Avaliação de modelos de inteligência artificial híbridos na estimativa de precipitações

dc.contributor.advisor1BLANCO, Claudio José Cavalcante
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8319326553139808pt_BR
dc.creatorGOMES, Evanice Pinheiro
dc.creator.Latteshttp://lattes.cnpq.br/2100869230103157pt_BR
dc.date.accessioned2023-06-26T13:59:53Z
dc.date.available2023-06-26T13:59:53Z
dc.date.issued2022-03-18
dc.description.abstractThe hydrological analyzes carried out from rainfall in the Amazon are essential due to its importance in climate regulation, regional and global atmospheric circulation. However, in this region, there are limitations related to data series with short periods and many flaws, especially in the daily scale. Despite significant advances in science and technology, practical and accurate predictions have been a major concern due to their complexity. Therefore, several conceptual models, empirical or hybrid, have been tested to forecast rain with greater precision. Among empirical models, those that incorporate artificial intelligence (AI) methods are potentially useful approaches to simulate the precipitation process. Artificial Neural Networks (ANN), as AI models, are able to establish a relationship between historical inputs (rain, flow, etc.) and the desired outputs, through a non-linear function composed of several factors that are adjusted to the observed data, allowing your prediction. Thus, to improve the precipitation analysis, hybrid models were developed, involving Artificial Neural Network (ANN) of the type with Time Delay (TDNN), ELMAN network, Radial Base network (RBF) and Adaptive Neuro-Fuzzy Inference System (ANFIS), coupled with Maximum Overlap Discrete Wavelet (MODWT). Six rainfall gauge station were adopted, which are located in different biomes of the region, and satellite data (CMORPH). Rainfall data were evaluated by seasonal periods (rainy and dry). The results obtained demonstrated that the MODWT-ANFIS model had the best capacity to simulate the daily precipitation of the evaluated rainfall gauge station, even for dry periods, which are known to be more difficult to be simulated in relation to the rainy periods. In this case, data entries lagged by 4 days and 5 days performed better, with Nash values close to 1.0 and root mean square errors below 0.001.pt_BR
dc.description.affiliationUFPA - Universidade Federal do Parápt_BR
dc.description.resumoAs análises hidrológicas realizadas a partir das precipitações na Amazônia são essenciais devido a sua importância na regulação do clima, na circulação atmosférica regional e global. No entanto, nesta região, existem limitações relacionadas a séries de dados com períodos curtos e muitas falhas, sobretudo na escala diária. Apesar dos avanços significativos em ciência e tecnologia, previsões práticas e precisas tem sido uma grande preocupação, devido a sua complexidade. Portanto, vários modelos conceituais, empíricos ou híbridos vêm sendo testados para estimativas de chuva com maior precisão. Dentre os modelos empíricos, os que incorporam métodos de inteligência artificial (IA) são abordagens potencialmente úteis para simular o processo de precipitação. As Redes Neurais Artificiais (RNA), como modelos de IA, são capazes de estabelecer uma relação entre entradas históricas (chuva, vazão, etc.) e as saídas desejadas, através de função não linear composta de vários fatores que são ajustados aos dados observados, permitindo sua estimativa. Assim, para melhorar as análises de precipitações, foi desenvolvido modelos híbridos, envolvendo Rede Neural Artificial (RNA) do tipo com Retardo de Tempo (TDNN), rede ELMAN, rede de Base Radial (RBF) e Sistema de Inferência Neuro-Fuzzy Adaptativo (ANFIS), acoplado com Wavelet Discreta de Máxima Sobreposição (MODWT). Adotaram-se 6 estações pluviométricas, que estão localizados em diferentes biomas da região, e dados de satélite (CMORPH). Os dados de chuva foram avaliados por períodos sazonais (chuvoso e menos chuvoso). Os resultados obtidos demostraram que o modelo MODWT-ANFIS teve a melhor capacidade em simular as precipitações diárias das estações pluviométricas avaliadas, mesmo para períodos menos chuvoso, que são sabidamente mais difíceis de serem simulados em relação aos períodos chuvosos. Nesse caso, as entradas de dados defasadas para 4 dias e 5 dias apresentaram melhor desempenho, com valores de Nash próximos a 1,0 e erros médios quadráticos inferiores a 0,001.pt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_BR
dc.identifier.citationGOMES, Evanice Pinheiro. Avaliação de modelos de inteligência artificial híbridos na estimativa de precipitações. Orientador: Claudio José Cavalcante Blanco. 2022. 112 f. Tese (Doutorado em Engenharia Civil) - Universidade Federal do Pará, Instituto de Tecnologia, Belém, 2022. Disponível em:https://repositorio.ufpa.br/jspui/handle/2011/15757 . Acesso em:.pt_BR
dc.identifier.urihttps://repositorio.ufpa.br/jspui/handle/2011/15757
dc.languageporpt_BR
dc.publisherUniversidade Federal do Parápt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Tecnologiapt_BR
dc.publisher.initialsUFPApt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Civilpt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.source1 CD ROMpt_BR
dc.source.uriDisponível na internet via correio eletrônico: bibliotecaitec@ufpa.brpt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subjectEstimativa de precpitaçõespt_BR
dc.subjectDecomposição waveletpt_BR
dc.subjectArtificial intelligenceen
dc.subjectArtificial neural networksen
dc.subjectWavelet decompositionen
dc.subjectCMORPHING - Climate Prediction Center Morphingen
dc.subject.areadeconcentracaoENGENHARIA HÍDRICApt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA CIVILpt_BR
dc.subject.linhadepesquisaRECURSOS HÍDRICOS E SANEAMENTO AMBIENTALpt_BR
dc.titleAvaliação de modelos de inteligência artificial híbridos na estimativa de precipitaçõespt_BR
dc.typeTesept_BR

Arquivo(s)

Pacote Original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
Tese_AvaliacaoModelosInteligencia.pdf
Tamanho:
3.91 MB
Formato:
Adobe Portable Document Format
Descrição:

Licença do Pacote

Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.85 KB
Formato:
Item-specific license agreed upon to submission
Descrição: