@MastersThesis{Freitas:2023:NeNeVe,
author = "Freitas, Cintia Pereira de",
title = "Neural network for very short-term hydrological forecasting",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2023",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2022-03-28",
keywords = "artificial neural networks, empirical hydrological forecast, very
short-term forecast, hydrometeorological data, redes neurais
artificiais, previs{\~a}o hidrol{\'o}gica emp{\'{\i}}rica,
previs{\~a}o de curt{\'{\i}}ssimo prazo, dados
hidrometeorol{\'o}gicos.",
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
hidrol{\'o}gicos extremos t{\^e}m ocorrido com frequ{\^e}ncia e
severidade cada vez maiores. Sistemas de monitoramento e
previs{\~a}o das condi{\c{c}}{\~o}es hidrometeorol{\'o}gicas
de uma bacia hidrogr{\'a}fica s{\~a}o cada vez mais importantes,
pois permitem que tomadores de decis{\~a}o possam atuar a tempo,
adotando medidas preventivas e mitigadoras dos efeitos causados
por estes eventos. Os modelos de previs{\~a}o hidrol{\'o}gica
emp{\'{\i}}rica, baseados em Redes Neurais Artificiais (RNA),
s{\~a}o uma alternativa para essas previs{\~o}es, e t{\^e}m
apresentado excelentes resultados. Neste contexto, esta
disserta{\c{c}}{\~a}o apresenta dois modelos hidrol{\'o}gicos
emp{\'{\i}}ricos, para uma previs{\~a}o de curt{\'{\i}}ssimo
prazo de n{\'{\i}}vel de rio para uma pequena bacia localizada
na cidade de Nova Friburgo, regi{\~a}o serrana do Estado do Rio
de Janeiro. Esta {\'e} uma regi{\~a}o bastante
suscet{\'{\i}}vel a eventos como inunda{\c{c}}{\~o}es 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 n{\'{\i}}vel de {\'a}gua
de cinco esta{\c{c}}{\~o}es hidrol{\'o}gicas e o segundo
utilizando dados de chuva estimada por radar meteorol{\'o}gico.
As m{\'e}tricas utilizadas para a avalia{\c{c}}{\~a}o dos
modelos foi a Raiz do Erro Quadr{\'a}tico M{\'e}dio (RMSE) e o
Coeficiente de Efici{\^e}ncia de Nash-Sutcliffe (NSE). As
previs{\~o}es foram avaliadas para um horizonte de 15 at{\'e}
120 minutos, sendo que ambos os modelos apresentaram um bom
desempenho. Para o modelo utilizando esta{\c{c}}{\~o}es, o valor
do NSE obtido na previs{\~a}o de 15 minutos foi de 0.994 e na
previs{\~a}o de 120 minutos foi 0.9016. J{\'a} para o modelo
utilizando dados de radar, o valor do NSE, na previs{\~a}o de 15
minutos foi 0.8779 e na previs{\~a}o de 120 minutos foi 0.8590.",
affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)}",
committee = "Quiles, Marcos Gon{\c{c}}alves (presidente) and Santos, Leonardo
Bacelar Lima (orientador) and Stephany, Stephan and Lima, Glauston
Roberto Teixeira de",
englishtitle = "Redes neurais para previs{\~a}o hidrol{\'o}gica de
curt{\'{\i}}ssimo prazo",
language = "en",
pages = "61",
targetfile = "publicacao.pdf",
urlaccessdate = "06 maio 2024"
}