Modelagem hidrológica utilizando redes neurais artificiais para a previsão de eventos de cheias. Estudo de caso: Rio Pomba em Santo Antônio de Pádua - RJ
DOI:
https://doi.org/10.5902/2179460X87221Palavras-chave:
Redes Neurais Artificiais, Modelagem Hidrológica, Eventos de Cheias, Perceptron MulticamadasResumo
A previsão de enchentes, através da modelagem hidrológica de bacias hidrográficas, continua sendo uma necessidade emergente na sociedade, principalmente em regiões muito afetadas por esses eventos extremos. Modelos baseados em redes neurais artificiais têm apresentado significativo potencial para esta problemática devido a sua simplicidade e agilidade. Neste trabalho, produziu-se um modelo utilizando uma rede perceptron multicamadas para a previsão de vazão e cota de um rio com base no estado do deste no dia anterior e na previsão da precipitação. Estudou-se o rio Pomba na cidade de Santo Antônio de Pádua-RJ por este apresentar, ordinariamente, eventos de cheias que afetam toda a população. Os resultados métricos e gráficos mostraram uma boa capacidade do modelo em estimar as vazões e cotas ao longo de todo um ano em uma estação com poucos dados. Por outro lado, o modelo apresentou dificuldades na estimação precisa dos picos.
Downloads
Referências
AGEVAP (2017). Plano de Recursos Hídricos da Bacia do Rio Paraíba do Sul-Resumo, relatório contratual r-10 edn. Fundação COPPETEC Laboratório de Hidrologia e Estudos de Meio Ambiente.
Aghelpour, P., Varshavian, V. (2020). Evaluation of stochastic and artificial intelligence models in modeling and predicting of river daily flow time series. Stochastic Environmental Research and Risk Assessment, 34(1), 33–50. DOI: https://doi.org/10.1007/s00477-019-01761-4
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology (2000). Artificial neural networks in hydrology. ii: Hydrologic applications. Journal of Hydrologic Engineering, 5(2), 124–137. DOI: https://doi.org/10.1061/(ASCE)1084-0699(2000)5:2(124)
Campolo, M., Soldati, A., Andreussi, P. (2003). Artificial neural network approach to flood forecasting in the river arno. Hydrological sciences journal, 48(3), 381–398. DOI: https://doi.org/10.1623/hysj.48.3.381.45286
Celeste, A., Chaves, V. S. (2014). Avaliação de algoritmos de otimização e funções objetivo para calibração automática do modelo chuva-vazão tank model. Ciência e Natura, 36(3), 527–537. DOI: https://doi.org/10.5902/2179460X13421
Dalkiliç, H. Y., Hashimi, S. A. (2020). Prediction of daily streamflow using artificial neural networks (anns), wavelet neural networks (wnns), and adaptive neuro-fuzzy inference system (anfis) models. Water Supply, 20(4), 1396–1408. DOI: https://doi.org/10.2166/ws.2020.062
Elsafi, S. H. (2014). Artificial neural networks (anns) for flood forecasting at dongola station in the river nile, sudan. Alexandria Engineering Journal, 53(3), 655–662. DOI: https://doi.org/10.1016/j.aej.2014.06.010
French, M. N., Krajewski, W. F., Cuykendall, R. R. (1992). Rainfall forecasting in space and time using a neural network. Journal of hydrology, 137(1-4), 1–31. DOI: https://doi.org/10.1016/0022-1694(92)90046-X
Hallak, R., Pereira Filho, A. J. (2011). Metodologia para análise de desempenho de simulações de sistemas convectivos na região metropolitana de são paulo com o modelo arps: sensibilidade a variações com os esquemas de advecção e assimilação de dados. DOI: https://doi.org/10.1590/S0102-77862011000400009
Revista Brasileira de Meteorologia, 26, 591–608. IBGE – Instituto Brasileiro de Geografia e Estatística (2023). Censo Brasileiro de 2022. Governo Federal, Rio de Janeiro, Brasil, URL https://cidades.ibge.gov.br/brasil/rj/rio-de-janeiro/panorama.
Kalin, L., Isik, S., Schoonover, J. E., Lockaby, B. G. (2010). Predicting water quality in unmonitored watersheds using artificial neural networks. Journal of environmental quality, 39(4), 1429–1440. DOI: https://doi.org/10.2134/jeq2009.0441
Kim, G., Barros, A. P. (2001). Quantitative flood forecasting using multisensor data and neural networks. Journal of Hydrology, 246(1-4), 45–62. DOI: https://doi.org/10.1016/S0022-1694(01)00353-5
Kralisch, S., Fink, M., Flügel, W. A., Beckstein, C. (2003). A neural network approach for the optimisation of watershed management. Environmental Modelling & Software, 18(8-9), 815–823. DOI: https://doi.org/10.1016/S1364-8152(03)00081-1
Kumar, M., Kumari, A., Kushwaha, D. P., Kumar, P., Malik, A., Ali, R., Kuriqi, A. (2020). Estimation of daily stage–discharge relationship by using data-driven techniques of a perennial river, india. Sustainability, 12(19), 7877. DOI: https://doi.org/10.3390/su12197877
Mosavi, A., Ozturk, P., Chau, K. w. (2018). Flood prediction using machine learning models: Literature review. Water, 10(11), 1536. DOI: https://doi.org/10.3390/w10111536
Tokar, A. S., Markus, M. (2000). Precipitation-runoff modeling using artificial neural networks and conceptual models. Journal of Hydrologic Engineering, 5(2), 156–161. DOI: https://doi.org/10.1061/(ASCE)1084-0699(2000)5:2(156)
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Ciência e Natura
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.
Diretrizes Éticas para Publicação de Revistas
A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.
A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.
Em particular,
Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.
Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.
Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.
