Show simple item record

dc.contributor.advisorSantos, Daniel Rodrigues dos, 1973-pt_BR
dc.contributor.authorKraemer, Alex Bruno, 1993-pt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Ciências da Terra. Programa de Pós-Graduação em Ciências Geodésicaspt_BR
dc.date.accessioned2022-06-24T18:35:36Z
dc.date.available2022-06-24T18:35:36Z
dc.date.issued2022pt_BR
dc.identifier.urihttps://hdl.handle.net/1884/76575
dc.descriptionOrientador: Prof. Dr. Daniel Rodrigues dos Santospt_BR
dc.descriptionDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências da Terra, Programa de Pós-Graduação em Ciências Geodésicas. Defesa : Curitiba, 02/03/2022pt_BR
dc.descriptionInclui referências: p. 73-76pt_BR
dc.description.abstractResumo: Nos últimos anos, o aprendizado de máquina (AM) é uma das linhas de pesquisa que tem se fortalecido na resolução de problemas cada vez mais complexos, estes problemas demandam de ferramentas computacionais sofisticadas e autônomas, reduzindo a necessidade de intervenção humana. Embora o advento de AM ofereça inúmeros benefícios, ainda há desafios em seu uso para a modelagem hidrológica, visto que, de acordo com HERATH et al. (2020), até o momento, nenhum modelo hidrológico consegue ter um desempenho igualmente satisfatório em toda a dinâmica dos fatores ambientais presentes em uma bacia hidrográfica. Atualmente, as inundações constituem o principal desastre natural no mundo e ocorrem durante eventos de alta pluviosidade aliado as características do relevo e uso do solo. Para tentar resolver este problema, neste trabalho é proposto o treinamento de um modelo de rede neural artificial (RNA) denominado ConvLSTM, empregando a abordagem distribuída. Para tal, foi necessário estabelecer os dados que influenciam diretamente no escoamento superficial d’água, sendo: (1) cota fluvial, (2) relevo, (3) Curve Number (CN) e (4) precipitação. Em seguida, processou-se os dados para se adequarem ao padrão de entrada da ConvLSTM, a qual utiliza o formato matricial. Para o treinamento do modelo, utilizou-se a plataforma Google Colab com processamento em nuvem, linguagem python 3 e as bibliotecas keras. Realizaram-se três experimentos: no primeiro, utilizou-se o modelo ConvLSTM, sem dados sintéticos; no segundo, acrescentaram-se dados sintéticos de chuva nas amostras de treino; no terceiro, empregaram-se dados sintéticos de cotas fluviais. Confrontando os resultados da estação de referência, observou-se que o acréscimo de dados sintéticos nas amostras de treino melhorou a capacidade do modelo em predizer os valores de cotas fluviais para a estação de referência.pt_BR
dc.description.abstractAbstract: In recent years, machine learning (ML) is one of the research fields that has grown in importance for the resolution of increasingly complex problems. Such problems call for sophisticated and autonomous computational tools, thereby reducing human intervention. Even though the advent of ML brings countless benefits, there are many challenges concerning their use in hydrological modeling, as according to HERATH et al. (2020), currently, no hydrological model can perform equally well across the dynamic of all environmental factors present in a watershed. Floods are currently the world's major natural disaster that occurs during high rainfall associated with relief and land use characteristics. To address this issue, this paper proposes the training of an artificial neural network (ANN) model entitled ConvLSTM, with a distributed approach. To achieve this goal, it was necessary to establish the water surface runoff data, which are: (1) fluvial height; (2) relief; (3) Curve Number (CN); and (4) precipitation. Then, the data was prepared to fit the ConvLSTM input pattern, which employs the matrix format. Google Colab platform with cloud processing, python 3 language, and Keras libraries were used to implement the model training. Three experiments were carried out: in the first one, the ConvLSTM model was deployed without synthetic data; in the second one, synthetic rainfall data was added to the training samples; and finally, synthetic river level data was employed. By comparing the results at the reference station, one could observe that the addition of synthetic data in the training samples enhanced the model's power to predict the fluvial height of the reference station.pt_BR
dc.format.extent1 recurso online : PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.subjectHidrologia - Modelospt_BR
dc.subjectVazantept_BR
dc.subjectGeodésiapt_BR
dc.titleEstimativa de cotas e vazões de curto prazo em bacias hidrográficas usando redes ConvLSTMpt_BR
dc.typeDissertação Digitalpt_BR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record