Previsão de Cheias Sazonais para o Rio Negro Usando Redes Neurais Artificiais e Árvores de Decisão com Aprendizado Baseado em Comitê

• Paula Maraes UFAM
• Marly Costa UFAM
• Cicero Filho UFAM

DOI: https://doi.org/10.5753/wcama.2019.6419

Resumo

A ocorrência das cheias sazonais dos rios afeta, principalmente, a população ribeirinha. Neste trabalho foram avaliados métodos capazes de prever o pico da cheia de rios, utilizando dois tipos de preditores: Redes Neurais Artificiais (RNA) e Árvores de Decisão. Para o treinamento dos preditores, as variáveis foram selecionadas através da técnica de seleção escalar de características modificada a partir de um conjunto de dados das cheias do Rio Negro relativo ao período de 1951-2017. Para melhorar a generalização das Redes Neurais foram utilizadas as técnicas de regularização L 2 e parada antecipada, associadas a técnica bootstrap. Para melhorar a performance das árvores de decisão, métodos de aprendizado baseado em comitê (boosting e bagging), foram empregados. Esse artigo propõe ainda a classificação das cheias em faixas de valores. A eficiência dos preditores foi avaliada através do coeficiente de correlação de Pearson e da acurácia da classificação das cheias. As predições foram obtidas com 4,3,2 meses e 1 mês de antecedência em relação a ocorrência do pico da cheia. A melhor acurácia obtida na classificação em faixas foi de 85,07% com um mês de antecedência com relação ao pico da cheia, para o preditor RNA (parada antecipada e bootstrap).

Palavras-chave: Previsão de picos de cheias, Rio Negro, Redes Neurais, Árvores de Decisão

Referências

Climate Prediction Center. [2018]. “NOAA Center for Weather and Climate Prediction”. Climate Prediction Center. [Online] 2018. [Citado em: 14 de Junho de 2018.] ftp://ftp.cpc.ncep.noaa.gov/wd52dg/data/indices/sstoi.indices.

Córdoba-Machado, Samir , et. al. [2016]. “Seasonal streamflow prediction in Colombia using atmospheric and oceanic patterns”. Journal of Hydrology. 2016, Vol. 538.

Matsunaga, Victoria Yukie. [2012]. “Curso de Redes Neurais Utilizando o Matlab”. Belém - Pará : s.n., 2012.

MMA [2007] “Atlas das Áreas Susceptíveis à Desertificação do Brasil”, Brasília.

Porto de Manaus. [2018]. [Online] 2018. [Citado em: 13 de Julho de 2018.] https://www.portodemanaus.com.br/?pagina=niveis-maximo-minimo-do-rio-negro.

Rodrigues, Márcio M., Costa, Marly G. F. e Filho, Cícero F. F. C. [2015]. “Proposta de um Método para Previsão de Cheias Sazonais Utilizando Redes Neurais Artificiais: Uma Aplicação ao Rio Amazonas”. Google Scholar. 2015.

Schongart, Jochen e Junk, Wolfgang J. [2007]. “Forecasting the flood-pulse in Central Amazonia by ENSO-indices”. Journal of Hydrology. 335, 2007.

Sonka, Milan e Fitzpatrick, J. Michael. [2000]. “Medical Image Processing and Analysis”. Washington : Spie Press, 2000.

Zhou, Zhi-Hua. [2012]. “Ensemble Methods: Foundations and Algoritms”. Boca Raton: CRC Press, 2012. 978-1-4398-3005-5.