Use este identificador para citar ou linkar para este item:
http://www.alice.cnptia.embrapa.br/alice/handle/doc/1139439Registro completo de metadados
| Campo DC | Valor | Idioma |
|---|---|---|
| dc.contributor.author | ANTONIASSI, R. A. dos S. | |
| dc.date.accessioned | 2022-11-21T13:01:27Z | - |
| dc.date.available | 2022-11-21T13:01:27Z | - |
| dc.date.created | 2022-01-28 | |
| dc.date.issued | 2022 | |
| dc.identifier.citation | 2022. | |
| dc.identifier.uri | http://www.alice.cnptia.embrapa.br/alice/handle/doc/1139439 | - |
| dc.description | Resumo: O Pantanal faz parte da Região Hidrográfica do Rio Paraguai (RH-Paraguai) e possui, como característica, a inundação de uma parcela de sua área em determinadas épocas do ano. Essa inundação gera uma série de problemas socioeconômicos à população que vive em seu entorno. Problemas estes que podem ser mitigados quando há previsão de sua ocorrência com antecedência. Nesse sentido, este trabalho investiga a aplicação de técnicas de Aprendizado de Máquina (AM) para a predição de níveis dos rios da RH-Paraguai, utilizando dados diários de estações a montante para previsão do nível de estações a jusante. Nessa perspectiva, a modelagem com técnicas de AM demonstra-se eficaz nas predições, na medida que trabalhos similares aparecem na literatura correlata. Dessa maneira, é utilizada uma fonte de dados com valores de níveis diários, sendo selecionada uma amostra de três estações. Em seguida, foi retirada a defasagem do tempo entre o pico de cheia de uma estação e outra, pesquisados os hiperparâmetros ideais para as redes Long Short Term Memory (LSTM), Gated Recurrent Unit (GRU) e Bidirectional Long Short Term Memory (BiLSTM) e submetidos ao processo de treinamento. Posteriormente, foram selecionados os modelos de melhores resultados de cada algoritmo, os quais foram comparados com a técnica de Regressão utilizada atualmente. Os resultados mostram que os três modelos testados podem ser utilizados para a tarefa de predição, em que, os três apresentam melhorias em relação ao modelo atual. O modelo com o algoritmo GRU se destacou por apresentar as menores taxas de erro e por ser 23,84% mais preciso que o modelo de Regressão, já LSTM e BiLSTM são, respectivamente, 18,09% e 19,16% mais precisos que o modelo de Regressão. Os modelos de LSTM e BiLSTM se aproximam mais do valor real nos picos de níveis máximos e mínimos, quando comparados ao de Regressão e ao GRU. | |
| dc.language.iso | por | |
| dc.rights | openAccess | |
| dc.subject | Nivel de rio | |
| dc.subject | Modelo de predição | pt_BR |
| dc.title | Predição de nível de rios da Região Hidrográfica do Rio Paraguai utilizando algoritmos de Aprendizado de Máquina. | |
| dc.type | Parte de livro | |
| dc.subject.thesagro | Análise de Dados | |
| dc.subject.thesagro | Hidrografia | |
| dc.subject.nalthesaurus | Prediction | |
| dc.subject.nalthesaurus | Hydrograph | |
| dc.description.notes | Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul, Campo Grande. Coorientador: Carlos Roberto Padovani. | |
| dc.format.extent2 | 70 f. | |
| riaa.ainfo.id | 1139439 | |
| riaa.ainfo.lastupdate | 2022-11-21 | |
| dc.contributor.institution | ROGÉRIO ALVES DOS SANTOS ANTONIASSI, Universidade Federal de Mato Grosso do Sul. | |
| Aparece nas coleções: | Tese/dissertação (CPAP)  | |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| mestrado-defesa-rogerio-antoniassi.pdf | 3.09 MB | Adobe PDF |  Visualizar/Abrir |
