Use este identificador para citar ou linkar para este item:
https://repositorio.ufpa.br/jspui/handle/2011/15711
Tipo: | Dissertação |
Data do documento: | 29-Abr-2022 |
Autor(es): | MENDONÇA, Leonardo Melo de |
Primeiro(a) Orientador(a): | BLANCO, Claudio José Cavalcante |
Título: | Redes neurais recorrentes para modelagem chuva-vazão de pequenas bacias hidrográficas amazônicas |
Agência de fomento: | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior |
Citar como: | MENDONÇA, Leonardo Melo de. Redes neurais recorrentes para modelagem chuva-vazão de pequenas bacias hidrográficas amazônicas. Orientador Prof. Claudio José Cavalcante Blanco, PhD. 2022. 115 f. Dissertação (Mestrado em Engenharia Civil ) - Universidade Federal do Pará, Instituto de Tecnologia, Belém, 2022. Disponível em:https://repositorio.ufpa.br/jspui/handle/2011/15711 . Acesso em:. |
Resumo: | Modelos chuva-vazão podem auxiliar o gerenciamento de recursos hídricos, principalmente na Amazônia, região marcada pela baixa densidade de monitoramento hidrológico, e assim beneficiar os usos múltiplos da água e o adequado aproveitamento dos recursos hídricos. Este trabalho busca simular vazões diárias de cinco pequenas bacias hidrográficas da Amazônia, através da Rede Neural Recorrente Não linear Autorregressiva com Variável Exógena (RNN-NARX). Dados pluviométricos e fluviométricos diários foram utilizados para simulação. As funções de correlação cruzada e autocorrelação parcial auxiliaram a determinação de dados defasados, entradas relevantes, com nível de significância de 5%. Além disso, foi utilizado o algoritmo de retropropagação do erro Levenberg-Marquardt para treinamento supervisionado das RNN-NARX. Também foram utilizados cinco índices estatísticos e a contribuição relativa de Garson de cada variável de entrada para avaliação das simulações. Deste modo, as vazões simuladas foram classificadas entre o insatisfatório e o muito bom, além de apresentar tendência, geral, a subestimar vazões de cheia. A característica autorregressiva de cada bacia é fundamental para melhores resultados, qualidade atribuída à capacidade de armazenamento de água. Uma explicação plausível para as principais fontes de incerteza é devida a variabilidade espacial da precipitação entre as estações de monitoramento e as precipitações ocorridas na bacia, anomalias meteorológicas e aspectos de discretização. A análise de sensibilidade dos modelos frente a diferentes intervalos de treinamento mostrou que a implementação de 2 anos, para o treinamento supervisionado das RNN-NARX, são suficientes para se obterem simulações eficientes em quatro das cinco pequenas bacias hidrográficas da Amazônia analisadas. |
Abstract: | Rainfall-runoff models can help the management of water resources, especially in the Amazon, a region marked by the low density of hydrological monitoring, and thus benefit the multiple uses of water and the adequate use of water resources. This work seeks to simulate daily streamflows of five small catchments in the Amazon, through the Autoregressive Recurrent Nonlinear Neural Network with Exogenous Variable (RNN-NARX). Daily rainfall and streamflow data were used for simulation. The cross-correlation and partial auto-correlation functions helped to determine lagged data, relevant inputs, with a significance level of 5%. In addition, the Levenberg-Marquardt error backpropagation algorithm was used for supervised training of RNN-NARX. Five statistical indices and Garson's relative contribution of each input variable were also used to evaluate the simulations. Thus, the simulated flows were classified between unsatisfactory and very good, in addition to showing a general tendency to underestimate floods. The autoregressive characteristic of each catchment is fundamental for better results, quality attributed to the water storage capacity. A plausible explanation for the main sources of uncertainty is due to the spatial variability of precipitation between monitoring stations and the precipitations occurring in the catchment, meteorological anomalies and discretization aspects. The sensitivity analysis of the models against different training intervals showed that the implementation of 2 years, for the supervised training of the RNN-NARX, is sufficient to obtain efficient simulations in four of the five small Amazon catchment analyzed. |
Palavras-chave: | Aprendizado de máquina Modelo chuva-vzão Modelagem hidrológica Pequenas bacias hidrográficas Machine learning Rainfall-runoff model Hydrological modelling Small Amazon catchments |
Área de Concentração: | ENGENHARIA HÍDRICA |
Linha de Pesquisa: | RECURSOS HÍDRICOS E SANEAMENTO AMBIENTAL |
CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA CIVIL |
País: | Brasil |
Instituição: | Universidade Federal do Pará |
Sigla da Instituição: | UFPA |
Instituto: | Instituto de Tecnologia |
Programa: | Programa de Pós-Graduação em Engenharia Civil |
Tipo de Acesso: | Acesso Aberto Attribution-NonCommercial-NoDerivs 3.0 Brazil |
Fonte URI: | Disponível na internet via correio eletrônico: bibliotecaitec@ufpa.br |
Fonte: | 1 CD ROM |
Aparece nas coleções: | Dissertações em Engenharia Civil (Mestrado) - PPGEC/ITEC |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertacao_RedesNeuraisRecorrentes.pdf | 8,64 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciado sob uma Licença Creative Commons