@InProceedings{MartinsPessBres:2018:ReNeAr,
author = "Martins, Renata Genova and Pessoa, Alex Sandro Aguiar and
Bressiani, Danielle De Almeida",
title = "Rede neural artificial aplicada {\`a} previs{\~a}o de vaz{\~a}o
para pequenas centrais hidrel{\'e}tricas",
booktitle = "Anais...",
year = "2018",
editor = "Herdies, Dirceu Luis and Coelho, Simone Marilene Sievert da
Costa",
organization = "Encontro dos alunos de p{\'o}s-gradua{\c{c}}{\~a}o em
meteorologia do CPTEC/INPE, 17. (EPGMET)",
publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
address = "S{\~a}o Jos{\'e} dos Campos",
keywords = "WRF, Modelagem, CFS.",
abstract = "A previs{\~a}o de vaz{\~a}o em um sistema h{\'{\i}}drico
{\'e} um dos principais desafios relacionados ao conhecimento
integrado da climatologia e da hidrologia, servindo para minimizar
o impacto da variabilidade clim{\'a}tica sobre a quantidade e
qualidade das {\'a}guas e, ainda, como uma ferramentas para
planejamento das empresas do setor energ{\'e}tico ( Sousa e
Sousa, 2010). Na literatura, s{\~a}o encontrados diversos modelos
para previs{\~a}o de vaz{\~a}o em rios, entre eles os modelos
determin{\'{\i}}sticos, estoc{\'a}sticos, conceituais,
concentrados, distribu{\'{\i}}dos e emp{\'{\i}}ricos; como os
baseados na t{\'e}cnica de Redes Neurais Artificiais (RNA). A RNA
{\'e} inspirada no sistema nervoso central de um c{\'e}rebro
humano, capaz de aprender e reconhecer padr{\~o}es. As redes
possuem alta capacidade de modelar sistemas n{\~a}o-lineares e
grande volume de dados. Diante do exposto, o objetivo deste
trabalho {\'e} realizar a previs{\~a}o de vaz{\~a}o di{\'a}ria
(no horizonte de 1 a 15 dias) e mensal (para os pr{\'o}ximos 6
meses), utilizando a metodologia de Redes Neurais Artificiais, a
partir de dados de precipita{\c{c}}{\~a}o, n{\'{\i}}vel e
vaz{\~a}o observados e dados de previs{\~a}o de chuva oriundos
do modelo atmosf{\'e}rico Weather Research and Forecasting
Climatempo WRF e Climate Forecast System (CFS) para tr{\^e}s
Pequenas Centrais Hidrel{\'e}tricas (PCHs) situadas na
regi{\~a}o sudeste do Brasil. Para tanto, inicialmente foi
realizada a coleta e tratamento de s{\'e}ries temporais de dados
de precipita{\c{c}}{\~a}o, de dois postos pluviom{\'e}tricos, e
de n{\'{\i}}vel para tr{\^e}s postos fluviom{\'e}tricos, que
foram convertidos para vaz{\~a}o atrav{\'e}s de curvas-chave
determinadas para cada posto. Estes dados foram
pr{\'e}-processados e divididos em dois conjuntos, sendo que 80%
foi destinado para o treinamento da RNA e 20% para sua
valida{\c{c}}{\~a}o. Ap{\'o}s o treinamento de cada rede e
defini{\c{c}}{\~a}o de sua arquitetura, sua performance foi
avaliada com m{\'e}tricas estat{\'{\i}}sticas. O modelo foi
desenvolvido em linguagem Python, utilizando a biblioteca Keras e
Tensorflow. Atrav{\'e}s da an{\'a}lise dos resultados obtidos,
foi poss{\'{\i}}vel verificar que as redes foram capazes de
simular a variabilidade da vaz{\~a}o, conforma a observada, se
mostrando eficaz para modelar o sistema chuva/vaz{\~a}o na
{\'a}rea de estudo. Uma vez treinada e validada as redes foram
colocadas em opera{\c{c}}{\~a}o para realiza{\c{c}}{\~a}o da
previs{\~a}o com os dados de chuva dos modelos WRF Climatempo e
CFS.",
conference-location = "Cachoeira Paulista",
conference-year = "22-26 out. 2018",
language = "pt",
organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
ibi = "8JMKD3MGPDW34R/3SR2BM8",
url = "http://urlib.net/ibi/8JMKD3MGPDW34R/3SR2BM8",
targetfile = "MG3-05.pdf",
type = "Modelagem Geral",
urlaccessdate = "19 maio 2024"
}