Eficácia da arquitetura MLP em modo closed-loop para simulação de um Sistema Hidrológico

Abstract

Este é um artigo publicado em acesso aberto (Open Access) sob a licença Creative Commons Attribution, que permite uso, distribuição e reprodução em qualquer meio, sem restrições desde que o trabalho original seja corretamente citado. Eficácia da arquitetura MLP em modo closed-loop para simulação de um Sistema HidrológicoEfficiency of MLP architecture on closed-loop mode for the simulation of a hydrological system ABSTRACTEstimatives of hydrological responses are needed for the watershed planning. The aim of this study was to evaluate the hydrological behavior simulation of the Upper Canoas basin using artificial neural networks Multi Layer Perceptron (MLP) method, as well as to analyze the contribution of the input variables for modeling. It were tested 12 treatments with combinations of variables such as precipitation, evapotranspiration (ET0) and discharge, as well as transformations and temporal displacements of these variables, in order to determine the variables that promoted the better performance on discharge modeling. The MLP was trained in open-loop mode using part of the observed discharges. The discharges for the whole series were simulated in closed-loop, using the discharge simulated on the previous time step as input. The learning algorithm used was the Levenberg-Marquardt. The treatment with the best performance (NS = 0.9119, RMS = 14.29 m 3 /s) employed the daily precipitation of the four rainfall stations (Urubici, Vila Canoas, Lomba Alta e Anitápolis), precipitation of the four stations with -2 days of response time, and simulated discharge from the previous day. Despite the low RMS, the modeled discharge using MLP was generally overestimated.

Árvore Modelo Frente a Uma Rede Neural Artificial Para a Modelagem Chuva-Vazão

“…Isto pode estar relacionado com o fato de os modelos redistribuírem a contribuição de cada vetor para a modelagem, dando menor importância aos vetores que apresentam maior representatividade sobre a precipitação que ocorre na bacia do Alto Canoas. Corroborando com estes resultados, Debastiani et al (2016) estudaram a mesma bacia hidrográfica com RNA, porém com séries históricas diárias. Os autores encontraram NS de 0,913 ao utilizarem como entrada apenas as estações pluviométricas dentro da área de estudo e vazão do dia anterior (P1, P2, Q(t-1)), ao adicionar as demais estações com influência sobre a bacia (P3, P4) o desempenho da RNA caiu, NS = 0,907, porém estes resultados ainda foram superiores ao encontrado no presente estudo.…”

“…A utilização da precipitação pontual ou ponderada parece não ter causado mudança para o desempenho da modelagem, isso demonstra a capacidade das técnicas de inteligência artificial em ponderar os vetores de entrada. O mesmo resultado foi encontrado por Debastiani et al (2016).…”

“…Também pode estar relacionada a alta correlação que a vazão atual tem com a do tempo anterior (t-1). A inclusão da vazão antecedente tende a melhorar os resultados por causa da memória do processo hidrológico que dela resulta, sendo a inclusão de variáveis antecedentes já foi utilizada com sucesso em outros estudos, tais como demonstrado por Oliveira et al (2013), Oliveira et al (2014), Debastiani et al (2016).…”

Modelagem chuva-vazão via redes neurais artificiais para simulação de vazões de uma bacia hidrográfica da Amazônia

“…A função de correlação cruzada da amostra é útil para identificar defasagens da variável que podem ser preditores úteis da série principal. Em vista disso, buscou-se avaliar a influência entre as precipitações defasadas nas estações pluviométricas e as vazões, conforme o trabalho de Debastiani et al (2016). O coeficiente de autocorrelação ( k ρ ), definido na Equação 5, é a correlação entre os valores da série temporal em um determinado período de tempo e os valores da mesma série em um outro momento no tempo, ou seja, entre a série e ela mesma defasada k intervalos (Figueiredo & Blanco, 2014).…”

Monthly streamflow forecasting using neuro-wavelet techniques and input analysis

“…One of the most common uses of ANNs in hydrology is for streamflow prediction at multiple time scales, particularly monthly (Kişi 2004, Ciğizoğlu 2005, Jeong and Kim 2005, Prada-Sarmiento and Obregón-Neira 2009, Machado et al 2011, Oliveira et al 2014 and daily (Rajurkar et al 2002, Sudheer et al 2002, Riad et al 2004, Kumar et al 2005, Bravo et al 2008, Cruz et al 2010, Gomes et al 2010, Debastiani et al 2016.…”