Uso de Redes Neurais Artificiais na previsão da precipitação de períodos chuvosos
Revista Espinhaço
Uso de Redes Neurais Artificiais na previsão da precipitação de períodos chuvosos
Autor Correspondente: D. Dantas | [email protected]
Palavras-chave: Cenários climáticos, modelagem do clima, previsão do tempo
Resumos Cadastrados
Resumo Português:
O estudo objetiva estimar a precipitação na estação chuvosa em Diamantina (MG) com base na precipitação das estações secas anteriores por meio de Redes Neurais Artificiais (RNA). Alterou-se a ordem cronológica dos dados de forma que o período seco de um ano estivesse relacionado com o período chuvoso do ano seguinte. Utilizou-se parte dos dados no treinamento e parte na avaliação do desempenho da RNA. Utilizou-se a análise do tipo séries temporais e a melhor rede encontrada foi do tipo função de base radial. A RNA apresentou um erro médio de 10%. A média de precipitação no período de aplicação da rede foi 1.099 mm, enquanto a estimativa média foi 1.128 mm. A utilização de dados dos períodos secos para estimar a precipitação no período chuvoso apresenta resultados satisfatórios e a alteração na ordem cronológica do período seco resultou em uma rede com previsão mais eficaz.
Resumo Inglês:
This study aims to estimate the precipitation in the rainy season in Diamantina (MG) based on precipitation of dry
previous
seasons, by using Artificial Neural Networks (ANN). The chronological order of the data was changed so that the dry
season of and year was related to the rainy season of the next year. A part of the data was used in the ANN training and othe
r part
used to
evaluate the performance of it. The used analysis was time series and the best network found was of radial basis function
type. The ANN found showed an average of error of 10%. The average precipitation of the period used in application of the net
work
was
of 1099 mm, while the average estimation was 1128 mm. The use of dry season’s data to estimate the precipitation of the rainy
season presented satisfactory results and, the change of the chronological order of the dry period result in a neural network
with
more effective forecasting despite the unchanged one
