Uso de redes neurais artificiais para previsão das flutuações do nível do mar em Cananéia, São Paulo, Brasil

Abstract

Resumo: As flutuações do nível relativo do mar representam um dos maiores impactos na dinâmica da zona costeira, em particular, em função das mudanças climáticas. Nesse cenário, previsões robustas da maré meteorológica e ressacas são importantes para a resiliência e adaptação dessas áreas e das pessoas que vivem e dependem desse ambiente. Neste trabalho, foi testado um modelo numérico baseado em redes neurais artificiais (RNA), com o objetivo de avaliar diferentes arquiteturas de rede e métodos de treinamento de uma RNA de múltiplas camadas (multilayer percetron – MLP) através de simulações para prever uma série histórica (hindcast) de maré meteorológica na região de Cananéia (São Paulo). O processamento dos dados envolveu a extração da maré astronômica usando o filtro de Godin (1972), o cálculo das componentes e da tensão de cisalhamento do vento e, a interpolação de dados faltantes na série de dados meteorológicos. A RNA-MLP foi treinada usando uma série temporal de quatro anos (2003-2006), com os dados de maré da região de Cananéia (São Paulo) e os dados meteorológicos de duas fontes distintas: estação meteorológica de Pontal do Sul (Paraná) e de reanálise disponibilizados pelo National Centers for Environmental Prediction (NCEP) Climate Forecast System Reanalysis (CFSR). Para o treinamento das redes, além de diferentes arquiteturas também foram testados três algoritmos de treinamento: gradiente descendente, gradiente descendente com aprendizado adaptativo e Levenberg-Marquardt. A comparação entre as séries previstas e observadas foi feita através do coeficiente de correlação (R), da raiz quadrada do erro quadrático médio (RMSE) e do erro médio absoluto (MAE). Dentre os 23328 testes realizados, a melhor arquitetura de rede obteve R igual à 0,96, RMSE igual à 0,11 cm e MAE igual à 8,32 cm. O método de treinamento que apresentou melhor desempenho foi o de Levenberg-Marquadt seguido do método do gradiente descendente com aprendizado adaptativo. O modelo mais satisfatório desenvolvido nesse trabalho apresentou uma melhora de 9,3% na previsão do nível do mar quanto comparado ao método harmônico.