MONTHLY RAINFALL FORECAST IN THE MUNICIPALITY OF BARRA MANSA/RJ USING DEEP LEARNING TIME SERIES TECHNIQUES

Autores/as

DOI:

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

Palabras clave:

Forecasting, precipitation, rainfall, deep learning, neural networks

Resumen

Precipitation forecasting is essential for sectors such as water resources management and urban planning. In this study, a deep learning model was developed to predict rainfall in Brazilian cities, focusing on the municipality of Barra Mansa, Rio de Janeiro. Four neural network architectures were tested: FCN, Resnet, ResCNN and InceptionTime. Among them, FCN stood out significantly, presenting the lowest error rates and the best overall adjustment. The study highlights the ability of deep learning, especially through the FCN (Fully Convolutional Network - Segmented) architecture, to make accurate predictions and uncover hidden rainfall patterns. Such discoveries have great potential to improve rainfall forecasting systems and assist in decision-making in areas that require accurate climate information.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

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).

Citas

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).

Descargas

Publicado

18/12/2023

Cómo citar

Azevedo Silva, V. de, Mateus Peixoto, & Santos, F. L. (2023). MONTHLY RAINFALL FORECAST IN THE MUNICIPALITY OF BARRA MANSA/RJ USING DEEP LEARNING TIME SERIES TECHNIQUES. HOLOS, 5(39). https://doi.org/10.15628/holos.2023.16340

Número

Vol. 5 Núm. 39 (2023): v.5 (2023)

Sección

Dossiê - Sistemas Sustentáveis

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Artículos similares

1 2 3 4 5 > >> 

También puede Iniciar una búsqueda de similitud avanzada para este artículo.