Avaliação de Desempenho de Classificadores de Ciclos Hidrológicos em Reservatórios de Água na Região Amazônica
Resumo
Este artigo tem como objetivo avaliar sistematicamente classificadores na predição dos ciclos hidrológcos a partir da alteração dos parâmetros físico-químicos e metais da água no reservatório da Usina Hidrelétrica de Tucuruí. A metodologia consiste inicialmente em realizar uma análise explorat ória dos dados com o objetivo de extrair somente as variáveis mais relevantes das amostras observadas. A escolha dos valores dos parâmetros dos classificadores foram feitas com seleção automática de modelo. Resultados aplicando técnicas de redes neurais artificiais, k-vizinhos mais próximo, máquinas de vetores de suporte e random forest são apresentados. Os resultados obtidos indicam que o classificador random forest foi o que apresentou melhor desempenho com percentual de classificação de 7,8% de predições incorretas. Estes valores podem ser considerados significativos, pois existe uma grande variabilidade dos parâmetros físico-químicos e metais nos ciclos hidrológicos onde se encontram as estações de amostragem da área de estudo.
Referências
Bertholdo, L., Júnior, L. C., de Arag˜ao Umbuzeiro, G., and da Silva, C. G. (2013). Mineração de dados de qualidade de água para agrupamento de pontos de amostragem usados no monitoramento de recursos hídricos. WCAMA - CSBC, 1:1036–1046.
Bittencourt, M. M. and Amadio, S. A. (2007). Proposta para identificação rápida dos períodos hidrológicos em áreas de várzea do rio solim˜oes-amazonas nas proximidades de manaus. Acta Amazonica, 37(2):303–308.
Borges Pedro, J. P., Rosinski Lima Gomes, M. C., de Jesus Trindade, M. E., Pedrociane Cavalcante, D., Alves de Oliveira, J., Pucci Hercos, A., Zucchi, N., Barbosa de Lima, C., Aquino Pereira, S., and Lima de Queiroz, H. (2014). Influence of the hydrological cycle on physical and chemical variables of water bodies in the várzea areas of the middle solim˜oes river region (amazonas, brazil). UAKARI, 9(2):75–90.
Cavalcante, Y., Hauser-Davis, R., Saraiva, A., Brand˜ao, I., Oliveira, T., and Silveira, A. (2013). Metal and physico-chemical variations at a hydroelectric reservoir analyzed by multivariate analyses and artificial neural networks: Environmental management and policy/decision-making tools. Science of the Total Environment, 442:509–514.
Coletti, C., Testezlaf, R., Ribeiro, T. A., de Souza, R. T., and Pereira, D. d. A. (2010). Water quality index using multivariate factorial analysis. Revista Brasileira de Engenharia Agrícola e Ambiental, 14(5):517–522.
EL-Manzalawy, Y. and Honavar, V. (2005). WLSVM: Integrating LibSVM into Weka Environment. Software available at http://www.cs.iastate.edu/˜yasser/wlsvm.
Eletrobras-Eletronorte (2008). Manual do sistema de gest˜ao ambiental - UHE Tucuruí. Eletrobras-Eletronorte, Tocantins.
Galv˜ao, C. d. O. (1999). Sistemas inteligentes: Aplicações a recursos hídricos e ciências ambientais. UFRGS: ABRH.
Gastaldini, M., SEFFRIN, G., and Paz, M. (2002). Diagnóstico atual e previs˜ao futura da qualidade das águas do rio ibicuí utilizando o modelo qual2e. Engenharia sanitária e ambiental, 7(3):129–138.
Hastie, T., Tibshirani, R., and Friedman, J. (2001). The elements of statistical learning. Springer Verlag.
Hauser-Davis, R., Oliveira, T., Silveira, A., Silva, T., and Ziolli, R. (2010). Case study: Comparing the use of nonlinear discriminating analysis and artificial neural networks in the classification of three fish species: acaras (geophagus brasiliensis), tilapias (tilapia rendalli) and mullets (mugil liza). Ecological Informatics, 5(6):474–478.
Haykin, S. (2001). Redes Neurais: Principios e Prática. 2. Ed. Porto Alegre: Bookman. Liu, W. and Chen, W. G. (2012). Prediction of water temperature in a subtropical subalpine lake using an artificial neural network and three-dimensional circulation models. Computers & Geoscience, 45:13–25.
Rifkin, R. and Klautau, A. (2004). In defense of one-vs-all classification. J. Machine Learning Research, 5:101–141.
Singh, K. P., Basant, A., Malik, A., and Jain, G. (2009). Artificial neural network modeling of the river water quality: a case study. Ecological Modelling, 220(6):888–895.
Tundisi, J. G. (1999). Limnologia no século XXI: perspectivas e desafios. Instituto Internacional de Ecologia.
Vapnik, V. (1995). The nature of statistical learning theory. Springer Verlag.
Vrana, B., Allan, I. J., Greenwood, R., Mills, G. A., Dominiak, E., Svensson, K., Knutsson, J., and Morrison, G. (2005). Passive sampling techniques for monitoring pollutants in water. TrAC Trends in Analytical Chemistry, 24(10):845–868.
Witten, I. H. and Frank, E. (2005). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.
Zhou, Q., Zhou, H., Zhou, Q., Yang, F., and Luo, L. (2014). Structure damage detection based on random forest recursive feature elimination. Mechanical Systems and Signal Processing.
Bittencourt, M. M. and Amadio, S. A. (2007). Proposta para identificação rápida dos períodos hidrológicos em áreas de várzea do rio solim˜oes-amazonas nas proximidades de manaus. Acta Amazonica, 37(2):303–308.
Borges Pedro, J. P., Rosinski Lima Gomes, M. C., de Jesus Trindade, M. E., Pedrociane Cavalcante, D., Alves de Oliveira, J., Pucci Hercos, A., Zucchi, N., Barbosa de Lima, C., Aquino Pereira, S., and Lima de Queiroz, H. (2014). Influence of the hydrological cycle on physical and chemical variables of water bodies in the várzea areas of the middle solim˜oes river region (amazonas, brazil). UAKARI, 9(2):75–90.
Cavalcante, Y., Hauser-Davis, R., Saraiva, A., Brand˜ao, I., Oliveira, T., and Silveira, A. (2013). Metal and physico-chemical variations at a hydroelectric reservoir analyzed by multivariate analyses and artificial neural networks: Environmental management and policy/decision-making tools. Science of the Total Environment, 442:509–514.
Coletti, C., Testezlaf, R., Ribeiro, T. A., de Souza, R. T., and Pereira, D. d. A. (2010). Water quality index using multivariate factorial analysis. Revista Brasileira de Engenharia Agrícola e Ambiental, 14(5):517–522.
EL-Manzalawy, Y. and Honavar, V. (2005). WLSVM: Integrating LibSVM into Weka Environment. Software available at http://www.cs.iastate.edu/˜yasser/wlsvm.
Eletrobras-Eletronorte (2008). Manual do sistema de gest˜ao ambiental - UHE Tucuruí. Eletrobras-Eletronorte, Tocantins.
Galv˜ao, C. d. O. (1999). Sistemas inteligentes: Aplicações a recursos hídricos e ciências ambientais. UFRGS: ABRH.
Gastaldini, M., SEFFRIN, G., and Paz, M. (2002). Diagnóstico atual e previs˜ao futura da qualidade das águas do rio ibicuí utilizando o modelo qual2e. Engenharia sanitária e ambiental, 7(3):129–138.
Hastie, T., Tibshirani, R., and Friedman, J. (2001). The elements of statistical learning. Springer Verlag.
Hauser-Davis, R., Oliveira, T., Silveira, A., Silva, T., and Ziolli, R. (2010). Case study: Comparing the use of nonlinear discriminating analysis and artificial neural networks in the classification of three fish species: acaras (geophagus brasiliensis), tilapias (tilapia rendalli) and mullets (mugil liza). Ecological Informatics, 5(6):474–478.
Haykin, S. (2001). Redes Neurais: Principios e Prática. 2. Ed. Porto Alegre: Bookman. Liu, W. and Chen, W. G. (2012). Prediction of water temperature in a subtropical subalpine lake using an artificial neural network and three-dimensional circulation models. Computers & Geoscience, 45:13–25.
Rifkin, R. and Klautau, A. (2004). In defense of one-vs-all classification. J. Machine Learning Research, 5:101–141.
Singh, K. P., Basant, A., Malik, A., and Jain, G. (2009). Artificial neural network modeling of the river water quality: a case study. Ecological Modelling, 220(6):888–895.
Tundisi, J. G. (1999). Limnologia no século XXI: perspectivas e desafios. Instituto Internacional de Ecologia.
Vapnik, V. (1995). The nature of statistical learning theory. Springer Verlag.
Vrana, B., Allan, I. J., Greenwood, R., Mills, G. A., Dominiak, E., Svensson, K., Knutsson, J., and Morrison, G. (2005). Passive sampling techniques for monitoring pollutants in water. TrAC Trends in Analytical Chemistry, 24(10):845–868.
Witten, I. H. and Frank, E. (2005). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.
Zhou, Q., Zhou, H., Zhou, Q., Yang, F., and Luo, L. (2014). Structure damage detection based on random forest recursive feature elimination. Mechanical Systems and Signal Processing.
Publicado
28/07/2014
Como Citar
AROUCHE, Jean; SANTOS, Yuri; MORAIS, Jefferson; OLIVEIRA, Terezinha.
Avaliação de Desempenho de Classificadores de Ciclos Hidrológicos em Reservatórios de Água na Região Amazônica. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 5. , 2014, Brasília.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2014
.
p. 25-34.
ISSN 2595-6124.
