Fechar
Metadados

@Article{DebastianiSilvRafa:2016:EfArML,
               author = "Debastiani, Aline Bernarda and Silva, Ricardo Dal'Agnol da and 
                         Rafaeli Neto, Silvio Luiz",
          affiliation = "{} and {Instituto Nacional de Pesquisas Espaciais (INPE)}",
                title = "Efic{\'a}cia da arquitetura MLP em modo closed-loop para 
                         simula{\c{c}}{\~a}o de um Sistema Hidrol{\'o}gico",
              journal = "Revista Brasileira de Recursos H{\'{\i}}dricos",
                 year = "2016",
               volume = "21",
               number = "4",
                pages = "821--831",
                month = "out./dez.",
             keywords = "Modelo chuva-vaz{\~a}o, Algoritmo de Garson, Bacia 
                         hidrogr{\'a}fica do Rio Canoas, Rainfall-runoff model, Garson 
                         algorithm, Basin of Canoas.",
             abstract = "Para a elabora{\c{c}}{\~a}o do plano de bacia se faz 
                         necess{\'a}ria a realiza{\c{c}}{\~a}o de estimativas da 
                         resposta hidrol{\'o}gica. Sendo assim, o objetivo desse estudo 
                         foi de avaliar a simula{\c{c}}{\~a}o do comportamento 
                         hidrol{\'o}gico da bacia hidrogr{\'a}fica do Alto Canoas 
                         localizada em Santa Catarina, atrav{\'e}s de redes neurais 
                         artificiais Multi Layer Perceptron (MLP), bem como de analisar a 
                         contribui{\c{c}}{\~a}o das vari{\'a}veis de entrada para a 
                         modelagem. Foram testados doze tratamentos com 
                         combina{\c{c}}{\~o}es de vari{\'a}veis de 
                         precipita{\c{c}}{\~a}o, evapotranspira{\c{c}}{\~a}o (ET0) e 
                         vaz{\~a}o, al{\'e}m de transforma{\c{c}}{\~o}es e 
                         deslocamentos temporais dessas, a fim de determinar as 
                         vari{\'a}veis que promovessem o melhor desempenho da modelagem da 
                         vaz{\~a}o. A MLP foi treinada em modo open-loop utilizando parte 
                         das vaz{\~o}es observadas. As vaz{\~o}es foram simuladas em 
                         open-loop e closed-loop para o per{\'{\i}}odo de teste, sendo em 
                         closed-loop utilizado a vaz{\~a}o simulada no passo de tempo 
                         anterior como entrada. O algoritmo de aprendizado utilizado foi o 
                         de Levenberg-Marquardt. O tratamento que apresentou melhor 
                         desempenho (Nash e Sutcliffe (NS) = 0,9119, Raiz do Erro 
                         M{\'e}dio Quadr{\'a}tico (RMS) = 14,29 m3 /s) empregou a 
                         precipita{\c{c}}{\~a}o di{\'a}ria das quatro 
                         esta{\c{c}}{\~o}es pluviom{\'e}tricas (Urubici, Vila Canoas, 
                         Lomba Alta e Anit{\'a}polis), precipita{\c{c}}{\~a}o das quatro 
                         esta{\c{c}}{\~o}es com tempo de resposta de -2 dias, e 
                         vaz{\~a}o simulada do dia anterior. Apesar do baixo RMS, a 
                         vaz{\~a}o modelada pela MLP foi, em geral, superestimada. 
                         ABSTRACT: Estimatives of hydrological responses are needed for the 
                         watershed planning. The aim of this study was to evaluate the 
                         hydrological behavior simulation of the Upper Canoas basin using 
                         artificial neural networks Multi Layer Perceptron (MLP) method, as 
                         well as to analyze the contribution of the input variables for 
                         modeling. It were tested 12 treatments with combinations of 
                         variables such as precipitation, evapotranspiration (ET0) and 
                         discharge, as well as transformations and temporal displacements 
                         of these variables, in order to determine the variables that 
                         promoted the better performance on discharge modeling. The MLP was 
                         trained in open-loop mode using part of the observed discharges. 
                         The discharges for the whole series were simulated in closed-loop, 
                         using the discharge simulated on the previous time step as input. 
                         The learning algorithm used was the Levenberg-Marquardt. The 
                         treatment with the best performance (NS = 0.9119, RMS = 14.29 m3 
                         /s) employed the daily precipitation of the four rainfall stations 
                         (Urubici, Vila Canoas, Lomba Alta e Anit{\'a}polis), 
                         precipitation of the four stations with -2 days of response time, 
                         and simulated discharge from the previous day. Despite the low 
                         RMS, the modeled discharge using MLP was generally 
                         overestimated.",
                  doi = "http://dx.doi.org/10.1590/2318-0331.011615124",
                  url = "http://dx.doi.org/http://dx.doi.org/10.1590/2318-0331.011615124",
                 issn = "1414-381X",
             language = "pt",
           targetfile = "debastiani_eficacia.pdf",
        urlaccessdate = "05 dez. 2020"
}


Fechar