Predição de Características de Partículas Atmosféricas Utilizando Redes Neurais Convolucionais

Abstract

A concentração de partículas prismáticas na atmosfera possui influências significativas em nosso planeta. Modelos climáticos são fortemente afetados por características de partículas como os cristais de gelo, presentes em nuvens, que alteram taxas de reflexão e absorção de radiação, alterando o clima terrestre. Uma forma de coletar amostras para o estudo de tais partículas é a utilização de sondas, que registram imagens de padrões bidimensionais de dispersão de luz de uma partícula capturada. Dessas imagens, podemos extrair informações úteis, como tamanho e formato. Para extrair estas informações de tamanho e formato, este relatório foi elaborado com o objetivo de implementar um ambiente de arquitetura Deep Learning com redes neurais convolucionais para um problema de regressão em um conjunto de pequenas partículas atmosféricas com a intenção de prever o tamanho projetado de tais partículas. O principal aspecto da implementação, foi deixar o sistema invariante à possíveis rotações existentes nos dados das partículas, para tanto, uma abordagem de tratamento de imagens com o uso de transformadas rápidas de Fourier e sua inversa foi utilizada. Os resultados obtidos do modelo desenvolvido foram satisfatórios, com um coeficiente de determinação R^2 = 0.9901 no melhor dos experimentos realizados. Também foi feita uma comparação com os resultados já obtidos em um trabalho anterior que usou o mesmo conjunto de dados sobre diferentes técnicas de aprendizado de máquina.

The concentration of prismatic particles on the atmosphere has significant influences on our planet. Climate models are strongly affected by characteristics of atmospheric particles such as ice crystals, present in clouds, which can modify the reflection and absorption rates of radiation, thus changing Earth’s climate. One way of collecting samples for the study of such particles is the use of probes, which record the two-dimensional light scattering patterns of a captured particle. From those images, one can extract useful information, such as size and shape of particles. To extract those informations, the objective of this report is to implement a Deep Learning architecture environment with convolutional neural networks for a regression problem on a set of small atmospheric particles with the intention of predicting the projected size of these particles. The main aspect of the implementation is to make the system invariant to possible rotations which can exist in the particle data; thus, an approach of image processing using fast Fourier transforms and its inverse was used. The results obtained from the developed model were satisfactory, with a coefficient of determination R^2 = 0.9901 on the best of the experiments performed. These results were also compared with results obtained from a previous work that used the same dataset on different machine learning techniques.