Use este identificador para citar ou linkar para este item: https://repositorio.ufjf.br/jspui/handle/ufjf/14654
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
yuliagorodetskaya  .pdf18.32 MBAdobe PDFThumbnail
Visualizar/Abrir
Tipo: Tese
Título: Modelos hidrológicos híbridos para a bacia do rio Paraíba do Sul: acoplando redes neurais artificiais com transformada wavelet para previsão de vazão em curto prazo com ênfase na previsão de vazões extremas
Autor(es): Gorodetskaya, Yulia
Primeiro Orientador: Fonseca, Leonardo Goliatt da
Co-orientador: Ribeiro, Celso Bandeira de Melo
Membro da banca: Campos, Luciana Conceição Dias
Membro da banca: Bernardino, Heder Soares
Membro da banca: Christo, Eliane da Silva
Membro da banca: Saporetti, Camila Martins
Membro da banca: Goliat, Priscila Vanessa Zabala Capriles
Resumo: O rio Paraíba do Sul flui através da mais importante região industrial do Brasil, entre as cidades do Rio de Janeiro e de São Paulo. De acordo com a Agência Nacional de Águas, a bacia do rio Paraíba do Sul é caracterizada por conflitos de usos múltiplos de recursos hídricos (abastecimento urbano, diluição de esgotos, irrigação e geração de energia hidrelétrica). Em função de sua importância, o desenvolvimento de modelos precisos de previsão de vazão pode assumir valor estratégico para a gestão da quantidade e da qualidade de água nesta bacia. Estes modelos podem apoiar a tomada de decisão de gestores públicos sobre alertas para condições extremas de inundação ou seca e pode se tornar um elemento-chave para proteger a sociedade e favorecer uma reação oportuna, reduzindo efetivamente danos socioeconômicos. Os modelos baseados na inteligência artificial têm sido aplicados com sucesso para resolver problemas não-lineares em hidrologia. Nas últimas duas décadas, a transformada wavelet, uma técnica de pré-processamento de dados, tem sido estudada para uso em análise de séries temporais e tem se mostrado muito eficaz em dados não estacionários. A transformada wavelet divide as séries temporais originais em subcomponentes que servem como entradas para modelos de inteligência artificial. Assim, fornecem uma representação de tempo-frequência de um sinal em diferentes períodos no domínio do tempo, além de informações sobre a estrutura física de dados. Esta pesquisa visa contribuir com o fornecimento de uma metodologia de desenvolvimento de dois tipos de modelos híbridos chamados WANNone e WANNmulti acoplando redes neurais artificiais com uma técnica de pré-processamento de dados baseada em transformada wavelet À T rous. Os modelos desenvolvidos são aplicados para previsão de vazão natural média diária de 1, 3, 5 e 7 dias à frente em 8 estações fluviométricas localizadas na bacia do rio Paraíba do Sul. O desempenho dos modelos baseados em wavelets e redes neurais artificiais é comparado com o dos modelos convencionais de redes neurais artificiais (ANN). Os resultados revelam que o desempenho dos modelos WANNone e WANNmulti são significativamente superiores aos modelos ANN em termos de medidas de eficiência da previsão MAPE, RMSE e R2 em todos os horizontes de previsão testados para todas as estações modeladas. Em termos de aplicabilidade a determinados cenários, o modelo WANNmulti consegue representar melhor os ciclos de vazões baixas, em cenários de seca, ao passo em que WANNone consegue acompanhar melhor a magnitude das vazões extremas altas, em situações de risco de inundação.
Abstract: The Paraíba do Sul River flows through the most important industrial region in Brazil, between the cities of Rio de Janeiro and São Paulo. According to the National Water Agency, the Paraíba do Sul river basin is characterized by conflicts of multiple uses of water resources (urban supply, sewage dilution, irrigation and hydroelectric power generation). Due to its importance, the development of accurate flow prediction models can assume strategic value for the management of the quantity and quality of water in this basin. These models can support decision-making by public managers on alerts for extreme flood or drought conditions and can become a key element to protect society and favor a timely reaction, effectively reducing socio-economic damage. Models based on artificial intelligence have been successfully applied to solve nonlinear problems in hydrology. In the last two decades, the wavelet transform, a data pre-processing technique, has been studied for use in time series analysis and has been shown to be very effective in non-stationary data. The wavelet transform divides the original time series into sub-components that serve as inputs to artificial intelligence models. Thus, they provide a time-frequency representation of a signal at different periods in the time domain, as well as information about the physical structure of the data. This research aims to contribute to the provision of a methodology for the development of two types of hybrid models called WANNone and WANNmulti coupling artificial neural networks with a data pre-processing technique based on a wavelet decomposition algorithm À T rous. The developed models are applied to forecast the average daily natural flow of 1, 3, 5 and 7 days ahead in 8 fluviometric stations located in the Paraíba do Sul river basin. The performance of models based on wavelets and artificial neural networks is compared with that conventional models of artificial neural networks (ANN). The results reveal that the performance of the WANNone and WANNmulti models are significantly superior to the ANN models in terms of MAPE, RMSE and R2 forecast efficiency measures at all horizons for all modeled stations. In terms of applicability to certain scenarios, the WANNmulti model is able to better represent low flow cycles, in drought scenarios, while WANNone can better follow the magnitude of high flows extremes, in situations of risk of flooding.
Palavras-chave: Redes neurais artificiais
Transformada wavelet
Previsão de vazão
Rio Paraíba do Sul
Artificial neural networks
Wavelet transform
Stream flow forecasting
Paraíba do Sul River
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Idioma: por
País: Brasil
Editor: Universidade Federal de Juiz de Fora (UFJF)
Sigla da Instituição: UFJF
Departamento: ICE – Instituto de Ciências Exatas
Programa: Programa de Pós-graduação em Modelagem Computacional
Tipo de Acesso: Acesso Aberto
Attribution-NonCommercial-NoDerivs 3.0 Brazil
Licenças Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/br/
DOI: https://doi.org/10.34019/ufjf/te/2022/00078
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/14654
Data do documento: 5-Set-2022
Aparece nas coleções:Doutorado em Modelagem Computacional (Teses)



Este item está licenciado sob uma Licença Creative Commons Creative Commons