Aplicação de técnicas estatísticas e de inteligência computacional na classificação de ciclos hidrológicos em reservatórios de água na região amazônica: um estudo de caso

• Ano de defesa: 2014
• Autor(a) principal: FREIRE, Jean Carlos Arouche
• Orientador(a): MORAIS, Jefferson Magalhães de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Pará
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação
• Departamento: Instituto de Ciências Exatas e Naturais
• País: Brasil
• Palavras-chave em Português: Inteligência computacional; Hidrologia; Classificação de ciclos hidrológicos; Estatística matemática - Processamento de dados; Reservatórios; Usina Hidrelétrica de Tucuruí - PA; Tucuruí - PA; Pará - Estado
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
• Link de acesso: http://repositorio.ufpa.br/jspui/handle/2011/9010

Este estudo avalia a qualidade da água do reservatório da Usina Hidrelétrica de Tucuruí de acordo com o ciclo hidrológico da região e da disposição espacial dos diferentes sítios de coleta distribuídos nas zonas à montante da barragem no período de 2009 a 2012 a partir da alteração de 17 parâmetros físico-químicos e de metais da água extraídos de seis fatores que representaram 71,01% de variabilidade total dos dados. Foi observado que as maiores variações do NO3, NH4, Total P, PO4 e STS ocorreram no período de enchentes, podendo ser uma indicação do estado trófico nos sítios amostrais em decorrência da existência de pólos pesqueiros ou da densidade populacional no entorno desses sítios. Para classificação do ciclo hidrológico foram utilizados seis classificadores: análise discriminante, redes neurais artificiais, k-vizinhos mais próximo, máquinas de vetores de suporte com núcleo radial e polinominal, e random forest. Os resultados obtidos indicaram que o classificador random forest foi o que apresentou melhor desempenho com percentual de classificação de 7,80% de predições incorretas. Enquanto que o t-Student test indica que random forest e k-vizinhos mais próximo tem em média taxa de predições incorretas iguais com índice de significância fixado em α = 5%.