PREVISÃO DE PRECIPITAÇÃO MENSAL NO MUNICÍPIO DE BARRA MANSA/RJ USANDO TÉCNICAS DE DEEP LEARNING TIME SERIES

Autores

DOI:

https://doi.org/10.15628/holos.2023.16340

Palavras-chave:

Previsão, precipitação, chuvas, apredizagem profunda, redes neurais.

Resumo

A previsão de precipitações é essencial para setores como gestão de recursos hídricos e planejamento urbano. Neste estudo, foi desenvolvido um modelo de aprendizagem profunda (deep learning) para prever chuvas em cidades brasileiras, com foco no município de Barra Mansa, Rio de Janeiro. Foram testadas quatro arquiteturas de redes neurais: FCN, Resnet, ResCNN e InceptionTime. Dentre elas, a FCN se destacou significativamente, apresentando os menores índices de erro e o melhor ajuste global. O estudo evidencia a capacidade da aprendizagem profunda, especialmente através da arquitetura FCN, em fazer previsões precisas e desvendar padrões ocultos das chuvas. Tais descobertas possuem grande potencial para aprimorar sistemas de previsão de chuvas e auxiliar na tomada de decisões em áreas que necessitam de informações climáticas acuradas.

 

Downloads

Não há dados estatísticos.

Biografia do Autor

Vinícius de Azevedo Silva, Universidade do Estado do Rio de Janeiro

Graduado em Engenharia Ambiental pelo Centro Universitário de Volta Redonda (UniFOA), campus Olézio Galotti, (2009). Possui especialização em Geoprocessamento pela Pontifícia Universidade Católica de Minas Gerais (PUC Minas) e em Georreferenciamento de Imóveis Rurais pela Faculdade de Engenharia de Minas Gerais (FEAMIG). Mestrado (2023) pelo Pós-Graduação em Rede Nacional em Gestão e Regulação de Recursos Hídricos, Departamento de Tecnologia e Ciências, da Universidade do Estado do Rio de Janeiro.

Mateus Peixoto, Universidade Federal Fluminense

Graduado em Engenharia Ambiental pelo Centro Universitário de Volta Redonda (UniFOA), campus Olézio Galotti, (2019). Mestrado (2023) pelo Pós-Graduação em Tecnologia Ambiental, Escola de Engenharia Industrial Metalúrgica de Volta Redonda, da Universidade Federal Fluminense.

Francisco Lledo Santos, Universidade do Estado de Mato Grosso

Graduado em Engenharia Civil pela UNESP - Ilha Solteira (2000) e Engenheiro de Segurança do Trabalho. Possui Mestrado em Engenharia Civil - Recursos Hídricos e Tecnologias Ambientais pela UNESP - Ilha Solteira (2003) e Doutorado em Engenharia Elétrica - Automação - Redes Neurais Artificiais pelo PPGEE - Conceito Capes 6 da UNESP - Ilha Solteira (2013), com Sanduiche no LNEC - Portugal (2013).

Referências

Baba, R. K., Vaz, M. S. M. G., & Costa, J. (2014). Correção de dados agrometeorológicos utilizando métodos estatísticos. Revista Brasileira de Meteorologia, 29(4), 515-526.

Carvalho, W. (2021, March 21). Utilizando a biblioteca HydroBR – Parte 1: Trabalhando com dados da Agência Nacional de Águas. Medium. https://wallissoncarvalho.medium.com/utilizando-a-biblioteca-hydrobr-parte-1-fe6026fa1d04

Debastiani, A. B., Silva, R. D., & Rafaeli Neto, S. L. (2016). Eficácia da arquitetura MLP em modo closed-loop para simulação de um Sistema Hidrológico. RBRH, 21(4), 821–831.

Doninelli, J. W., Grzybowski, J. M. V., & Silva, R. V. (2020). Previsão pluviométrica por meio da aplicação de redes neurais artificiais recorrentes alimentadas com dados meteorológicos em tempo atual. In X Jornada de Iniciação Científica e Tecnológica (Vol. 1, No. 10). https://portaleventos.uffs.edu.br/index.php/JORNADA/article/view/14161

Forecasting monthly rainfall in California using Deep Learning Time Series techniques. (n.d.). ArcGIS Developers: ArcGIS API for Python/Samples. https://developers.arcgis.com/python/samples/forecasting-monthly-rainfall-in-california-using-deeplearning-timeseries-model-from-arcgis-learn/

Gu, Q., et al. (2019). Characterizing the spatial variations of the relationship between land use and surface water quality using self-organizing map approach. Ecological Indicators, 102, 633-643.

He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In IEEE conference on computer vision and pattern recognition (pp. 770–778).

INMET. (2011). Nota técnica n° 001/2011/SEGER/LAIME/CSC/INMET. Rede de Estações Meteorológicas Automáticas do INMET.

Ismail, F. H., Forestier, G., Weber, J., et al. (2019). Deep learning for time series classification: a review. Data Min Knowl Disc, 33, 917–963. https://doi-org.ez24.periodicos.capes.gov.br/10.1007/s10618-019-00619-1

Long, W., Yan, D., & Liang, G. (2019). A new ensemble residual convolutional neural network for remaining useful life estimation. Mathematical Biosciences and Engineering, 16(2), 862-880. doi: 10.3934/mbe.2019040

Pinheiro, T. C., Azevedo dos Santos, J. A., & Pasa, L. A. (2020). GESTÃO DA PRODUÇÃO DE FRANGOS DE CORTE POR MEIO DE REDES NEURAIS ARTIFICIAIS. HOLOS, 2, 1–15. https://doi.org/10.15628/holos.2020.9043

Silva, R. M., et al. (2010). Análise da variabilidade espaço-temporal e identificação do padrão da precipitação na bacia do Rio Tapacurá, Pernambuco. Sociedade & Natureza, 22(2), 357–372.

Sousa, L. M., et al. (2017). Avaliação do Uso e Cobertura da Terra em Paragominas e Ulianópolis-PA, Utilizando Dados do Projeto TERRACLASS. Revista Brasileira de Cartografia, 3(69), 421-431. http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44339

Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1–9).

Tavares Diniz, J. M. (2013). VARIABILIDADE DA PRECIPITAÇÃO E DO NÚMERO DE DIAS COM CHUVAS DE DUAS CIDADES DISTINTAS DA PARAÍBA. HOLOS, 3, 171–180. https://doi.org/10.15628/holos.2013.1291

Uliana, E. M., Silva, D. D., Moreira, M. C., Pereira, D. R., Pereira, S. B., & Almeida, F. T. (2018). Desenvolvimento de redes neurais artificiais para estimativa das vazões diárias na bacia do rio Piracicaba. IRRIGA, 23(4), 756–772. https://actaarborea.fca.unesp.br/index.php/irriga/article/view/2740

Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. (2016). Learning deep features for discriminative localization. In IEEE conference on computer vision and pattern recognition (pp. 2921–2929).

Downloads

Publicado

18/12/2023

Como Citar

de Azevedo Silva, V., Mateus Peixoto, & Santos, F. L. (2023). PREVISÃO DE PRECIPITAÇÃO MENSAL NO MUNICÍPIO DE BARRA MANSA/RJ USANDO TÉCNICAS DE DEEP LEARNING TIME SERIES. HOLOS, 5(39). https://doi.org/10.15628/holos.2023.16340

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 Semelhantes

1 2 3 4 > >> 

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