Solar irradiance prediction: replicating a workflow and making it reproducible
| dc.contributor.advisor | Santos, Rafael Duarte Coelho dos | |
| dc.contributor.author | Muralikrishna, Amita | |
| dc.contributor.coadvisor | Vieira, Luis Eduardo Antunes | |
| dc.contributor.referee | Vijaykumar, Nandamudi Lankalapalli | |
| dc.contributor.referee | Santos, Rafael Duarte Coelho dos | |
| dc.contributor.referee | Vieira, Luis Eduardo Antunes | |
| dc.contributor.referee | Dal Lago, Alisson | |
| dc.contributor.referee | Carlesso, Franciele | |
| dc.contributor.referee | Lorena, Ana Carolina | |
| dc.contributor.referee | Gomez, Jenny Marcela Rodriguez | |
| dc.date.accessioned | 2024-12-18T21:03:27Z | |
| dc.date.available | 2024-12-18T21:03:27Z | |
| dc.date.issued | 2021-10-21 | |
| dc.description.abstract | In times when computational resources - such as data, code, software tools, libraries, etc. - play a fundamental role in the development of scientific works, it has become evident that transparency regarding all the computational arsenal involved in such type of work is essential for its validation. This concern is the basis of the culture of reproducibility, which aims to add to a work the possibility of it being reproduced by an unknown person or by the author herself/himself in the future. Reproducibility can bring other benefits such as enabling the reuse and continuity of a work, which is associated with other terms such as replicability. This thesis is based on a workflow developed for solar irradiance prediction, and focuses on replicating it and adopting mechanisms to make the new workflow reproducible, as well as better exploiting recurrent neural networks for the prediction task. The prediction of the total solar irradiance at the top of the atmosphere would contribute, for example, in studies of solar variability, or could bring improvements to atmospheric and climate models on Earth; however, it is a service still not much explored by the scientific community in the area of space weather. The new version of the workflow was developed attempting to use free computational resources, such as the Python language and Linux operating system, and performs the prediction task using different recurrent neural network architectures from the Keras library. The work confirms the effec tiveness of recurrent networks in predicting total solar irradiance and for one of the emission lines tested: lyman-α; and suggests that the prediction of other lines of the spectrum need additional parameters to obtain better accuracy. This document reports the replication process, presents the irradiance prediction results, and lists the computational resources employed to try to make the new workflow reproducible. | |
| dc.description.abstract2 | Em tempos em que diversos recursos computacionais - como dados, códigos, ferramentas de software, bibliotecas, etc. - são utilizados para o desenvolvimento de trabalhos científicos, tornou-se evidente que a transparência sobre todo o arsenal computacional envolvido em um trabalho é essencial para a sua validação. Essa preocupação é a base da cultura da reprodutibilidade, a qual tem como objetivo, agregar a um trabalho a possibilidade de ele ser reproduzido por um desconhecido ou pelo próprio autor futuramente. A reprodutibilidade pode trazer outros benefícios como possibilitar o reaproveitamento e a continuidade de um trabalho, o que é associado a termos como a replicabilidade. Esta tese usa como base um workflow desenvolvido para a previsão da irradiância solar, e se concentra em replicá-lo e adotar mecanismos para tornar o novo workflow reprodutível, além de explorar melhor as redes neurais recorrentes para a tarefa de previsão. A previsão da irradiância solar total no topo da atmosfera contribuiria, por exemplo, em estudos da variabilidade solar, ou poderia trazer melhorias para modelos atmosféricos e climáticos na Terra; no entanto, é um serviço ainda pouco explorado pela comunidade científica da área de clima espacial. A nova versão do workflow foi desenvolvida buscando utilizar recursos computacionais gratuitos, como a linguagem Python e sistema operacional Linux, e realiza a tarefa de previsão utilizando diferentes arquiteturas de redes neurais re correntes da biblioteca Keras. O trabalho confirma a eficácia das redes recorrentes na previsão da irradiância solar total e para uma das linhas de emissão testadas, a lyman-α; e sugere que a previsão de outras linhas do espectro necessitam de parâmetros adicionais para obter melhor acurácia. Este documento relata o processo de replicação, apresenta os resultados da previsão da irradiância e relaciona os recursos computacionais empregados para tentar tornar o novo workflow reprodutível. | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.bibliographicCitation | MURALIKRISHNA, Amita. Solar irradiance prediction: replicating a workflow and making it reproducible. 2021. 183 p. Tese (Doutorado) - Ministério da Ciência, Tecnologia e Inovações, Instituto Nacional de Pesquisas Espaciais - INPE, São José dos Campos, 2021. | |
| dc.identifier.uri | https://repositorio.ifsp.edu.br/handle/123456789/1825 | |
| dc.identifier2.lattes | http://lattes.cnpq.br/0684819088538697 | |
| dc.publisher | Instituto Nacional de Pesquisas Espaciais (INPE) | |
| dc.publisher.campi | SÃO JOSE DOS CAMPOS | |
| dc.publisher.program | Computação Aplicada | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.source.uri | http://urlib.net/8JMKD3MGP3W34T/45LRUHH | |
| dc.subject.keywords | Solar irradiance | |
| dc.subject.keywords | Recurrent neural network | |
| dc.subject.keywords | LSTM | |
| dc.subject.keywords | GRU | |
| dc.subject.keywords | Reproducibility | |
| dc.title | Solar irradiance prediction: replicating a workflow and making it reproducible | |
| dc.title.alternative | Previsão da irradiância solar: replicando um fluxo de trabalho e tornando-o reprodutível | |
| dc.type | Teses e Dissertações |