@MASTERSTHESIS{ 2019:507231674,
 	title = {Estudo comparativo entre algoritmos de previs?o de cheias sazonais usando rede neural artificial e m?todo de aprendizado baseado em comit?},
 	year = {2019},
 	url = "https://tede.ufam.edu.br/handle/tede/7241",
 	abstract = "A ocorr?ncia das cheias sazonais dos rios afeta, principalmente, a popula??o ribeirinha. Identifica-se em bases de dados bibliogr?ficas a realiza??o de v?rias pesquisas no tema previs?o de ocorr?ncia de cheias. Os resultados dessas pesquisas constituem-se em importantes contribui??es para pol?ticas p?blicas, pois as ferramentas de previs?o de cheias podem viabilizar a??es preventivas, que minimizam os danos causados ?s popula??es ribeirinhas. Neste trabalho foram avaliados m?todos capazes de prever o pico da cheia de rios. Os m?todos desenvolvidos foram avaliados na previs?o de cheias do rio Negro, o maior afluente da margem esquerda do rio Amazonas e o principal rio que passa ?s margens da cidade de Manaus. Os preditores implementados foram: Redes Neurais Artificiais (RNA) e m?todos de Aprendizado baseados em Comit?. Foram utilizados os seguintes dados de entrada, relativos ao per?odo de 1951-2017: ?ndices clim?ticos e o n?vel do pr?prio rio. Esses dados foram, posteriormente, submetidos a um processo de sele??o de caracter?sticas. Para o preditor usando RNA foram avaliadas tr?s arquiteturas, diferenciadas pelo n?mero de neur?nios nas camadas ocultas, a saber: 6, 8 e 10, as quais foram treinadas utilizando os seguintes m?todos de generaliza??o: regulariza??o L2 e parada antecipada. O per?odo de realiza??o da previs?o foi variado de 1 at? 4 meses de anteced?ncia da ocorr?ncia do pico m?ximo da cheia na regi?o. Adicionalmente, foi proposto a previs?o das cheias em quatro categorias: alta, m?dia-alta, m?dia-baixa e baixa. Para o preditor usando m?todos de Aprendizado baseados em Comit? foram utilizados os algoritmos de bagging e boosting para criar o comit? de regress?o. A efici?ncia dos preditores foi avaliada atrav?s do Coeficiente de Correla??o de Pearson (CCP) e pela acur?cia da categoriza??o 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 comit? foi obtido usando o m?todo de bagging, r_p=0,9374. A classifica??o de cheias em categorias apresentou uma acur?cia de 85,07% para o preditor RNA (parada antecipada e bootstrap) e com o M?todo baseado em comit? foi de 82,09% (bagging).",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Engenharia El?trica},
 	note = {Faculdade de Tecnologia}
}