Please use this identifier to cite or link to this item: http://repositorio.ufpa.br:8080/jspui/handle/2011/12190
metadata.dc.type: Dissertação
Issue Date: 10-Oct-2019
metadata.dc.creator: SILVA, Arilson Galdino da
metadata.dc.description.affiliation: Centro Gestor e Operacional do Sistema de Proteção da Amazônia, Centro Regional de Belém.
metadata.dc.contributor.advisor1: CASTRO, Adriana Rosa Garcez
Title: Modelo de previsão hidrológica utilizando redes neurais artificiais: um estudo de caso na bacia do Rio Xingu- Altamira-Pa
Other Titles: Hydrological forecasting model using artificial neural networks: a case study in the Xingu-Altamira-Pa basin
Citation: SILVA, Arilson Galdino da. Modelo de previsão hidrológica utilizando redes neurais artificiais: um estudo de caso na bacia do Rio Xingu- Altamira-Pa. Orientadora: Adriana Rosa Garcez Castro 2019. 69 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, ,Belém, 2019. Disponível em:http://repositorio.ufpa.br:8080/jspui/handle/2011/12190 . Acesso em:.
metadata.dc.description.resumo: O conhecimento acerca da amplitude do transbordamento dos leitos fluviais é extremamente necessário para determinação das áreas de risco. A cidade de Altamira-PA, localizada às margens do rio Xingu, vem sofrendo com casos extremos de cheias que tendem a provocar inundações, resultando em severos prejuízos para a sua população. Considerando o problema, este trabalho apresenta a proposta de um sistema de previsão de nível mensal do Rio Xingu baseado em Redes Neurais Artificiais Perceptron de Múltiplas Camadas. Para o desenvolvimento do sistema foram utilizados dados de precipitação na bacia e sub-bacias do Rio Xingu, e informações de Temperatura da Superfície do Mar (TSM) do período de 1979 a 2016. Os resultados satisfatórios obtidos demonstram a grande aplicabilidade das Redes Neurais Artificiais para o problema de previsão de cheias, visto que comparada a outras metodologias possuem maior precisão na busca de soluções para problemas não lineares. Para o tratamento e seleção das variáveis de entrada foi utilizada a abordagem de correlação, com o objetivo de melhorar a acurácia dos resultados, selecionando, assim, as melhores informações com suas respectivas defasagens, na qual são inseridas em três cenários de predição: modelo com dados de precipitação, modelo com informações de temperatura da superfície do mar e aplicação utilizando a junção de TSM com precipitação. Para mensurar a capacidade de predição dos métodos propostos, foram obtidos os valores Mean Square Error (MSE) e coeficiente de determinação (R²), para a melhor estratégia, empregando somente variáveis oceânicas, TSM, sendo respectivamente os valores 2,99x104 e 0,9991 considerando, principalmente, o tratamento dos valores de entrada da Rede Neural.
Abstract: Knowledge about the extent of riverbed overflow is extremely necessary for the determination of areas at risk. The City of Altamira-PA, located on the banks of the Xingu River, historically suffers from extreme events of floods that provoke floods, causing great damages to the population. Considering the problem, this paper presents a monthly level prediction system of the Xingu River based on neural networks perceptron of multiple layers. For the development of the system, rainfall data were used in the basin and sub-basins of the Xingu River, and SST information (Sea Surface Temperature) from 1979 to 2016. The Satisfactory results demonstrate the great applicability of Artificial Neural Networks to the flood prediction problem, as compared to other methodologies have greater precision in finding solutions for nonlinear problems. For the treatment and selection of the input variables, the correlation approach was used, with the objective of improving the accuracy of the results, thus selecting the best information with their respective lags, in which they are inserted in three prediction scenarios: model with rainfall data, model with sea surface temperature information and application using the SST junction with rainfall. To measure the prediction capacity of the proposed methods, the Mean Squared Error (MSE) and coefficient of determination (R²) values were obtained for the best strategy, using only oceanic variables, SST, being the values 2,99x104 and 0,9991 considering, mainly, the treatment of input values of the Neural Network.
Keywords: Redes neurais artificiais
Modelagem hidrológica
Previsão de níveis do Rio Xingu
Bacia Xingu.
Séries temporais
Modelo previsão computacional.
metadata.dc.subject.areadeconcentracao: COMPUTAÇÃO APLICADA
metadata.dc.subject.linhadepesquisa: INTELIGÊNCIA COMPUTACIONAL
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal do Pará
metadata.dc.publisher.initials: UFPA
metadata.dc.publisher.department: Instituto de Tecnologia
metadata.dc.publisher.program: Programa de Pós-Graduação em Engenharia Elétrica
metadata.dc.rights: Acesso Aberto
metadata.dc.source: 1 CD-ROM
Appears in Collections:Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC

Files in This Item:
File Description SizeFormat 
Dissertacao_ModeloPrevisaoHidrologica.pdf2,58 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons