10.04.2015 Views

Formato PDF - mtc-m17:80 - Inpe

Formato PDF - mtc-m17:80 - Inpe

Formato PDF - mtc-m17:80 - Inpe

SHOW MORE
SHOW LESS

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>

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!