at 500 hPa produced a high rate of false detections, despite previous studies pointing out that they are associated with these events. MeDPAt was conceived in a way that different fields and combination of fields, either from ETA40 or other models, could be easily tested for heavy rainfall or other types of atmospheric phenomena . For the human component, it was analysed the contribution of the cognitive knowledge of meteorologists who work at Rio de Janeiro's system for Heavy Rain Warnings (AlertaRio), and this study found that 36\% of the decisions throughout the cognitive process leading to significative rain forecast could be directly attributed to their tacit knowledge. In addition, the cognitive analysis allowed us to elicit and represent in conceptual maps the knowledge of experienced meteorologists, which can be further preserved and shared with younger generations and other institutions. Finally, the joint human-machine approach of the cognitive system revealed critical points (fear to issue a false alarm and difficulties in accessing information ) as well as some shortcomings that limit the forecast ability. For example, the development of ergonomic tools such as softwares that convey the information needed to the forecasters could significantly facilitate the meteorologist's cognition. |
description |
A chuva forte é a maior causa de Desastres Naturais no mundo e também no Brasil. Pela primeira vez, no Brasil, estudou-se a previsão desses eventos de chuva incluindo a análise do trabalho cognitivo do previsor meteorológico. Além disso, foi desenvolvido um método objetivo que compara campos atmosféricos previstos com padrões do passado determinando similaridade entre estes (MeDPAt). O método se mostrou eficiente para a detecção de chuva forte no Rio de Janeiro. O baixo custo computacional do método permite seu uso tanto em pesquisa como em ambiente operacional. Apesar dos grandes avanços nos sistemas de assimilação de dados e na física dos modelos numéricos da atmosfera, as previsões quantitativas de precipitação para limiares acima de 50 mm/24h ainda apresentam baixos índices de acerto. Entretanto, os avisos meteorológicos emitidos para a sociedade não dependem apenas desses modelos matemáticos, mas resultam da interpretação que o previsor faz dessa ferramenta. Portanto, adotou-se uma abordagem na qual a previsão de tempo é o resultado do trabalho de um sistema cognitivo conjunto formado por homem e máquina. Na componente numérica (máquina) deste sistema desenvolveu-se e testou-se um Método para Detecção de Padrões Atmosféricos (MeDPAt). Este método aplicado às previsões operacionais do modelo atmosférico ETA40 revelou uma combinação de variáveis que se mostrou mais eficiente na detecção de eventos de chuva forte na cidade do Rio de Janeiro, formada pela umidade relativa no nível de 900 hPa e vento meridional a 10 metros de altura. Foi possível melhorar em 67\% o índice de detecção e diminuir em 39\% os alarmes falsos. Além disso, o MeDPAt revelou que variáveis utilizadas em estudos anteriores sobre padrões atmosféricos associados a extremos de chuva na Região Sudeste produzem grande número de alarmes falsos, entre elas destacam-se a pressão ao nível do mar e o geopotencial no nível de 500 hPa. O MeDPAt, da maneira como foi concebido, pode também ser testado na detecção de outros padrões atmosféricos e ainda pode ser aplicado a outros modelos numéricos da atmosfera. Na componente humana estudou-se o trabalho cognitivo de meteorologistas da prefeitura do Rio de Janeiro (AlertaRio), o que revelou grande participação do conhecimento tácito (36\%) na previsão de chuva significativa. A análise do trabalho cognitivo permitiu ainda eliciar conhecimento de meteorologistas experientes que, desse modo, pode ser preservado e até compartilhado por meio de mapas conceituais. Além disso, a abordagem conjunta do sistema cognitivo homem-máquina permitiu que fossem revelados pontos críticos e fragilidades como por exemplo o medo do alarme falso e a dificuldade para acessar um grande número de informações num curto intervalo de tempo. Finalmente, esses resultados oferecem uma oportunidade para o futuro desenvolvimento de artefatos mais adequados à cognição do previsor meteorológico no contexto de seu ambiente de trabalho. |
publishDate |
2012 |
dc.date.issued.fl_str_mv |
2012-04-13 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
status_str |
publishedVersion |
format |
doctoralThesis |
dc.identifier.uri.fl_str_mv |
http://urlib.net/sid.inpe.br/mtc-m19/2012/03.29.22.41 |
url |
http://urlib.net/sid.inpe.br/mtc-m19/2012/03.29.22.41 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Instituto Nacional de Pesquisas Espaciais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação do INPE em Meteorologia |
dc.publisher.initials.fl_str_mv |
INPE |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
Instituto Nacional de Pesquisas Espaciais |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do INPE instname:Instituto Nacional de Pesquisas Espaciais (INPE) instacron:INPE |
reponame_str |
Biblioteca Digital de Teses e Dissertações do INPE |
collection |
Biblioteca Digital de Teses e Dissertações do INPE |
instname_str |
Instituto Nacional de Pesquisas Espaciais (INPE) |
instacron_str |
INPE |
institution |
INPE |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE) |
repository.mail.fl_str_mv |
|
publisher_program_txtF_mv |
Programa de Pós-Graduação do INPE em Meteorologia |
contributor_advisor1_txtF_mv |
Carlos Afonso Nobre |
_version_ |
1706805034791993344 |