Estimativa de cotas e vazões de curto prazo em bacias hidrográficas usando redes ConvLSTM

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Kraemer, Alex Bruno
Orientador(a): Santos, Daniel Rodrigues dos, 1973-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Hidrologia - Modelos
Vazante
Geodésia
Redes neurais (Computação)
Controle de inundações
Link de acesso: https://hdl.handle.net/1884/76575
Resumo: Orientador: Prof. Dr. Daniel Rodrigues dos Santos
id UFPR_1a283cd5eabf31e8520b965c30e682bc
oai_identifier_str oai:acervodigital.ufpr.br:1884/76575
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Universidade Federal do Paraná. Setor de Ciências da Terra. Programa de Pós-Graduação em Ciências GeodésicasSantos, Daniel Rodrigues dos, 1973-Kraemer, Alex Bruno2024-07-30T14:59:42Z2024-07-30T14:59:42Z2022https://hdl.handle.net/1884/76575Orientador: Prof. Dr. Daniel Rodrigues dos SantosDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências da Terra, Programa de Pós-Graduação em Ciências Geodésicas. Defesa : Curitiba, 02/03/2022Inclui referências: p. 73-76Resumo: Nos últimos anos, o aprendizado de máquina (AM) é uma das linhas de pesquisa que tem se fortalecido na resolução de problemas cada vez mais complexos, estes problemas demandam de ferramentas computacionais sofisticadas e autônomas, reduzindo a necessidade de intervenção humana. Embora o advento de AM ofereça inúmeros benefícios, ainda há desafios em seu uso para a modelagem hidrológica, visto que, de acordo com HERATH et al. (2020), até o momento, nenhum modelo hidrológico consegue ter um desempenho igualmente satisfatório em toda a dinâmica dos fatores ambientais presentes em uma bacia hidrográfica. Atualmente, as inundações constituem o principal desastre natural no mundo e ocorrem durante eventos de alta pluviosidade aliado as características do relevo e uso do solo. Para tentar resolver este problema, neste trabalho é proposto o treinamento de um modelo de rede neural artificial (RNA) denominado ConvLSTM, empregando a abordagem distribuída. Para tal, foi necessário estabelecer os dados que influenciam diretamente no escoamento superficial d’água, sendo: (1) cota fluvial, (2) relevo, (3) Curve Number (CN) e (4) precipitação. Em seguida, processou-se os dados para se adequarem ao padrão de entrada da ConvLSTM, a qual utiliza o formato matricial. Para o treinamento do modelo, utilizou-se a plataforma Google Colab com processamento em nuvem, linguagem python 3 e as bibliotecas keras. Realizaram-se três experimentos: no primeiro, utilizou-se o modelo ConvLSTM, sem dados sintéticos; no segundo, acrescentaram-se dados sintéticos de chuva nas amostras de treino; no terceiro, empregaram-se dados sintéticos de cotas fluviais. Confrontando os resultados da estação de referência, observou-se que o acréscimo de dados sintéticos nas amostras de treino melhorou a capacidade do modelo em predizer os valores de cotas fluviais para a estação de referência.Abstract: In recent years, machine learning (ML) is one of the research fields that has grown in importance for the resolution of increasingly complex problems. Such problems call for sophisticated and autonomous computational tools, thereby reducing human intervention. Even though the advent of ML brings countless benefits, there are many challenges concerning their use in hydrological modeling, as according to HERATH et al. (2020), currently, no hydrological model can perform equally well across the dynamic of all environmental factors present in a watershed. Floods are currently the world's major natural disaster that occurs during high rainfall associated with relief and land use characteristics. To address this issue, this paper proposes the training of an artificial neural network (ANN) model entitled ConvLSTM, with a distributed approach. To achieve this goal, it was necessary to establish the water surface runoff data, which are: (1) fluvial height; (2) relief; (3) Curve Number (CN); and (4) precipitation. Then, the data was prepared to fit the ConvLSTM input pattern, which employs the matrix format. Google Colab platform with cloud processing, python 3 language, and Keras libraries were used to implement the model training. Three experiments were carried out: in the first one, the ConvLSTM model was deployed without synthetic data; in the second one, synthetic rainfall data was added to the training samples; and finally, synthetic river level data was employed. By comparing the results at the reference station, one could observe that the addition of synthetic data in the training samples enhanced the model's power to predict the fluvial height of the reference station.1 recurso online : PDF.application/pdfHidrologia - ModelosVazanteGeodésiaRedes neurais (Computação)Controle de inundaçõesEstimativa de cotas e vazões de curto prazo em bacias hidrográficas usando redes ConvLSTMinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - ALEX BRUNO KRAEMER.pdfapplication/pdf4286146https://acervodigital.ufpr.br/bitstream/1884/76575/1/R%20-%20D%20-%20ALEX%20BRUNO%20KRAEMER.pdfdff70e1487862fe6f3335bd0801da362MD51open access1884/765752024-07-30 11:59:42.229open accessoai:acervodigital.ufpr.br:1884/76575Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082024-07-30T14:59:42Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Estimativa de cotas e vazões de curto prazo em bacias hidrográficas usando redes ConvLSTM
title Estimativa de cotas e vazões de curto prazo em bacias hidrográficas usando redes ConvLSTM
spellingShingle Estimativa de cotas e vazões de curto prazo em bacias hidrográficas usando redes ConvLSTM
Kraemer, Alex Bruno
Hidrologia - Modelos
Vazante
Geodésia
Redes neurais (Computação)
Controle de inundações
title_short Estimativa de cotas e vazões de curto prazo em bacias hidrográficas usando redes ConvLSTM
title_full Estimativa de cotas e vazões de curto prazo em bacias hidrográficas usando redes ConvLSTM
title_fullStr Estimativa de cotas e vazões de curto prazo em bacias hidrográficas usando redes ConvLSTM
title_full_unstemmed Estimativa de cotas e vazões de curto prazo em bacias hidrográficas usando redes ConvLSTM
title_sort Estimativa de cotas e vazões de curto prazo em bacias hidrográficas usando redes ConvLSTM
author Kraemer, Alex Bruno
author_facet Kraemer, Alex Bruno
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências da Terra. Programa de Pós-Graduação em Ciências Geodésicas
dc.contributor.advisor1.fl_str_mv Santos, Daniel Rodrigues dos, 1973-
dc.contributor.author.fl_str_mv Kraemer, Alex Bruno
contributor_str_mv Santos, Daniel Rodrigues dos, 1973-
dc.subject.por.fl_str_mv Hidrologia - Modelos
Vazante
Geodésia
Redes neurais (Computação)
Controle de inundações
topic Hidrologia - Modelos
Vazante
Geodésia
Redes neurais (Computação)
Controle de inundações
description Orientador: Prof. Dr. Daniel Rodrigues dos Santos
publishDate 2022
dc.date.issued.fl_str_mv 2022
dc.date.accessioned.fl_str_mv 2024-07-30T14:59:42Z
dc.date.available.fl_str_mv 2024-07-30T14:59:42Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/76575
url https://hdl.handle.net/1884/76575
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/76575/1/R%20-%20D%20-%20ALEX%20BRUNO%20KRAEMER.pdf
bitstream.checksum.fl_str_mv dff70e1487862fe6f3335bd0801da362
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526053778554880

Registros relacionados