| 1. Identificação | ||||
| Tipo de Referência | Artigo em Revista Científica (Journal Article) | |||
| Site | mtc-m21d.sid.inpe.br | |||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||
| Identificador | 8JMKD3MGP3W34T/49KDLBL | |||
| Repositório | sid.inpe.br/mtc-m21d/2023/08.11.19.42 (acesso restrito) | |||
| Última Atualização | 2023:08.11.19.42.44 (UTC) simone | |||
| Repositório de Metadados | sid.inpe.br/mtc-m21d/2023/08.11.19.42.44 | |||
| Última Atualização dos Metadados | 2024:01.02.17.16.45 (UTC) administrator | |||
| DOI | 10.3390/eng4030101 | |||
| ISSN | 2673-4117 | |||
| Chave de Citação | SantosFrBaSoDiLiSt:2023:NeNeHy | |||
| Título | A Neural Network-Based Hydrological Model for Very High-Resolution Forecasting Using Weather Radar Data  | |||
| Ano | 2023 | |||
| Mês | Sept. | |||
| Data de Acesso | 21 maio 2024 | |||
| Tipo de Trabalho | journal article | |||
| Tipo Secundário | PRE PI | |||
| Número de Arquivos | 1 | |||
| Tamanho | 1690 KiB | |||
| 2. Contextualização | ||||
| Autor | 1 Santos, Leonardo Bacelar Lima 2 Freitas, Cintia Pereira de 3 Bacelar, Luiz 4 Soares, Jaqueline Aparecida Jorge Papini 5 Diniz, Michael M. 6 Lima, Glauston R. T. 7 Stephany, Stephan | |||
| Identificador de Curriculo | 1 2 3 4 5 6 7 8JMKD3MGP5W/3C9JJ9D | |||
| ORCID | 1 2 3 4 5 0000-0003-3853-8749 6 7 0000-0002-6302-4259 | |||
| Grupo | 1 2 CAP-COMP-DIPGR-INPE-MCTI-GOV-BR 3 4 CAP-COMP-DIPGR-INPE-MCTI-GOV-BR 5 6 7 COPDT-CGIP-INPE-MCTI-GOV-BR | |||
| Afiliação | 1 Centro Nacional de Monitoramento e Alertas de Desastres Naturais (CEMADEN) 2 Instituto Nacional de Pesquisas Espaciais (INPE) 3 Duke University 4 Instituto Nacional de Pesquisas Espaciais (INPE) 5 Instituto Federal de Educação, Ciência e Tecnologia de São Paulo (IFSP) 6 Centro Nacional de Monitoramento e Alertas de Desastres Naturais (CEMADEN) 7 Instituto Nacional de Pesquisas Espaciais (INPE) | |||
| Endereço de e-Mail do Autor | 1 leonardo.santos@cemaden.gov.br 2 cintia.cpfreitas@gmail.com 3 luiz.bacelar@duke.edu 4 jaqueline.soares@cemaden.gov.br 5 michael.diniz@ifsp.edu.br 6 glauston.lima@cemaden.gov.br 7 stephan.stephany@inpe.br | |||
| Revista | Eng | |||
| Volume | 4 | |||
| Número | 3 | |||
| Páginas | 1787-1796 | |||
| Histórico (UTC) | 2023-08-11 19:43:36 :: simone -> administrator :: 2023 2024-01-02 17:16:45 :: administrator -> simone :: 2023 | |||
| 3. Conteúdo e estrutura | ||||
| É a matriz ou uma cópia? | é a matriz | |||
| Estágio do Conteúdo | concluido | |||
| Transferível | 1 | |||
| Tipo do Conteúdo | External Contribution | |||
| Tipo de Versão | publisher | |||
| Palavras-Chave | hydrologic prediction hydrological prediction hydrology neural networks weather radar | |||
| Resumo | Many hydro-meteorological disasters in small and steep watersheds develop quickly and significantly impact human lives and infrastructures. High-resolution rainfall data and machine learning methods have been used as modeling frameworks to predict those events, such as flash floods. However, a critical question remains: How long must the rainfall input data be for an empirical-based hydrological forecast? The present article employed an artificial neural network (ANN)hydrological model to address this issue to predict river levels and investigate its dependency on antecedent rainfall conditions. The tests were performed using observed water level data and high-resolution weather radar rainfall estimation over a small watershed in the mountainous region of Rio de Janeiro, Brazil. As a result, the forecast water level time series only archived a successful performance (i.e., NashSutcliffe model efficiency coefficient (NSE) > 0.6) when data inputs considered at least 2 h of accumulated rainfall, suggesting a strong physical association to the watershed time of concentration. Under extended periods of accumulated rainfall (>12 h), the framework reached considerably higher performance levels (i.e., NSE > 0.85), which may be related to the ability of the ANN to capture the subsurface response as well as past soil moisture states in the watershed. Additionally, we investigated the models robustness, considering different seeds for random number generating, and spacial applicability, looking at maps of weights. | |||
| Área | COMP | |||
| Arranjo 1 | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > A Neural Network-Based... | |||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > A Neural Network-Based... | |||
| Conteúdo da Pasta doc | acessar | |||
| Conteúdo da Pasta source | não têm arquivos | |||
| Conteúdo da Pasta agreement |
| |||
| 4. Condições de acesso e uso | ||||
| Idioma | en | |||
| Arquivo Alvo | eng-04-00101-v2.pdf | |||
| Grupo de Usuários | simone | |||
| Grupo de Leitores | administrator simone | |||
| Visibilidade | shown | |||
| Permissão de Leitura | deny from all and allow from 150.163 | |||
| Permissão de Atualização | não transferida | |||
| 5. Fontes relacionadas | ||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F2PHGS 8JMKD3MGPCW/46KUES5 | |||
| Lista de Itens Citando | sid.inpe.br/bibdigital/2022/04.03.23.11 5 sid.inpe.br/bibdigital/2013/10.12.22.16 3 | |||
| Divulgação | PORTALCAPES; SCOPUS. | |||
| Acervo Hospedeiro | urlib.net/www/2021/06.04.03.40 | |||
| 6. Notas | ||||
| Campos Vazios | alternatejournal archivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn label lineage mark mirrorrepository nextedition notes parameterlist parentrepositories previousedition previouslowerunit progress project rightsholder schedulinginformation secondarydate secondarykey secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url | |||
| 7. Controle da descrição | ||||
| e-Mail (login) | simone | |||
| atualizar | ||||