Uso de Redes Neurais Artificiais na previsão da precipitação de períodos chuvosos
DOI:
https://doi.org/10.5281/zenodo.3958064Palavras-chave:
Cenários climáticos, modelagem do clima, previsão do tempoResumo
O estudo objetiva estimar a precipitação na estação chuvosa em Diamantina (MG) com base na precipitação das estações secas anteriores por meio de Redes Neurais Artificiais (RNA). Alterou-se a ordem cronológica dos dados de forma que o período seco de um ano estivesse relacionado com o período chuvoso do ano seguinte. Utilizou-se parte dos dados no treinamento e parte na avaliação do desempenho da RNA. Utilizou-se a análise do tipo séries temporais e a melhor rede encontrada foi do tipo função de base radial. A RNA apresentou um erro médio de 10%. A média de precipitação no período de aplicação da rede foi 1.099 mm, enquanto a estimativa média foi 1.128 mm. A utilização de dados dos períodos secos para estimar a precipitação no período chuvoso apresenta resultados satisfatórios e a alteração na ordem cronológica do período seco resultou em uma rede com previsão mais eficaz.
Referências
Andrade ARS, Freitas JC, Brito JIB, Guerra HOC, Xavier JF. 2009. Aplicação da probabilidade condicional e do processo de cadeia de Markov na análise da ocorrência de períodos secos e chuvosos para o município de Garanhuns, PE, Brasil. Ambiente e água, Taubaté 4 (1): 169-182.
Anochi JÁ, Silva JDS. 2009. Uso de redes neurais artificiais e teoria de conjuntos aproximativos no estudo de padrões climáticos sazonais. Revista da Sociedade Brasileira de Redes Neurais 7 (2): 83-91.
Anochi JÁ. 2015. Previsão climática de precipitação por redes neurais autoconfiguradas. Tese (Doutorado em Computação Aplicada), Instituto Nacional de Pesquisas Espaciais, São José dos Campos.
Ávila LF, Mello CR, Viola MR. 2009. Mapeamento da precipitação mínima provável para o sul de Minas Gerais. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 13, p. 906-915.
Castro R. 1994. Distribuição probabilística da frequência de precipitação na região de Botucatu-SP. Dissertação (Mestrado em Agronomia), Universidade Estadual Paulista, Botucatu-SP.
INSTITUTO BRASILEIRO DE GEGRAFIA E ESTATÍSTICA - IBGE. Geografia do Brasil: Região Sudeste. Rio de Janeiro: IBGE, 1977.
Menezes PL, Azevedo CAV, Eyng E, Dantas Neto J, Lima VLA. 2015. Artificial neural network model for simulation of water distribution in sprinkle irrigation. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 19, n. 9, p. 817-822.
Moreira MC, Cecilio RA, Pinto FAC, Pruski FF.2006. Desenvolvimento e análise de uma rede neural artificial para estimativa da erosividade da chuva para o estado de São Paulo. Revista Brasileira de Ciência do Solo, Viçosa, v. 30, p. 1069-1076.
Nimer E. 1989. Climatologia do Brasil. IBGE: Rio de Janeiro.
Oikawa RT, Ishiki HM. 2014. Modelos estatísticos e de redes neurais artificiais utilizados na predição de precipitação. Periódico Eletrônico Fórum Ambiental da Alta Paulista, São Paulo 9 (8): 19-34.
Queiroz EF, Silva RJB, Oliveira MCN. 2001. Modelo de análise de regressão periódica da precipitação mensal, da bacia atlântico sudeste, no Paraná. Pesquisa Agropecuária Brasileira, Brasília 36 (5): 727-742.
Ruivo H, Campos Velho H, Sampaio G, Ramos F. 2005. Analysis of extreme precipitation events using a novel data mining approach. American Journal of Environmental Engineering 5 (1):96–105.
Sampaio SC, Longo A J, Queiroz MMF, Gomes BM, Boas MAV, Suszek M. 2007. Estimativa e distribuição de precipitação decendiais para o estado do Paraná. Irriga, Botucatu 12 (1): 38-53.
Schaeffer DL. 1980. A model evaluation methodology applicable to environmental assessment models. Ecological Modelling, Tennessee. 8: 275-295.
Sousa W, Sousa F. 2010. Rede neural artificial aplicada à previsão de vazão da bacia hidrográfica do Rio Piancó. Revista Brasileira de Engenharia Agrícola e Ambiental. 14 (2): 173–180.
Srivastava G, Panda SN, Mondal P, Liu J. 2010. Forecasting of rainfall using ocean-atmospheric indices with a fuzzy neural technique. Journal of Hydrology 395 (3-4): 190-198.
Talei A, Chua LHC, Quek C. 2010. A Novel Application of a Neuro-Fuzzy Computational Technique in Event-Based Rainfall-Runoff Modeling. Expert Systems with Applications 37 (12): 7456-7468.
Wu CL, Chau KW, Fan C. 2010. Prediction of Rainfall Time Series Using Modular Artificial Neural Networks Coupled with Data-Preprocessing Techniques. Journal of Hydrology
(1-2):146-167.
Zhang M, Fulcher J, Scofield RA. 1997. Rainfall estimation using artificial neural network group. Neurocomputing 16 (2): 97-115.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Revista Espinhaço
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
