Previsão de seca na bacia hidrográfica do açude Epitácio Pessoa com base em redes neurais artificiais.

• Ano de defesa: 2011
• Autor(a) principal: GUEDES, Roni Valter de Souza.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Tecnologia e Recursos Naturais - CTRN; PÓS-GRADUAÇÃO EM METEOROLOGIA; UFCG
• Palavras-chave em Português: Previsão Hidrológica; Índice de Chuva; Modelagem; Inteligência Artificial; Hydrological Forecast; Rainfall Index; Modeling; Artificial Intelligence; Meteorologia
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/6640

A seca afeta o ambiente natural de uma área quando persiste por um período mais longo. Desse modo, a previsão de seca desempenha um importante papel no planejamento e na gestão dos recursos naturais e sistemas de recursos hídricos de uma bacia hidrográfica. Na última década, a metodologia com base em Redes Neurais Artificiais (RNAs) tem mostrado grande habilidade na modelagem e previsão de séries temporais não-lineares e nãoestacionárias. Este trabalho aplica a metodologia das RNAs para previsão das séries temporais do índice padronizado de precipitação (SPI - Standardized Precipitation Index) na bacia hidrográfica do açude Epitácio Pessoa - PB e avalia sua eficiência. A área de estudo (bacia hidrográfica do açude Epitácio Pessoa) é localizada no município de Boqueirão, uma região semi-árida do Estado da Paraíba. No processo e modelagem foram efetuadas mudanças sucessivas na configuração da rede a fim de se obter um modelo com o menor erro possível. A rede feed-forward backpropagation teve um dos melhores desempenhos, com uma estrutura de duas camadas e algoritmo de aprendizado de Levenberg - Marqualdt. Dos 26 postos estudados no âmbito da bacia, o modelo proposto para previsão apresentou valores médios de regressão acima de 88 % e erro médio quadrático abaixo de 0,223. As previsões mostraram-se mais eficientes para escalas temporais de SPI maiores, no curto prazo. Verificou-se que à medida que se aumenta o horizonte temporal reduz-se a precisão da previsão. Os resultados indicam que previsões abaixo de três meses são consideradas satisfatórias, para prazos maiores é necessário melhorar o processo de aprendizagem da rede.