Formato PDF - mtc-m17:80 - Inpe
Formato PDF - mtc-m17:80 - Inpe
Formato PDF - mtc-m17:80 - Inpe
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
função objetivo J(C) é expressa pela Equação (3.27)<br />
J(C) =<br />
N<br />
∑ µ<br />
i=1<br />
R∑<br />
[L exp (τ r , µ i ) − L C (τ r , µ i )] 2 + γ Γ(C), (3.27)<br />
r=0<br />
onde L C (τ r , µ i ), dada uma solução candidata C, é o valor da radiância obtido pela resolução<br />
do problema direto de transferência radiativa, na profundidade τ r e direção polar<br />
µ i , com i = 1, 2, ..., N µ . Foi empregada função de regularização Γ(C) de Tikhonov de 2 a<br />
ordem (Equação 3.28), ponderada por um parâmetro de regularização γ, definida como:<br />
Γ(C) =<br />
∑R−2<br />
(C r − 2C r+1 + C r+2 ) 2 (3.28)<br />
r=0<br />
Numa segunda formulação, no caso de ausência de informação de radiância em profundidade,<br />
são utilizados dados experimentais de radiância multiespectral na superfície<br />
L exp (τ 0 , −µ i , λ j ), para j = 1, 2, ..., N λ . Esta abordagem só se torna possível, graças ao<br />
emprego dos modelos bio-ópticos fornecidos pelas Eqs. (3.22) e (3.23). De fato, uma vez<br />
que o domínio dos comprimentos de onda λ é conhecido, resta somente como incógnita<br />
o perfil de concentração de clorofila, representado pelos valores R + 1 discretos de C.<br />
Neste caso, a função objetivo J(C) é então expressa por<br />
J(C) =<br />
N<br />
∑ µ/2<br />
i=1<br />
∑N λ<br />
j=1<br />
[L exp (τ 0 , −µ i , λ j ) − L C (τ 0 , −µ i , λ j )] 2 + γ Γ(C). (3.29)<br />
3.4 Método de otimização “Ant Colony Optimization” - ACO<br />
Uma vez que o problema inverso de recuperação de propriedades óticas inerentes da água,<br />
considerado neste trabalho, é não-linear, deve ser resolvido a partir de uma formulação<br />
implícita, iterativamente, por meio de algum método de otimização.<br />
Estes métodos são dividos basicamente em dois grupos: os determinísticos e os estocásticos.<br />
Podem ser citados como exemplos mais conhecidos dos métodos determinísticos<br />
o método de máxima descida, do gradiente conjugado, de Newton e de Levenberg-<br />
Marquardt. Quanto aos estocáticos, situam-se nesta categoria, por exemplo, os algoritmos<br />
genéticos, “Simulated Annealing” (SA) e “Ant Colony Optimization” (ACO).<br />
Os métodos determinísticos têm uma taxa de convergência maior que os estocáticos, ou<br />
<strong>80</strong>