<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Thesis">
		<site>mtc-m21d.sid.inpe.br 808</site>
		<holdercode>{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}</holdercode>
		<identifier>8JMKD3MGP3W34T/46JAFD2</identifier>
		<repository>sid.inpe.br/mtc-m21d/2022/03.24.17.15</repository>
		<lastupdate>2023:03.21.15.05.36 urlib.net/www/2021/06.04.03.40 simone</lastupdate>
		<metadatarepository>sid.inpe.br/mtc-m21d/2022/03.24.17.15.50</metadatarepository>
		<metadatalastupdate>2023:03.24.13.29.34 urlib.net/www/2021/06.04.03.40 simone {D 2023}</metadatalastupdate>
		<secondarykey>INPE-18563-TDI/3206</secondarykey>
		<citationkey>Freitas:2023:NeNeVe</citationkey>
		<title>Neural network for very short-term hydrological forecasting</title>
		<alternatetitle>Redes neurais para previsão hidrológica de curtíssimo prazo</alternatetitle>
		<course>CAP-COMP-DIPGR-INPE-MCTI-GOV-BR</course>
		<year>2023</year>
		<date>2022-03-28</date>
		<thesistype>Dissertação (Mestrado em Computação Aplicada)</thesistype>
		<secondarytype>TDI</secondarytype>
		<numberofpages>61</numberofpages>
		<numberoffiles>1</numberoffiles>
		<size>6611 KiB</size>
		<author>Freitas, Cintia Pereira de,</author>
		<group>CAP-COMP-DIPGR-INPE-MCTI-GOV-BR</group>
		<affiliation>Instituto Nacional de Pesquisas Espaciais (INPE)</affiliation>
		<committee>Quiles, Marcos Gonçalves (presidente),</committee>
		<committee>Santos, Leonardo Bacelar Lima (orientador),</committee>
		<committee>Stephany, Stephan,</committee>
		<committee>Lima, Glauston Roberto Teixeira de,</committee>
		<e-mailaddress>cintia.freitas@inpe.br</e-mailaddress>
		<university>Instituto Nacional de Pesquisas Espaciais (INPE)</university>
		<city>São José dos Campos</city>
		<transferableflag>1</transferableflag>
		<contenttype>External Contribution</contenttype>
		<keywords>artificial neural networks, empirical hydrological forecast, very short-term forecast, hydrometeorological data, redes neurais artificiais, previsão hidrológica empírica, previsão de curtíssimo prazo, dados hidrometeorológicos.</keywords>
		<abstract>Extreme hydrological events have occurred with increasing frequency and severity. Systems for monitoring and forecasting the hydrometeorological conditions of a watershed are of growing importance, as they allow decision-makers to act in time, adopting preventive measures and mitigating the effects caused by these events. Empirical hydrological prediction models, based on Artificial Neural Networks (ANN), are an alternative to these predictions and have shown excellent results. In this context, this dissertation presents two empirical hydrological models for a very shortterm forecast of river level for a small basin located in Nova Friburgo, a city in the mountainous region of the State of Rio de Janeiro. The models were created with a Multilayer Perceptron (MLP) neural network. The first model was trained based on rainfall and water level data from five hydrological stations, and the second uses rainfall data estimated by weather radar. The metrics used to evaluate the models were the Root Mean Square Error (RMSE) and the Nash-Sutcliffe Efficiency Coefficient (NSE). Forecasts were evaluated for a horizon of 15 to 120 minutes, and both models performed well. For the model using stations, the NSE value obtained in the 15-minute forecast was 0.994, and in the 120-minute forecast, it was 0.9016. For the model using radar data, the NSE value in the 15-minute forecast was 0.8779, and in the 120-minute forecast, it was 0.8590. RESUMO: Os eventos hidrológicos extremos têm ocorrido com frequência e severidade cada vez maiores. Sistemas de monitoramento e previsão das condições hidrometeorológicas de uma bacia hidrográfica são cada vez mais importantes, pois permitem que tomadores de decisão possam atuar a tempo, adotando medidas preventivas e mitigadoras dos efeitos causados por estes eventos. Os modelos de previsão hidrológica empírica, baseados em Redes Neurais Artificiais (RNA), são uma alternativa para essas previsões, e têm apresentado excelentes resultados. Neste contexto, esta dissertação apresenta dois modelos hidrológicos empíricos, para uma previsão de curtíssimo prazo de nível de rio para uma pequena bacia localizada na cidade de Nova Friburgo, região serrana do Estado do Rio de Janeiro. Esta é uma região bastante suscetível a eventos como inundações e movimentos de massa. Os modelos foram criados com uma rede neural do tipo Multilayer Perceptron (MLP). O primeiro modelo foi treinado com base em dados de chuva e nível de água de cinco estações hidrológicas e o segundo utilizando dados de chuva estimada por radar meteorológico. As métricas utilizadas para a avaliação dos modelos foi a Raiz do Erro Quadrático Médio (RMSE) e o Coeficiente de Eficiência de Nash-Sutcliffe (NSE). As previsões foram avaliadas para um horizonte de 15 até 120 minutos, sendo que ambos os modelos apresentaram um bom desempenho. Para o modelo utilizando estações, o valor do NSE obtido na previsão de 15 minutos foi de 0.994 e na previsão de 120 minutos foi 0.9016. Já para o modelo utilizando dados de radar, o valor do NSE, na previsão de 15 minutos foi 0.8779 e na previsão de 120 minutos foi 0.8590.</abstract>
		<area>COMP</area>
		<language>en</language>
		<targetfile>publicacao.pdf</targetfile>
		<usergroup>cintia.freitas@inpe.br</usergroup>
		<usergroup>pubtc@inpe.br</usergroup>
		<usergroup>simone</usergroup>
		<visibility>shown</visibility>
		<copyright>urlib.net/www/2012/11.12.15.10</copyright>
		<readpermission>allow from all</readpermission>
		<documentstage>not transferred</documentstage>
		<mirrorrepository>urlib.net/www/2021/06.04.03.40.25</mirrorrepository>
		<nexthigherunit>8JMKD3MGPCW/3F2PHGS</nexthigherunit>
		<nexthigherunit>8JMKD3MGPCW/46KUES5</nexthigherunit>
		<citingitemlist>urlib.net/www/2021/06.04.03.40.25 1</citingitemlist>
		<citingitemlist>sid.inpe.br/bibdigital/2013/10.12.22.16 1</citingitemlist>
		<hostcollection>urlib.net/www/2021/06.04.03.40</hostcollection>
		<agreement>autorizacao.pdf .htaccess .htaccess2</agreement>
		<lasthostcollection>urlib.net/www/2021/06.04.03.40</lasthostcollection>
		<supervisor>Santos, Leonardo Bacelar Lima,</supervisor>
		<url>http://mtc-m21d.sid.inpe.br/rep-/sid.inpe.br/mtc-m21d/2022/03.24.17.15</url>
	</metadata>
</metadatalist>