Uso de Redes Neurais Artificiais na previsão da precipitação de períodos chuvosos

Revista Espinhaço

Endereço:
Campus JK - Diamantina/MGRodovia MGT 367 - Km 583, nº 5000 Alto da Jacuba CEP 39100-000
Diamantina / MG
39100-000
Site: http://www.revistaespinhaco.com
Telefone: (31) 9972-1002
ISSN: 2317-0611
Editor Chefe: Douglas Sathler
Início Publicação: 31/07/2012
Periodicidade: Bianual
Área de Estudo: Geografia, Área de Estudo: Multidisciplinar

Uso de Redes Neurais Artificiais na previsão da precipitação de períodos chuvosos

Ano: 2016 | Volume: 5 | Número: 1
Autores: D. Dantas, T. M. O. Luz, M. J. H. Souza, G. P. Barbosa, E G. S. Cunha
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