Avaliação de estratégias de modelagem guiada por dados para previsão de vazão em rio sergipano
AUTOR(ES)
Santos, José Rafael Santana, Celeste, Alcigeimes Batista
FONTE
Rev. Ambient. Água
DATA DE PUBLICAÇÃO
2014-09
RESUMO
Dentre as várias técnicas de previsão de vazão, os modelos guiados por dados (DDMs: data-driven models) estão sendo muito utilizados. Estes se baseiam num banco de dados formado pelos registros históricos das variáveis de entrada (precipitação e vazão) e saída (vazão) para realizar a previsão. Redes neurais artificiais (ANNs: artificial neural networks) são os tipos de DDMs mais comuns e se mostram normalmente mais precisas do que outros modelos empíricos, mas possuem a desvantagem de não serem suficientemente transparentes. Um dos métodos de aprendizado de máquina que não possui esse problema é o aprendizado baseado em instâncias (IBL: instance-based learning). O modelo k-nearest neighbor (KNN) é um exemplo de IBL. Neste trabalho, variações do modelo KNN são utilizadas e propostas a fim de realizar previsão de vazão em rio do estado de Sergipe. Os resultados são comparados aos de simulações feitas com o uso de redes neurais artificiais e indicam superioridade das ANNs, mas também previsões satisfatórias com o KNN.
ASSUNTO(S)
previsão hidrológica inteligência artificial mineração de dados
Documentos Relacionados
- Previsão de vazão em tempo real no rio Uruguai com base na previsão meteorológica
- Estratégias para modelagem de dados multivariados na presença de correlação
- Modelo para previsão de vazão fluvial baseado em wavelets e redes neurais
- Vazão de projeto na microdrenagem em locais sem dados de precipitação: estudo para o Rio Grande do Sul
- Modelo Empírico Linear para Previsão de Vazão de Rios na Usina Hidrelétrica de Itaipu – Bacia do Rio Paraná