REDES DE MEMÓRIA DE LONGO E CURTO PRAZO (LSTM) PARA PREDIÇÃO DE FLUXO DE RIO NA BACIA DO PANTANAL BRASILEIRO

Autores

DOI:

https://doi.org/10.15628/holos.2023.16315

Palavras-chave:

LSTM, River flows, Pantanal., LSTM, simulação de vazão, Pantanal.

Resumo

Este artigo mostra uma aplicação bem-sucedida de rede neural recorrente - Long Short-Term Memory (LSTM), para simular a vazão na bacia do rio Aquidauana, dentro dos limites do Pantanal brasileiro. Os dados diários de precipitação serviram como variáveis de entrada para permitir que a rede LSTM previsse o fluxo futuro na região. Os resultados obtidos demonstram um coeficiente de determinação (R2) de 0,82, indicando um ajuste favorável do modelo aos dados observados, juntamente com um erro quadrático médio (RMSE) de 0,53, demonstrando precisão na previsão do modelo em comparação com a vazão real. Tais métricas ressaltam a eficiência das redes LSTM para modelagem hidrológica na região do Pantanal, um aspecto crucial para o planejamento e gestão sustentável dos recursos hídricos na área. Espera-se que este estudo inspire novas pesquisas e contribua significativamente para o avanço das técnicas de previsão de vazões em bacias hidrográficas complexas e com deficiência de dados, como a bacia do Rio Aquidauana.

Downloads

Não há dados estatísticos.

Biografia do Autor

Cassiano Sampaio Descovi, Universidade Estadual de Campinas

Mestre em Ensino de Engenharia Civil, área de recursos hídricos, energéticos e ambientais, pela Universidade Estadual de Campinas (Unicamp) e doutorando pela mesma faculdade. Áreas de pesquisa: modelagem hidrologica, hidrologia, hidraulica.

Antonio Carlos Zuffo, University of Campinas - UNICAMP

Possui graduação em Engenharia Civil pela UNICAMP (1985), Mestrado em Engenharia Civil - Área de concentração em Engenharia Hidráulica - Universidade de São Paulo (EPUSP - 1993) e Doutorado em Engenharia Hidráulica e Saneamento pela EESC-USP (1998). Professor Livre-Docente (MS5) pela FEC-Unicamp (2010). Pós Doutorado pela University of Toronto - Ontário Canadá (2000-2001). Atualmente coordena dois laboratórios de pesquisa LAPLA (Laboratório de Planejamento) e o LADSEA (Laboratório de Apoio Multicritério à Decisão Orientada à Sustentabilidade Empresarial e Ambiental).

SeyedMehdi Mohammadizadeh, University of Campinas - UNICAMP

SeyedMehdi Mohammadizadeh é Ph.D. Candidato à Faculdade de Engenharia Civil, Arquitetura e Urbanismo da Universidade Estadual de Campinas (UNICAMP), Brasil. Ele recebeu um MS.c (2013) pela Universidade de Sistan e Baluchestan (USB), Irã, na área de Engenharia Civil – Estruturas Hidráulicas. Seus principais interesses de pesquisa são cavitação, aeração, meios porosos, dinâmica de fluidos computacional (CFD), estruturas e equipamentos hidráulicos.

Luis Fernando Murillo Bermúdez, University of Campinas (UNICAMP)

Doutorando em Ensino de Engenharia Civil, área de recursos hídricos, energéticos e ambientais, pela Universidade Estadual de Campinas (Unicamp).

Daniel Alfonso Sierra, University of Campinas - UNICAMP

Mestre em Ensino de Engenharia Civil, área de recursos hídricos, energéticos e ambientais, pela Universidade Estadual de Campinas (Unicamp) e doutorando pela mesma faculdade. Áreas de pesquisa: transientes hidráulicos, algoritmos bioinspirados, dispositivos de mitigação de transientes.

Referências

Assine, M. L., Merino, E. R., Pupim, F. N., Warren, L. V., Guerreiro, R. L., & McGlue, M. M. (2016). Geology and Geomorphology of the Pantanal Basin. Em I. Bergier & M. L. Assine (Orgs.), Dynamics of the Pantanal Wetland in South America (p. 23–50). Springer International Publishing. https://doi.org/10.1007/698_2015_349

Back, Á. J., Souza, G. da S., Galatto, S. L., Corseuil, C. W., & Poleto, C. (2023). EROSIVITY INDEX FOR BRASIL BASED ON CLIMATOLOGICAL NORMALS FROM 1991 TO 2020. HOLOS, 3(39), Artigo 39. https://www2.ifrn.edu.br/ojs/index.php/HOLOS/article/view/16329

Couto, E., & Oliveira, V. (2010). The Soil Diversity of the Pantanal. Em The Pantanal of Mato Grosso: Ecology, Biodiviersity and Sustainable Management of a Large Neotropical Seasonal Wetland (p. 71–102).

Cui, Q., Ammar, M. E., Kariyeva, J., & Faramarzi, M. (2021). Regional wetland water storage changes: The influence of future climate on geographically isolated wetlands. Ecological Indicators, 120, 106941. https://doi.org/10.1016/j.ecolind.2020.106941

Descovi, C. S., Zuffo, A. C., Mohammadizadeh, S. M., Murillo Bermudez, L. F., & Sierra, D. A. (2023, dezembro 29). Modeling River Flows in the Brazilian Pantanal Basin Using Long Short-Term Memory (LSTM) Networks. 7th SSS, Porto Alegre, Brazil.

Fan, D., Sun, H., Yao, J., Zhang, K., Yan, X., & Sun, Z. (2021). Well production forecasting based on ARIMA-LSTM model considering manual operations. Energy, 220, 119708.

Gavidia, J. C. R., Chinelatto, G. F., Basso, M., Souza, J. P., Soltanmohammadi, R., Vidal, A. C., Goldstein, R. H., & Mohammadizadeh, S. M. (2023). Utilizing integrated artificial intelligence for characterizing mineralogy and facies in a pre-salt carbonate reservoir, Santos Basin, Brazil, using cores, wireline logs, and multi-mineral petrophysical evaluation. Geoenergy Science and Engineering, 231, 212303. https://doi.org/10.1016/j.geoen.2023.212303

Gavidia, J. C. R., Mohammadizadeh, S. M., Chinelatto, G. F., Basso, M., Souza, J. P. da P., Vidal, A. C., & Goldstein, R. H. (2023). Bridging the Gap: Integrating Static and Dynamic Data for Improved Permeability Modeling and Super K Zone Detection in Vuggy Reservoirs. Journal of Geoenergy Science and Engineering. In Press.

Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

Kratzert, F., Klotz, D., Brenner, C., Schulz, K., & Herrnegger, M. (2018). Rainfall–runoff modelling using Long Short-Term Memory (LSTM) networks. Hydrology and Earth System Sciences, 22(11), 6005–6022. https://doi.org/10.5194/hess-22-6005-2018

Kratzert, F., Klotz, D., Shalev, G., Klambauer, G., Hochreiter, S., & Nearing, G. (2019). Benchmarking a catchment-aware long short-term memory network (LSTM) for large-scale hydrological modeling. Hydrol. Earth Syst. Sci. Discuss, 2019, 1–32.

Lees, T., Reece, S., Kratzert, F., Klotz, D., Gauch, M., De Bruijn, J., Kumar Sahu, R., Greve, P., Slater, L., & Dadson, S. (2021). Hydrological concept formation inside long short-term memory (LSTM) networks. Hydrology and Earth System Sciences Discussions, 2021, 1–37.

Li, B., Li, R., Sun, T., Gong, A., Tian, F., Khan, M. Y. A., & Ni, G. (2023). Improving LSTM hydrological modeling with spatiotemporal deep learning and multi-task learning: A case study of three mountainous areas on the Tibetan Plateau. Journal of Hydrology, 620, 129401.

Liu, D., Jiang, W., Mu, L., & Wang, S. (2020). Streamflow Prediction Using Deep Learning Neural Network: Case Study of Yangtze River. IEEE Access, 8, 90069–90086. https://doi.org/10.1109/ACCESS.2020.2993874

Mohammadizadeh, S. M., Filho, J. G. D., Descovi, C. S., Murillo-Bermúdez, L. F., Sierra, D. A., & Perez, G. A. C. P. (2023, dezembro 29). Cavitation Jet Apparatus for the Evaluation of Cavitation Erosion of Solid Surfaces. 7th SSS, Porto Alegre, Brazil,.

MOHAMMADIZADEH, S., Dalfré Filho, J. G., Sampaio Descovi, C., Murillo Bermúdez, L. F., Alfonso Sierra, D., & Corzo Perez, G. A. (2023). Assessment of cavitation erosion on solid surfaces using a cavitation jet apparatus. HOLOS, 5(39). https://doi.org/10.15628/holos.2023.16306

Mohammadizadeh, S., Moghaddam, M. A., & Talebbeydokhti, N. (2021). Analysis of flow in porous media using combined pressurized-free surface network. Journal of Porous Media, 24(10). http://dx.doi.org/10.1615/JPorMedia.2021025407

Murillo Bermudez, L. F., Abreu, A. E. S. de, Pereira, S. Y., Mohammadizadeh, S. M., Descovi, C. S., Sierra, D. A., & Martim, A. L. S. S. (2023, dezembro 29). CONTAMINAÇÃO DAS ÁGUAS SUBTERRÂNEAS POR ESGOTO SANITÁRIO: COMO AVALIAR A FONTE DA CONTAMINAÇÃO? 7th SSS, Porto Alegre, Brazil.

Nikeghbali, P., Omidvar, P., Akbari, G., & Mohammadizadeh, S. M. (2014). THE STUDY ON SEDIMENT MOTION AND THE MODEL OF DAM BREAK ON THE MOVABLE BED BY SPH METHOD. THE STUDY ON SEDIMENT MOTION AND THE MODEL OF DAM BREAK ON THE MOVABLE BED BY SPH METHOD. INTERNATIONAL CONFERENCE ON COASTS, PORTS AND MARINE STRUCTURES (ICOPMAS). https://sid.ir/paper/948560/en

Sahoo, B. B., Jha, R., Singh, A., & Kumar, D. (2019). Long short-term memory (LSTM) recurrent neural network for low-flow hydrological time series forecasting. Acta Geophysica, 67(5), 1471–1481.

Sierra, D. A., Luvizotto Jr, E., Mohammadizadeh, S. M., Descovi, C. S., Murillo Bermudez, L. F., & Filho, J. G. D. (2023, dezembro 29). TRANSITÓRIOS HIDRÁULICOS EM LINHAS DE RECALQUE DE ESGOTO - REVISÃO DA LITERATURA. 7th SSS, Porto Alegre, Brazil.

Xi, Y., Peng, S., Ciais, P., & Chen, Y. (2021). Future impacts of climate change on inland Ramsar wetlands. Nature Climate Change, 11(1), 45–51.

Xiang, Z., Yan, J., & Demir, I. (2020). A rainfall‐runoff model with LSTM‐based sequence‐to‐sequence learning. Water resources research, 56(1), e2019WR025326.

Yu, Y., Si, X., Hu, C., & Zhang, J. (2019). A review of recurrent neural networks: LSTM cells and network architectures. Neural computation, 31(7), 1235–1270.

Downloads

Publicado

18/12/2023

Como Citar

Sampaio Descovi, C., Carlos Zuffo, A. ., Mohammadizadeh, S. ., Murillo Bermúdez, L. F. ., & Alfonso Sierra, D. . (2023). REDES DE MEMÓRIA DE LONGO E CURTO PRAZO (LSTM) PARA PREDIÇÃO DE FLUXO DE RIO NA BACIA DO PANTANAL BRASILEIRO. HOLOS, 5(39). https://doi.org/10.15628/holos.2023.16315

Edição

v. 5 n. 39 (2023): v.5 (2023)

Seção

Dossiê - Sistemas Sustentáveis

Licença

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Artigos mais lidos pelo mesmo(s) autor(es)

Artigos Semelhantes

1 2 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.