@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"
}