Previsão da precipitação pluvial por meio de redes neurais artificiais treinadas utilizando diferentes variáveis climáticas

• Ano de defesa: 2021
• Autor(a) principal: Silva, Mateus Alexandre
• Orientador(a): Thebaldi, Michael Silveira
• Banca de defesa: Thebaldi, Michael Silveira, Mello, Carlos Rogério de, Lacerda, Wilian Soares, Fraga Junior, Eusimio Felisbino
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Recursos Hídricos
• Departamento: Departamento de Recursos Hídricos
• País: brasil
• Palavras-chave em Português: Modelagem hidrológica; Multilayer perceptron; Redes neurais artificiais; Previsão da precipitação; Hydrological modeling; Artificial neural networks; Precipitation forecast
• Área do conhecimento CNPq: Recursos Hídricos
• Link de acesso: https://repositorio.ufla.br/handle/1/46327

Métodos que preveem a precipitação pluvial auxiliam a evitar e mitigar danos ocasionados por seu déficit ou excesso, além de proporcionarem as ferramentas necessárias para a tomada de decisão em setores socioeconômicos e para o desenvolvimento de um planejamento adequado aos usos dos recursos hídricos. Diante disto, objetivou-se por meio da presente pesquisa, prever a precipitação mensal, com um mês de antecedência, em quatro municípios da mesorregião metropolitana de Belo Horizonte utilizando modelos de redes neurais artificiais treinadas com diferentes variáveis climáticas. Ainda, objetivou-se indicar a adequabilidade de tais variáveis como entradas destes modelos. Os modelos foram desenvolvidos por meio do software MATLAB® versão R2011a, utilizando a toolbox NNTOOL. O treinamento das redes neurais artificiais foi feito utilizando a arquitetura multilayer perceptron e o algoritmo feedforward backpropagation. Inicialmente, utilizou-se como entrada da rede neural artificial no treinamento o número sequencial correspondente ao mês e a série de precipitação total, em escala mensal, dos anos de 1970 a 1999 para a previsão das precipitações, em escala mensal, ocorridas nos anos de 2000 a 2009. Posteriormente, utilizou-se para o treinamento das redes neurais artificiais as entradas: número sequencial correspondente ao mês, e séries históricas mensais de precipitação total, temperatura média compensada, velocidade média do vento e umidade relativa média do ar, aliados a dados sobre a ocorrência do fenômeno ENOS, dos anos de 1970 a 1999, a fim de prever a precipitação em escala mensal, ocorridas nos anos de 2000 a 2009, comparando-se os resultados. Por fim, calculou-se a correlação entre as variáveis utilizadas e a precipitação do mês seguinte e, posteriormente, utilizou-se as 3 variáveis mais correlacionadas para o treinamento dos modelos. Constatou-se que as variáveis mais correlacionadas com a precipitação do mês seguinte foram o número sequencial correspondente ao mês, a precipitação total e a temperatura média compensada, e que o treinamento com estas obteve desempenho superior aos demais. Concluiu-se que as redes neurais artificiais são adequadas para a previsão da precipitação, porém apresentam uma limitação para prever meses com elevada precipitação.