Uso de redes neurais otimizadas para recuperaçâo do perfil de concentração de gases traço atmosféricos a partir de dados de satélites
Ano de defesa: | 2011 |
---|---|
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 Computação Aplicada
|
Departamento: |
Não Informado pela instituição
|
País: |
BR
|
Resumo em Inglês: | Currently, the $CO_2$ and $CH_4$ concentration monitoring is accomplished through \textit{in situ} measurements, only present in small amounts and numbers and often spread over large areas along different regions of the planet. However, the sources and sinks of these trace gases vary too much across spatial and temporal scale; and the use of satellite remote sensing measurements may provide us a more compact measurements set enhancing, this way, the spatial and temporal resolution observations. The remote sensing of the atmosphere allows, from a spectral radiance set achieved in different wavelengths, to determine the vertical structure of atmospheric parameters. If the sensors aboard satellite are placed at a spectral region sensitive to changes in the greenhouse effect concentration gases such as $CO_2$ and $CH_4$, the obtained radiance intensity can supply us with information concerning the vertical profile of the gases in the atmosphere at a certain time and place. This work aims at developing a neural network model to estimate the $CO_2$ and $CH_4$ atmospheric concentration from radiance measurements acquired by SCIAMACHY sensor aboard ENVISAT satellite. By analyzing the information content in the Shannon sense of the sensor spectral lines it was able to select a reduced and self-sufficient channel set for retrieving vertical profiles of trace gases. Two other approaches have been successfully tested: the selection of dedicated channels through determination of the number of degrees of freedom (DFS) for signal and the choice of channels through sensitivity analysis for the gas spectral lines (OSP method). Additionally we propose a methodology based on metaheuristics and evolutionary computing to optimize the parameters of the inverse model. We built a new approach to estimate the computational complexity of the ANN architecture based on the number of neurons and the number of epochs required for the network training. We applied the proposed scheme to the ill-posed problem of retrieving concentration vertical profiles of atmospheric greenhouse gases which has lead to optimized network architectures. The results showed that the computational approach proposed has better performance compared to a human expert, while offering many advantages compared to similar approaches in the literature. The results were validated using independent in-situ observations obtained by the Global Monitoring Division of NOAA. These measurements were performed at the Mauna Loa observatory, Hawaii (latitude 19.54\textdegree N, longitude 155.58\textdegree W) at an altitude of 3397 m and at the South Pole (latitude -89.98\textdegree S, longitude -24.80\textdegree W) at an altitude of 2800 m above sea level. Comparisons between $CO_2$ and $CH_4$ predicted by the model and those observed by NOAA over the years 2005 and 2007 in regions of interest showed good agreement. The residue is detected to be less than $0.9\%$ for both gases. |
Link de acesso: | http://urlib.net/sid.inpe.br/mtc-m19/2011/06.06.12.20 |
Resumo: | Atualmente, o monitoramento da concentração de gases traço na atmosfera é feito através de medições realizadas \textit{in situ}, em pontos esparsos sobre diferentes regiões do planeta. Contudo, as fontes e sumidouros de tais gases ($CO_2$ e $CH_4$, por exemplo) variam muito em escala temporal e espacial; e o uso de medidas por sensoriamento remoto a partir de satélites pode fornecer um conjunto mais denso de medidas aumentando a resolução espacial e temporal das observações. O sensoriamento remoto da atmosfera permite, a partir de um conjunto de radiâncias espectrais realizadas em diferentes comprimentos de onda, determinar a estrutura vertical de parâmetros atmosféricos. Se os canais a bordo do satélite estão localizados em uma região espectral que é sensível à concentração do gás traço, a intensidade desta radiância pode nos fornecer informações acerca do perfil do gás na atmosfera num determinado tempo e local. Neste trabalho desenvolvemos um modelo baseado em Redes Neurais capaz de estimar a concentração de $CO_2$ e $CH_4$ na atmosfera a partir de medidas de radiância obtidas pelo sensor SCIAMACHY a bordo do satélite ENVISAT. Através da análise do conteúdo de informação no sentido de Shannon das linhas espectrais do sensor foi possível selecionar conjuntos reduzidos e auto-suficientes de canais para recuperação de perfis verticais de GEE. Outras duas abordagens para seleção de canais foram testadas com sucesso: a seleção de canais através da extração dos graus de liberdade do sinal (método GLS) e a escolha de canais através de análise da sensibilidade das linhas com relação à variação do gás (método OSP). Adicionalmente propomos uma metodologia baseada em metaheurísticas de busca e computação evolucionária para otimização dos parâmetros do modelo de inversão. Construímos uma nova abordagem para estimação da complexidade computacional da arquitetura de uma Rede Neural Artificial (RNA) baseada no número de neurônios e no número de épocas necessários para o treinamento dos padrões apresentados à rede. Aplicou-se o esquema proposto ao problema da recuperação de perfis atmosféricos de concentração de gases de efeito estufa o qual permitiu a obtenção de uma arquiteturas de rede otimizada. Os resultados mostraram que a abordagem computacional proposta apresenta melhor performance em relação a um especialista humano, oferecendo ao mesmo tempo muitas vantagens se comparada a abordagens similares encontradas na literatura. Os resultados foram validados utilizando-se observações in-situ independentes obtidas pela divisão de monitoramento global da NOAA. Essas medições foram realizadas no observatório de Mauna Loa, no Havaí (latitude 19.54\textdegree N, longitude 155.58\textdegree W) à altitude de 3397 m e no Pólo Sul(latitude -89.98\textdegree S, longitude -24.80\textdegree W) à altitude de 2800 m acima do nível do mar. As comparações entre os $CO_2$ e $CH_4$ prevista pelo modelo e aqueles observados pela NOAA ao longo do ano de 2005 e 2007 nas regiões de interesse mostraram, em geral, boa concordância. O resíduo detectado é menor que $0.9\%$ para ambos os gases. |
id |
INPE_451f5957b7826eae7aebce6adb24d175 |
---|---|
oai_identifier_str |
oai:urlib.net:sid.inpe.br/mtc-m19/2011/06.06.12.20.33-0 |
network_acronym_str |
INPE |
network_name_str |
Biblioteca Digital de Teses e Dissertações do INPE |
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisUso de redes neurais otimizadas para recuperaçâo do perfil de concentração de gases traço atmosféricos a partir de dados de satélitesUse of optimized neural networks for retrieval of atmospheric trace gas concentration profile by using satellite data2011-06-27Fernando Manuel RamosJoão Carlos CarvalhoEzzat Selim ChalhoubJosé Carvalho BecceneriRodrigo Augusto Ferreira de SouzaIvan Bergier Tavares de LimaAdenilson Roberto CarvalhoInstituto Nacional de Pesquisas EspaciaisPrograma de Pós-Graduação do INPE em Computação AplicadaINPEBRproblemas inversosredes neuraisefeito estufasensoriamento remotocomputação evolutivainverse problemsneural networksgreenhouse effectremote sensingevolutionary computationAtualmente, o monitoramento da concentração de gases traço na atmosfera é feito através de medições realizadas \textit{in situ}, em pontos esparsos sobre diferentes regiões do planeta. Contudo, as fontes e sumidouros de tais gases ($CO_2$ e $CH_4$, por exemplo) variam muito em escala temporal e espacial; e o uso de medidas por sensoriamento remoto a partir de satélites pode fornecer um conjunto mais denso de medidas aumentando a resolução espacial e temporal das observações. O sensoriamento remoto da atmosfera permite, a partir de um conjunto de radiâncias espectrais realizadas em diferentes comprimentos de onda, determinar a estrutura vertical de parâmetros atmosféricos. Se os canais a bordo do satélite estão localizados em uma região espectral que é sensível à concentração do gás traço, a intensidade desta radiância pode nos fornecer informações acerca do perfil do gás na atmosfera num determinado tempo e local. Neste trabalho desenvolvemos um modelo baseado em Redes Neurais capaz de estimar a concentração de $CO_2$ e $CH_4$ na atmosfera a partir de medidas de radiância obtidas pelo sensor SCIAMACHY a bordo do satélite ENVISAT. Através da análise do conteúdo de informação no sentido de Shannon das linhas espectrais do sensor foi possível selecionar conjuntos reduzidos e auto-suficientes de canais para recuperação de perfis verticais de GEE. Outras duas abordagens para seleção de canais foram testadas com sucesso: a seleção de canais através da extração dos graus de liberdade do sinal (método GLS) e a escolha de canais através de análise da sensibilidade das linhas com relação à variação do gás (método OSP). Adicionalmente propomos uma metodologia baseada em metaheurísticas de busca e computação evolucionária para otimização dos parâmetros do modelo de inversão. Construímos uma nova abordagem para estimação da complexidade computacional da arquitetura de uma Rede Neural Artificial (RNA) baseada no número de neurônios e no número de épocas necessários para o treinamento dos padrões apresentados à rede. Aplicou-se o esquema proposto ao problema da recuperação de perfis atmosféricos de concentração de gases de efeito estufa o qual permitiu a obtenção de uma arquiteturas de rede otimizada. Os resultados mostraram que a abordagem computacional proposta apresenta melhor performance em relação a um especialista humano, oferecendo ao mesmo tempo muitas vantagens se comparada a abordagens similares encontradas na literatura. Os resultados foram validados utilizando-se observações in-situ independentes obtidas pela divisão de monitoramento global da NOAA. Essas medições foram realizadas no observatório de Mauna Loa, no Havaí (latitude 19.54\textdegree N, longitude 155.58\textdegree W) à altitude de 3397 m e no Pólo Sul(latitude -89.98\textdegree S, longitude -24.80\textdegree W) à altitude de 2800 m acima do nível do mar. As comparações entre os $CO_2$ e $CH_4$ prevista pelo modelo e aqueles observados pela NOAA ao longo do ano de 2005 e 2007 nas regiões de interesse mostraram, em geral, boa concordância. O resíduo detectado é menor que $0.9\%$ para ambos os gases.Currently, the $CO_2$ and $CH_4$ concentration monitoring is accomplished through \textit{in situ} measurements, only present in small amounts and numbers and often spread over large areas along different regions of the planet. However, the sources and sinks of these trace gases vary too much across spatial and temporal scale; and the use of satellite remote sensing measurements may provide us a more compact measurements set enhancing, this way, the spatial and temporal resolution observations. The remote sensing of the atmosphere allows, from a spectral radiance set achieved in different wavelengths, to determine the vertical structure of atmospheric parameters. If the sensors aboard satellite are placed at a spectral region sensitive to changes in the greenhouse effect concentration gases such as $CO_2$ and $CH_4$, the obtained radiance intensity can supply us with information concerning the vertical profile of the gases in the atmosphere at a certain time and place. This work aims at developing a neural network model to estimate the $CO_2$ and $CH_4$ atmospheric concentration from radiance measurements acquired by SCIAMACHY sensor aboard ENVISAT satellite. By analyzing the information content in the Shannon sense of the sensor spectral lines it was able to select a reduced and self-sufficient channel set for retrieving vertical profiles of trace gases. Two other approaches have been successfully tested: the selection of dedicated channels through determination of the number of degrees of freedom (DFS) for signal and the choice of channels through sensitivity analysis for the gas spectral lines (OSP method). Additionally we propose a methodology based on metaheuristics and evolutionary computing to optimize the parameters of the inverse model. We built a new approach to estimate the computational complexity of the ANN architecture based on the number of neurons and the number of epochs required for the network training. We applied the proposed scheme to the ill-posed problem of retrieving concentration vertical profiles of atmospheric greenhouse gases which has lead to optimized network architectures. The results showed that the computational approach proposed has better performance compared to a human expert, while offering many advantages compared to similar approaches in the literature. The results were validated using independent in-situ observations obtained by the Global Monitoring Division of NOAA. These measurements were performed at the Mauna Loa observatory, Hawaii (latitude 19.54\textdegree N, longitude 155.58\textdegree W) at an altitude of 3397 m and at the South Pole (latitude -89.98\textdegree S, longitude -24.80\textdegree W) at an altitude of 2800 m above sea level. Comparisons between $CO_2$ and $CH_4$ predicted by the model and those observed by NOAA over the years 2005 and 2007 in regions of interest showed good agreement. The residue is detected to be less than $0.9\%$ for both gases.http://urlib.net/sid.inpe.br/mtc-m19/2011/06.06.12.20info:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações do INPEinstname:Instituto Nacional de Pesquisas Espaciais (INPE)instacron:INPE2021-07-31T06:53:36Zoai:urlib.net:sid.inpe.br/mtc-m19/2011/06.06.12.20.33-0Biblioteca 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 06:53:38.215Biblioteca Digital de Teses e Dissertações do INPE - Instituto Nacional de Pesquisas Espaciais (INPE)false |
dc.title.pt.fl_str_mv |
Uso de redes neurais otimizadas para recuperaçâo do perfil de concentração de gases traço atmosféricos a partir de dados de satélites |
dc.title.alternative.en.fl_str_mv |
Use of optimized neural networks for retrieval of atmospheric trace gas concentration profile by using satellite data |
title |
Uso de redes neurais otimizadas para recuperaçâo do perfil de concentração de gases traço atmosféricos a partir de dados de satélites |
spellingShingle |
Uso de redes neurais otimizadas para recuperaçâo do perfil de concentração de gases traço atmosféricos a partir de dados de satélites Adenilson Roberto Carvalho |
title_short |
Uso de redes neurais otimizadas para recuperaçâo do perfil de concentração de gases traço atmosféricos a partir de dados de satélites |
title_full |
Uso de redes neurais otimizadas para recuperaçâo do perfil de concentração de gases traço atmosféricos a partir de dados de satélites |
title_fullStr |
Uso de redes neurais otimizadas para recuperaçâo do perfil de concentração de gases traço atmosféricos a partir de dados de satélites |
title_full_unstemmed |
Uso de redes neurais otimizadas para recuperaçâo do perfil de concentração de gases traço atmosféricos a partir de dados de satélites |
title_sort |
Uso de redes neurais otimizadas para recuperaçâo do perfil de concentração de gases traço atmosféricos a partir de dados de satélites |
author |
Adenilson Roberto Carvalho |
author_facet |
Adenilson Roberto Carvalho |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Fernando Manuel Ramos |
dc.contributor.advisor2.fl_str_mv |
João Carlos Carvalho |
dc.contributor.referee1.fl_str_mv |
Ezzat Selim Chalhoub |
dc.contributor.referee2.fl_str_mv |
José Carvalho Becceneri |
dc.contributor.referee3.fl_str_mv |
Rodrigo Augusto Ferreira de Souza |
dc.contributor.referee4.fl_str_mv |
Ivan Bergier Tavares de Lima |
dc.contributor.author.fl_str_mv |
Adenilson Roberto Carvalho |
contributor_str_mv |
Fernando Manuel Ramos João Carlos Carvalho Ezzat Selim Chalhoub José Carvalho Becceneri Rodrigo Augusto Ferreira de Souza Ivan Bergier Tavares de Lima |
dc.description.abstract.por.fl_txt_mv |
Atualmente, o monitoramento da concentração de gases traço na atmosfera é feito através de medições realizadas \textit{in situ}, em pontos esparsos sobre diferentes regiões do planeta. Contudo, as fontes e sumidouros de tais gases ($CO_2$ e $CH_4$, por exemplo) variam muito em escala temporal e espacial; e o uso de medidas por sensoriamento remoto a partir de satélites pode fornecer um conjunto mais denso de medidas aumentando a resolução espacial e temporal das observações. O sensoriamento remoto da atmosfera permite, a partir de um conjunto de radiâncias espectrais realizadas em diferentes comprimentos de onda, determinar a estrutura vertical de parâmetros atmosféricos. Se os canais a bordo do satélite estão localizados em uma região espectral que é sensível à concentração do gás traço, a intensidade desta radiância pode nos fornecer informações acerca do perfil do gás na atmosfera num determinado tempo e local. Neste trabalho desenvolvemos um modelo baseado em Redes Neurais capaz de estimar a concentração de $CO_2$ e $CH_4$ na atmosfera a partir de medidas de radiância obtidas pelo sensor SCIAMACHY a bordo do satélite ENVISAT. Através da análise do conteúdo de informação no sentido de Shannon das linhas espectrais do sensor foi possível selecionar conjuntos reduzidos e auto-suficientes de canais para recuperação de perfis verticais de GEE. Outras duas abordagens para seleção de canais foram testadas com sucesso: a seleção de canais através da extração dos graus de liberdade do sinal (método GLS) e a escolha de canais através de análise da sensibilidade das linhas com relação à variação do gás (método OSP). Adicionalmente propomos uma metodologia baseada em metaheurísticas de busca e computação evolucionária para otimização dos parâmetros do modelo de inversão. Construímos uma nova abordagem para estimação da complexidade computacional da arquitetura de uma Rede Neural Artificial (RNA) baseada no número de neurônios e no número de épocas necessários para o treinamento dos padrões apresentados à rede. Aplicou-se o esquema proposto ao problema da recuperação de perfis atmosféricos de concentração de gases de efeito estufa o qual permitiu a obtenção de uma arquiteturas de rede otimizada. Os resultados mostraram que a abordagem computacional proposta apresenta melhor performance em relação a um especialista humano, oferecendo ao mesmo tempo muitas vantagens se comparada a abordagens similares encontradas na literatura. Os resultados foram validados utilizando-se observações in-situ independentes obtidas pela divisão de monitoramento global da NOAA. Essas medições foram realizadas no observatório de Mauna Loa, no Havaí (latitude 19.54\textdegree N, longitude 155.58\textdegree W) à altitude de 3397 m e no Pólo Sul(latitude -89.98\textdegree S, longitude -24.80\textdegree W) à altitude de 2800 m acima do nível do mar. As comparações entre os $CO_2$ e $CH_4$ prevista pelo modelo e aqueles observados pela NOAA ao longo do ano de 2005 e 2007 nas regiões de interesse mostraram, em geral, boa concordância. O resíduo detectado é menor que $0.9\%$ para ambos os gases. |
dc.description.abstract.eng.fl_txt_mv |
Currently, the $CO_2$ and $CH_4$ concentration monitoring is accomplished through \textit{in situ} measurements, only present in small amounts and numbers and often spread over large areas along different regions of the planet. However, the sources and sinks of these trace gases vary too much across spatial and temporal scale; and the use of satellite remote sensing measurements may provide us a more compact measurements set enhancing, this way, the spatial and temporal resolution observations. The remote sensing of the atmosphere allows, from a spectral radiance set achieved in different wavelengths, to determine the vertical structure of atmospheric parameters. If the sensors aboard satellite are placed at a spectral region sensitive to changes in the greenhouse effect concentration gases such as $CO_2$ and $CH_4$, the obtained radiance intensity can supply us with information concerning the vertical profile of the gases in the atmosphere at a certain time and place. This work aims at developing a neural network model to estimate the $CO_2$ and $CH_4$ atmospheric concentration from radiance measurements acquired by SCIAMACHY sensor aboard ENVISAT satellite. By analyzing the information content in the Shannon sense of the sensor spectral lines it was able to select a reduced and self-sufficient channel set for retrieving vertical profiles of trace gases. Two other approaches have been successfully tested: the selection of dedicated channels through determination of the number of degrees of freedom (DFS) for signal and the choice of channels through sensitivity analysis for the gas spectral lines (OSP method). Additionally we propose a methodology based on metaheuristics and evolutionary computing to optimize the parameters of the inverse model. We built a new approach to estimate the computational complexity of the ANN architecture based on the number of neurons and the number of epochs required for the network training. We applied the proposed scheme to the ill-posed problem of retrieving concentration vertical profiles of atmospheric greenhouse gases which has lead to optimized network architectures. The results showed that the computational approach proposed has better performance compared to a human expert, while offering many advantages compared to similar approaches in the literature. The results were validated using independent in-situ observations obtained by the Global Monitoring Division of NOAA. These measurements were performed at the Mauna Loa observatory, Hawaii (latitude 19.54\textdegree N, longitude 155.58\textdegree W) at an altitude of 3397 m and at the South Pole (latitude -89.98\textdegree S, longitude -24.80\textdegree W) at an altitude of 2800 m above sea level. Comparisons between $CO_2$ and $CH_4$ predicted by the model and those observed by NOAA over the years 2005 and 2007 in regions of interest showed good agreement. The residue is detected to be less than $0.9\%$ for both gases. |
description |
Atualmente, o monitoramento da concentração de gases traço na atmosfera é feito através de medições realizadas \textit{in situ}, em pontos esparsos sobre diferentes regiões do planeta. Contudo, as fontes e sumidouros de tais gases ($CO_2$ e $CH_4$, por exemplo) variam muito em escala temporal e espacial; e o uso de medidas por sensoriamento remoto a partir de satélites pode fornecer um conjunto mais denso de medidas aumentando a resolução espacial e temporal das observações. O sensoriamento remoto da atmosfera permite, a partir de um conjunto de radiâncias espectrais realizadas em diferentes comprimentos de onda, determinar a estrutura vertical de parâmetros atmosféricos. Se os canais a bordo do satélite estão localizados em uma região espectral que é sensível à concentração do gás traço, a intensidade desta radiância pode nos fornecer informações acerca do perfil do gás na atmosfera num determinado tempo e local. Neste trabalho desenvolvemos um modelo baseado em Redes Neurais capaz de estimar a concentração de $CO_2$ e $CH_4$ na atmosfera a partir de medidas de radiância obtidas pelo sensor SCIAMACHY a bordo do satélite ENVISAT. Através da análise do conteúdo de informação no sentido de Shannon das linhas espectrais do sensor foi possível selecionar conjuntos reduzidos e auto-suficientes de canais para recuperação de perfis verticais de GEE. Outras duas abordagens para seleção de canais foram testadas com sucesso: a seleção de canais através da extração dos graus de liberdade do sinal (método GLS) e a escolha de canais através de análise da sensibilidade das linhas com relação à variação do gás (método OSP). Adicionalmente propomos uma metodologia baseada em metaheurísticas de busca e computação evolucionária para otimização dos parâmetros do modelo de inversão. Construímos uma nova abordagem para estimação da complexidade computacional da arquitetura de uma Rede Neural Artificial (RNA) baseada no número de neurônios e no número de épocas necessários para o treinamento dos padrões apresentados à rede. Aplicou-se o esquema proposto ao problema da recuperação de perfis atmosféricos de concentração de gases de efeito estufa o qual permitiu a obtenção de uma arquiteturas de rede otimizada. Os resultados mostraram que a abordagem computacional proposta apresenta melhor performance em relação a um especialista humano, oferecendo ao mesmo tempo muitas vantagens se comparada a abordagens similares encontradas na literatura. Os resultados foram validados utilizando-se observações in-situ independentes obtidas pela divisão de monitoramento global da NOAA. Essas medições foram realizadas no observatório de Mauna Loa, no Havaí (latitude 19.54\textdegree N, longitude 155.58\textdegree W) à altitude de 3397 m e no Pólo Sul(latitude -89.98\textdegree S, longitude -24.80\textdegree W) à altitude de 2800 m acima do nível do mar. As comparações entre os $CO_2$ e $CH_4$ prevista pelo modelo e aqueles observados pela NOAA ao longo do ano de 2005 e 2007 nas regiões de interesse mostraram, em geral, boa concordância. O resíduo detectado é menor que $0.9\%$ para ambos os gases. |
publishDate |
2011 |
dc.date.issued.fl_str_mv |
2011-06-27 |
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-m19/2011/06.06.12.20 |
url |
http://urlib.net/sid.inpe.br/mtc-m19/2011/06.06.12.20 |
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 Computação Aplicada |
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 Computação Aplicada |
contributor_advisor1_txtF_mv |
Fernando Manuel Ramos |
_version_ |
1706805033508536320 |