@InProceedings{SousaSous:2008:MoHiRe,
               author = "Sousa, Wanderson dos S. and Sousa, Francisco de A. S. de",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE/CPTEC)} and 
                         UACA/CTRN/UFCG - Campina Grande, PB",
                title = "Modelagem hidrol{\'o}gica com rede neural artificial para a bacia 
                         hidrogr{\'a}fica do rio Pianc{\'o}",
            booktitle = "Anais...",
                 year = "2008",
         organization = "Congresso Brasileiro de Meteorologia, 15.",
             keywords = "Hidrometeorologia, rede neural artificial, processo 
                         chuva-vaz{\~a}o.",
             abstract = "A previs{\~a}o de vaz{\~a}o em um sistema h{\'{\i}}drico 
                         {\'e} uma das t{\'e}cnicas utilizadas para minimizar o impacto 
                         das incertezas do clima sobre o gerenciamento dos recursos 
                         h{\'{\i}}dricos. Essa t{\'e}cnica pode ser considerada um dos 
                         principais desafios relacionados ao conhecimento integrado da 
                         climatologia e da hidrologia de uma bacia hidrogr{\'a}fica. O 
                         objetivo deste trabalho foi o de modelar a rela{\c{c}}{\~a}o 
                         n{\~a}o-linear entre chuva e vaz{\~a}o na bacia 
                         hidrogr{\'a}fica do rio Pianc{\'o}, no semi-{\'a}rido 
                         paraibano, utilizando a t{\'e}cnica de Redes Neurais Artificiais 
                         (RNA). Aqui foi avaliada a capacidade da RNA modelar o processo 
                         chuva-vaz{\~a}o em base mensal. Considerou-se durante o 
                         treinamento da RNA a influ{\^e}ncia da arquitetura da rede e da 
                         inicializa{\c{c}}{\~a}o dos pesos. No final do treinamento foi 
                         escolhida a melhor arquitetura, para modelar vaz{\~o}es 
                         m{\'e}dias mensais na bacia estudada, com base no desempenho do 
                         modelo. A arquitetura de RNA que produziu melhor resultado foi a 
                         RC315L com valores para o coeficiente de determina{\c{c}}{\~a}o, 
                         de efici{\^e}ncia e erro padr{\~a}o da estimativa de 92,0 %, 
                         77,0 % e 8,29 respectivamente. ABSTRACT: The streamflow 
                         forecasting in a water system is one of the techniques used to 
                         reduce impact of the uncertainties of the climate on 
                         administration of the water resources. That technique can be 
                         considered one of the principal challenges related to the 
                         integrated knowledge of the climatology and of the hydrology of 
                         the river basin. The aim of this work was it of modeling the 
                         no-linear relation between rainfall and streamflow in the 
                         Pianc{\'o} river basin, in the paraibano semiarid, using the 
                         technique of Artificial Neural Networks (ANN). Here the ability of 
                         ANN was evaluated to model the rainfall-runoff process in monthly 
                         base. It was considered, during training of ANN, the network 
                         architecture and, weights initialization influence. In the end of 
                         the training it was chosen the best architecture, to model the 
                         streamflow monthly mean in the studied basin, with base in the 
                         acting of the model. The architecture of ANN that produced better 
                         result was RC315L with values for the determination coefficient, 
                         efficiency coefficient and standard estimate error (SEE) equal to 
                         92.0%, 77.0% and 8.29 respectively.",
  conference-location = "S{\~a}o Paulo",
      conference-year = "24-29 ago",
           copyholder = "SID/SCD",
             language = "pt",
         organisation = "SBMET",
           targetfile = "Modelagem hidrologica.pdf",
        urlaccessdate = "09 maio 2024"
}