Estimativa de Fluxo de Calor Latente em Reservatórios Através de uma Rede Neural Artificial

Autores

  • Dornelles Vissotto Junior Professor Adjunto Departamento de Engenharia e Tecnologia Florestal Setor de Ciências Agrárias Universidade Federal do Paraná
  • Lucas Emílio Bernardelli Hoeltgebaum Bolsista de Mestrado Programa de Pós Graduação em Engenharia Ambiental Setor de Ciências Exatas Universidade Federal do Paraná
  • Ricardo Carvalho de Almeida Professor Adjunto Departamento de Engenharia e Tecnologia Florestal Setor de Ciências Agrárias Universidade Federal do Paraná

DOI:

https://doi.org/10.5902/2179460X20264

Palavras-chave:

Fluxo de calor latente. Lagos. Redes neurais. Covariâncias turbulentas. Micrometeorologia.

Resumo

O monitoramento micrometeorológico é utilizado em reservatórios para a medição dos fluxos de calor latente através do método de covariâncias turbulentas. É difícil estabelecer séries longas e contínuas de medição devido à complexidade envolvida no monitoramento. Quando ocorrem falhas é necessário o preenchimento das lacunas para manter a continuidade da série. Este preenchimento pode ser realizado através de técnicas estatísticas e resultados de modelos. Neste trabalho foi avaliado o desempenho do modelo de Redes Neurais Artificiais (RNA) backpropagation para as estimativas do fluxo de calor latente no lago de Furnas – MG para o preenchimento das falhas em dados medidos durante 50 dias. A RNA foi aplicada utilizando vários conjuntos de parâmetros de entrada, estrutura de camadas e tempo de treinamento. O desempenho das estimativas do RNA foram comparadas com o desempenho de um modelo clássico de transferência de massa (MOD). Para avaliar o desempenho dos modelos foi utilizado o índice de concordância de willmott. O modelo de RNA obteve um índice de concordância de 0,93536, apresentando resultados melhores que o modelo de tranferência com 0,89681. Os resultados demonstraram que a RNA poder ser utilizada com grande sucesso para a estimativa de fluxo de calor latente.

Downloads

Não há dados estatísticos.

Referências

Aubinet, M., Vesala, T., Papale, D. (Eds) (2012). Eddy Covariance: A

Practical Guide to Measurement and Data Analysis. Springer, Dordrecht,

Heidelberg, London, New York.

Brutsaert, W. (1975a). The roughness length for water vapor,

sensible heat and other scalars. Journal of Atmospheric Science,

, 2028--2031.

Brutsaert, W. (1975b). A theory for local evaporation (or heat

transfer) from rough and smooth surfaces at ground level. Water

Resources Research, 11, 543--550.

Cancelli, D. M., Dias, N. L., Chamecki, M. (2012). Dimensionless criteria for

the production-dissipation equilibrium of scalar fluctuations and their

implications for scalar similarity. Water Resources Research,

(10), http://dx.doi.org/10.1029/2012WR012127.

Dias, N. L., Kan, A., Grodzki, L., Sanchez, S. D., Vissotto Jr., D. (2002). O

método de covariâncias turbulentas atenuadas (MCTA) para medição

dos fluxos de calor sensível e latente: aplicação

ao lago de Itaipu e seu redor. Revista Brasileira de Recursos Hídricos,

(1), 143--160.

Dias, N. L., Cancelli, D. M., Vissotto Jr., D. (2008). Desafios e lições da

medição moderna de evaporação em grandes lagos. Em: CDROM Anais II

Simpósio de Recursos Hídricos do Sul-Sudeste, Associação Brasileira de

Recursos Hídricos.

Dias, N. L., Cancelli, D. M., Vissotto Jr., D. (2010). Directional analysis

of over-lake water vapor and heat fluxes. Em: EOS Trans AGU 91(26)

Meet. Am. Suppl., American Geophysical Union, Foz do Iguaçu, Brazil, pp.

Abstract H21A--01.

Fausett, L. (1994). Fundamentals of Neural Networks: Architectures,

Algorithms, and Applications. Prentice-Hall, Inc..

Foken, T., Göckede, M., Mauder, M., Mahrt, L., Amiro, B. D., Munger, J. W.

(2004). Handbook of Micrometeorology. A Guide for Surface Flux

Measurements, Kluwer, Dordrecht, Cap. Post-field data quality control, pp.

--208.

Lee, X., Massman, W. J., Law, B. E. (Eds) (2004). Handbook of

Micrometeorology. A Guide for Surface Flux Measurements. Kluwer, Dordrecht.

Melesse, A. M., Hanley, R. S. (2005). Artificial neural network application for

multi-ecosystem carbon flux simulation. Ecological Modelling,

, 305--314.

Mishra, A. K., Desai, V. R. (2006). Drougth forecasting using feed-forward

recursive neural network. Ecological Modelling, 198, 127--138.

Moriasi, D. N., Arnold, J. G., Liew, M. W. V., Bingner, R. L., Harmel, R. D.,

Veith, T. L. (2007). {Model evaluation guidelines for systematic

quantification of accuracy in watershed simulations. Transactions of

the ldots, 50(3), 885--900,

http://swat.tamu.edu/media/1312/moriasimodeleval.pdf,

eprint{0001-2351.

Nash, J., Sutcliffe, J. (1970). River flow forecasting through conceptual

models part i — a discussion of principles. Journal of Hydrology,

(3), 282 -- 290,

http://www.sciencedirect.com/science/article/pii/0022169470902556.

Ooba, M., Hirano, T., Mogami, J. I., Hirata, R., Fujinuma, Y. (2006).

Comparisons of gap-filling methods for carbon flux dataset: A combination of

a genetic algorithm and an artificial neural network. Ecological

Modelling, 198(3--4), 473--486.

Schmidt, A., Wrzesinsky, T., Klemm, O. (2008). Gap filling and quality

assessment of co2 and water vapour fluxes above an urban area with radial

basis function neural networks. Boundary-Layer Meteorology,

(3), 389--413.

Scientifc, C. (1996). Eddy correlation system: instruction manual.

Campbell Scientifc, Inc., Logan, Utah, USA, 9º edn.

Vissotto Jr., D., Dias, N. L. (2013). Método empírico para determinação

de outliers em séries de fluxos de dados micrometeorológicos

pós-processados. Ciência e Natura, Especial, 150--152.

Vissotto Jr, D., Dias, N. L., Cancelli, D. M. (2009). Uma avaliação

sistemática das correções do método de covariâncias turbulentas

atenuadas para a medição de evaporação em lagos. Em: Anais, CD-ROM

XVIII Simpósio Brasileiro de Recursos hídricos, Associação Brasileira de

Recursos hídricos.

Web, E. K., Pearman, G. I., Leuning, R. (1980). Correction of flux measurements

for density effects due to heat and water vapor transfer. Quaterly

Journal of Royal Meteorological Society, 106, 85--100.

van Wijk, M. T., Bouten, W. (1999). Water and carbon fluxes above european

coniferous forest modelled with neural network. Ecological Modelling.

Willmott, C. J. (1981). On the validation of models. Physical Geography,

(2), 184--194,

http://www.tandfonline.com/doi/abs/10.1080/02723646.1981.10642213.

{Willmott, C. J. (1982). {Some Comments on the Evaluation of Model

Performance. Bulletin of the American Meteorological Society,

, 1309--1369.

Willmott, C. J., Robeson, S. M., Matsuura, K. (2012). A refined index of model

performance. International Journal of Climatology, 32(13),

--2094, http://dx.doi.org/10.1002/joc.2419.

Downloads

Publicado

2016-07-20

Como Citar

Vissotto Junior, D., Hoeltgebaum, L. E. B., & Almeida, R. C. de. (2016). Estimativa de Fluxo de Calor Latente em Reservatórios Através de uma Rede Neural Artificial. Ciência E Natura, 38, 361–366. https://doi.org/10.5902/2179460X20264