???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://tede.ufam.edu.br/handle/tede/7241
Tipo do documento: Dissertação
Título: Estudo comparativo entre algoritmos de previsão de cheias sazonais usando rede neural artificial e método de aprendizado baseado em comitê
Autor: Marães, Paula Araújo 
Primeiro orientador: Costa, Marly Guimarães Fernandes
Primeiro coorientador: Costa Filho, Cícero Ferreira Fernandes
Primeiro membro da banca: Pereira, José Raimundo Gomes
Segundo membro da banca: Soares, Carlos Benedito Santana da Silva
Resumo: A ocorrência das cheias sazonais dos rios afeta, principalmente, a população ribeirinha. Identifica-se em bases de dados bibliográficas a realização de várias pesquisas no tema previsão de ocorrência de cheias. Os resultados dessas pesquisas constituem-se em importantes contribuições para políticas públicas, pois as ferramentas de previsão de cheias podem viabilizar ações preventivas, que minimizam os danos causados às populações ribeirinhas. Neste trabalho foram avaliados métodos capazes de prever o pico da cheia de rios. Os métodos desenvolvidos foram avaliados na previsão de cheias do rio Negro, o maior afluente da margem esquerda do rio Amazonas e o principal rio que passa às margens da cidade de Manaus. Os preditores implementados foram: Redes Neurais Artificiais (RNA) e métodos de Aprendizado baseados em Comitê. Foram utilizados os seguintes dados de entrada, relativos ao período de 1951-2017: índices climáticos e o nível do próprio rio. Esses dados foram, posteriormente, submetidos a um processo de seleção de características. Para o preditor usando RNA foram avaliadas três arquiteturas, diferenciadas pelo número de neurônios nas camadas ocultas, a saber: 6, 8 e 10, as quais foram treinadas utilizando os seguintes métodos de generalização: regularização L2 e parada antecipada. O período de realização da previsão foi variado de 1 até 4 meses de antecedência da ocorrência do pico máximo da cheia na região. Adicionalmente, foi proposto a previsão das cheias em quatro categorias: alta, média-alta, média-baixa e baixa. Para o preditor usando métodos de Aprendizado baseados em Comitê foram utilizados os algoritmos de bagging e boosting para criar o comitê de regressão. A eficiência dos preditores foi avaliada através do Coeficiente de Correlação de Pearson (CCP) e pela acurácia da categorização das cheias. O melhor resultado do coeficiente de Pearson para o preditor utilizando RNA com parada antecipada foi r_p=0,9592, ao passo que o melhor resultado com o comitê foi obtido usando o método de bagging, r_p=0,9374. A classificação de cheias em categorias apresentou uma acurácia de 85,07% para o preditor RNA (parada antecipada e bootstrap) e com o Método baseado em comitê foi de 82,09% (bagging).
Abstract: The occurrence of seasonal floods of rivers affects, mainly, the riverside population. It is identified in bibliographic databases the accomplishment of several researches in the subject prediction of occurrence of floods. The results of these surveys constitute important contributions to public policies, since flood forecasting tools can enable preventive actions, which minimize the damage caused to the riverine populations. In this work, methods capable of predicting the peak of the river flood were evaluated. The methods developed were evaluated in the flood forecast of the Negro River, the largest tributary of the left bank of the Amazon River and the main river that passes by the city of Manaus. The predictors implemented were: Artificial Neural Networks (ANN) and Learning methods based on Committee. The following input data were used for the period 1951-2017: climatic indexes and the level of the river itself. These data were later subjected to a process of selection of characteristics. For the predictor using ANN, three architectures, differentiated by the number of neurons in the hidden layers, were evaluated: 6, 8 and 10, which were trained using the following generalization methods: L2 regularization and early stopping. The forecast period was varied from 1 to 4 months in advance of the occurrence of the maximum flood peak in the region. Additionally, it was proposed to predict floods in four categories: high, medium-high, medium-low and low. For the predictor using Committee-Based Learning methods, the bagging and boosting algorithms were used to create the regression committee. The efficiency of the predictors was evaluated through the Pearson Correlation Coefficient (PCC) and the accuracy of the flood categorization. The best Pearson coefficient result for the predictor using ANN with early stop was rp = 0,9592, while the best committee result was obtained using the bagging method, rp = 0,9374. The classification of floods into categories presented an accuracy of 85,07% for the predictor ANN (early stop and bootstrap) and with the Method based on committee was of 82,09% (bagging).
Palavras-chave: Amazonas, Rio - Cheia - Previsão
Redes neurais (Computação)
Aprendizado do computador
Área(s) do CNPq: ENGENHARIAS: ENGENHARIA ELÉTRICA
???metadata.dc.subject.user???: Cheias sazonais
Redes neurais artificiais
Métodos de aprendizado baseados em comitê
Categorização das cheias
Idioma: por
País: Brasil
Instituição: Universidade Federal do Amazonas
Sigla da instituição: UFAM
Departamento: Faculdade de Tecnologia
Programa: Programa de Pós-graduação em Engenharia Elétrica
Citação: MARÃES, Paula Araújo. Estudo comparativo entre algoritmos de previsão de cheias sazonais usando rede neural artificial e método de aprendizado baseado em comitê. 2019. 89 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2019.
Tipo de acesso: Acesso Aberto
URI: https://tede.ufam.edu.br/handle/tede/7241
Data de defesa: 29-Apr-2019
Appears in Collections:Mestrado em Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
Dissertação_PaulaMarães_PPGEE.pdf3,96 MBAdobe PDFThumbnail

Download/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.