@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"
}