Proposta de um Método para Previsão de Cheias Sazonais Utilizando Redes Neurais Artificiais: Uma Aplicação ao Rio Amazonas

  • Márcio Rodrigues UFAM
  • Marly Costa UFAM
  • Cícero C. Filho UFAM

Resumo


Esse trabalho discute a aplicação de um novo método para previsão de cheias sazonais de rios, utilizando redes neurais artificiais com as seguintes variáveis de entrada: índices climáticos e o nível do próprio rio, avaliado meses antes da ocorrência do pico da cheia. Um novo método para seleção das variáveis mais relevantes para a predição é proposto. Para o treinamento da rede neural são utilizados dois métodos para melhorar a generalização das mesmas, parada antecipada e regularização. O melhor resultado de predição obtido foi com três variáveis e resultou num índice de correlação de predição de rp = 0,755.

Referências

Cichoki, A., Unbehauen, R. (1993), Neural Networks for Optimization and Signal Processing, John Wiley & Sons ltd., New York. Climate Prediction Center. http://www.cpc.ncep.noaa.gov/data/indices/. Acessado em 23/02/2015.

Coe, M. T., Costa, M. H., Botta, A. and Birkett, C. (2002) Long-term simulations of discharge and floods in the Amazon Basin. In Journal of Geophysical Research. art. no. 8044.

Demuth H; Beale M; Hagan M. Neural Network Toolbox User's Guide. Available from:http://www.mathworks.com/products/neural-network/description6.html. Acessado em 24/02/2015.

Doan, C.D. and Liong, S.Y. (2004). Generalization for multilayer neural network Bayesian regularization or early stopping. In: Proceedings of 2nd Conference of Asia Pacific Association of Hydrology and Water Resources. pages 1-8.

Junk, W.J., Ohly, J.J., Piedade, M.T.F. and Soares, M.G.M. (2000) The Central Amazon Floodplain: Actual Use and Options for a Sustainable Management. Backhuys Publishers B.V, Leiden.

Junk W. J., Furch, K. (1985). The physical setting and chemical properties of Amazonian waters and their relationships with the biota. In Amazonia, Prance GT, Lovejoy TE(eds). Pergamon Press: Oxford

Porto de Manaus, http://www.portodemanaus.com.br. Acessado em 23/02/2015.

Russell, G., Miller, J. (1990). Global river runoff calculated from a global atmospheric general circulation model. In Journal of Hydrology, v.117, pages 241-254.

Schongart, J and Junk, W. J. (2007). Forecasting the flood-pulse in Central Amazonia by ENSO-indices. In: Journal of Hydrology, v. 335, pages 124–132.

Sonka, M and Fizpratick, J. M. (2000) Handbook of Medical Imaging. Volume 2: Medical Imaging Processing and Analysis. Washington: Spie Press.

Theodoridis,S., Koutroumbas, K. (2006) Pattern Recognition, Elsevier Academic Press, San Diego.

Trenberth, K.E. and Stepaniak, D.P. (2001). Indices of El Niño evolution. In Journal of Climate. v.14, pages. 1697–1701.

Uvo, C. B., Tolle, U. and Berndtsson, R. (2000). Forecasting Discharge in Amazonia Using Artificial Neural Networks. In: International Journal of Climatology, v.20. pages 1495 – 1507.

Vörösmarty, C.J., Fekete, B. and Tucker B.A. (1998). River Discharge Database, Version 1.1 (RivDIS v1.0 supplement). Institute for the Study of Earth, Oceans, and Space / University of New Hampshire, Durham NH (USA). http://www.rivdis.sr.unh.edu/.
Publicado
20/07/2015
RODRIGUES, Márcio; COSTA, Marly; C. FILHO, Cícero. Proposta de um Método para Previsão de Cheias Sazonais Utilizando Redes Neurais Artificiais: Uma Aplicação ao Rio Amazonas. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 6. , 2015, Recife. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2015 . p. 1-10. ISSN 2595-6124. DOI: https://doi.org/10.5753/wcama.2015.10184.