A Comparative Analysis of Artificial Neural Networks on River Level Forecasting for the Rio Madeira Basin

• João F. S. Brandão Universidade do Estado do Amazonas
• Francis Wagner Silva Correa Universidade do Estado do Amazonas
• Elloá B. Guedes Universidade do Estado do Amazonas

DOI: https://doi.org/10.5753/eniac.2023.233855

Resumo

Este artigo apresenta uma análise comparativa de duas abordagens de Redes Neurais Artificiais para prever os níveis de cota dos rios usando dados de séries temporais de quatro estações hidrológicas na bacia do Rio Madeira. O estudo utiliza dados coletados entre 2001 e 2014 e emprega uma estratégia de validação com divisão da série temporal combinada com uma busca em grade por diversas topologias de redes. Os resultados revelam que as Redes Neurais Recorrentes LSTM apresentam uma leve vantagem de desempenho em relação às Redes MLP, embora ambas as abordagens demonstrem desempenho comparável na maioria dos cenários. A abordagem autorregressiva proposta para previsão de cota dos rios mostra-se viável, especialmente em situações com dados históricos limitados.

Palavras-chave: Redes Neurais Artificiais e Aprendizado Profundo, Ciência de Dados

Referências

Alpaydin, E. (2010). Introduction to Machine Learning. The MIT Press, Cambridge, 2 edition.

Bergmeir, C. and Benítez, J. M. (2012). On the use of cross-validation for time series predictor evaluation. Information Sciences, 191:192–213.

Brasil (2022). Empresa de pesquisa energética – balanço energético nacional 2022. Disponível em [link]. Acesso em 3 de julho de 2023.

Brasil (2023). Ministério de minas e energia – secretaria de planejamento e desenvolvimento energético – empreendimentos do rio madeira. Disponível em [link]. Acesso em 3 de julho de 2023.

Cameron, A. C. and Windmeijer, F. A. (1997). An R-squared measure of goodness of fit for some common nonlinear regression models. Journal of Econometrics, 77(2):329–342.

Chicco, D., Warrens, M. J., and Jurman, G. (2021). The coefficient of determination r-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7:623.

da Silva Cardoso, C. C. (2022). Análise comparativa de redes neurais artificiais para previsão de séries temporais das cotas dos rios solimões e amazonas. Monografia de Pós-Graduação Lato Sensu em Ciência dos Dados – Universidade do Estado do Amazonas.

de Brito Gomes, W., Satyamurty, P., Correia, F. W. S., Chou, S. C., Vergasta, L. A., and de Arruda Lyra, A. (2022). Intraseasonal scale ensemble forecasts of precipitation and evapotranspiration for the madeira river basin using different physical parameterizations. Atmospheric Research, 270:106086.

de Melo, A., Sugimoto, G., Nakandakari, D., Tasinaffo, P. M., Santos, A. H. M., Cunha, A. M., and Dias, L. A. V. (2019). A new approach to river flow forecasting: LSTM and GRU multivariate models. IEEE Lat. Am. Trans., 17(12):1978–1986.

Dehghani, A., Moazam, H. M. Z. H., Mortazavizadeh, F., Ranjbar, V., Mirzaei, M., Mortezavi, S., Ng, J. L., and Dehghani, A. (2023). Comparative evaluation of lstm, cnn, and convlstm for hourly short-term streamflow forecasting using deep learning approaches. Ecological Informatics, 75:102119.

do Rio, G. A. P., Coelho, M. C. N., and Wanderley, L. J. (2015). Rio madeira: fronteiras, redes, rotas e regiões. Novos Cadernos NAE, 18(5):93–109.

Doria, C. R. d. C., Ruffino, M. L., Hijazi, N. C., and Cruz, R. L. d. (2012). A pesca comercial na bacia do rio madeira no estado de rondônia, amazônia brasileira. Acta Amazon., 42(1):29–40.

Haykin, S. (2009). Neural Networks and Learning Machines. Pearson Prentice-Hall, Estados Unidos, 3 edition.

Lazzeri, F. (2021). Machine learning for time series forecasting with Python. John Wiley & Sons, Nashville, TN.

Molinier, M., Guyot, J.-L., Oliveira, E. d., Guimarães, V., and Chaves, A. (1994). Hidrologia da bacia do rio amazonas. A A ́gua em Revista, 2(3):31–36.

Nielsen, A. (2020). Practical Time Series Analysis – Prediction with Statistics & Machine Learning. O’Reilly, Canada, 1 edition.

Palit, A. K. and Popovic, D. (2005). Computational Inteligence in Time Series Forecasting - Theory and Engineering Applications. Springer, Londres, 1 edition.

Russel, S. and Norvig, P. (2010). Artificial Intelligence – A Modern Approach. Prentice Hall, Nova Jersey, 3 edition.

Santos Neto, L. A. d., Maniesi, V., Querino, C. A. S., Silva, M. J. G. d., and Brown, V. R. (2021). Modelagem hidroclimatológica utilizando redes neurais multi layer perceptron em bacia hidrográfica no sudoeste da amazônia. Rev. Bras. Climatol., 26.

Silva, C. G. P. d. and Costa, A. F. (2014). Um quadro histórico das populações indígenas no alto rio madeira durante o Século XVIII. Amaz. - Rev. Antropol., 6(1):110.

Walpole, R. E., Myers, R. H., Myers, S. L., and Ye, K. E. (2016). Probability & Statistics for Engineers & Scientists. Pearson, Estados Unidos, 9 edition.

Zounemat-Kermani, M., Mahdavi-Meymand, A., and Hinkelmann, R. (2021). A comprehensive survey on conventional and modern neural networks: application to river flow forecasting. Earth Sci. Inform., 14(2):893–911.