|
|
Registro Completo |
Biblioteca(s): |
Embrapa Pantanal. |
Data corrente: |
28/01/2022 |
Data da última atualização: |
22/11/2022 |
Tipo da produção científica: |
Orientação de Tese de Pós-Graduação |
Autoria: |
ANTONIASSI, R. A. dos S. |
Afiliação: |
ROGÉRIO ALVES DOS SANTOS ANTONIASSI, Universidade Federal de Mato Grosso do Sul. |
Título: |
Predição de nível de rios da Região Hidrográfica do Rio Paraguai utilizando algoritmos de Aprendizado de Máquina. |
Ano de publicação: |
2022 |
Fonte/Imprenta: |
2022. |
Páginas: |
70 f. |
Idioma: |
Português |
Notas: |
Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul, Campo Grande. Coorientador: Carlos Roberto Padovani. |
Conteúdo: |
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. MenosResumo: 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 mode... Mostrar Tudo |
Palavras-Chave: |
Modelo de predição; Nivel de rio. |
Thesagro: |
Análise de Dados; Hidrografia. |
Thesaurus Nal: |
Hydrograph; Prediction. |
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1139439/1/mestrado-defesa-rogerio-antoniassi.pdf
|
Marc: |
LEADER 02699naa a2200217 a 4500 001 2139439 005 2022-11-22 008 2022 bl uuuu u00u1 u #d 100 1 $aANTONIASSI, R. A. dos S. 245 $aPredição de nível de rios da Região Hidrográfica do Rio Paraguai utilizando algoritmos de Aprendizado de Máquina.$h[electronic resource] 260 $c2022 300 $a70 f. 500 $aDissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul, Campo Grande. Coorientador: Carlos Roberto Padovani. 520 $aResumo: 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. 650 $aHydrograph 650 $aPrediction 650 $aAnálise de Dados 650 $aHidrografia 653 $aModelo de predição 653 $aNivel de rio 773 $t2022.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Pantanal (CPAP) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registros recuperados : 3 | |
2. | | SOUZA, C. P. C de; ABREU, C. A. de; ANDRADE, C. A. de. Identidade de métodos analíticos para quantificação dos teores totais de Zn e Cu em fertilizantes minerais e materiais secundários. In: REUNIÃO BRASILEIRA DE FERTILIDADE DO SOLO E NUTRIÇÃO DE PLANTAS, 30.; REUNIÃO BRASILEIRA SOBRE MICORRIZAS, 14.; SIMPÓSIO BRASILEIRO DE MICROBIOLOGIA DO SOLO, 12.; REUNIÃO BRASILEIRA DE BIOLOGIA DO SOLO, 9.; SIMPÓSIO SOBRE SELÊNIO NO BRASIL, 1., 2012, Maceió. A responsabilidade socioambiental da pesquisa agrícola: anais. Viçosa, MG: SBCS, 2012. 1 CD-ROM.Tipo: Artigo em Anais de Congresso |
Biblioteca(s): Embrapa Meio Ambiente. |
| |
3. | | SOUZA, C. P. C. de; ABREU, C. A. de; COSCIONE, A. R.; ANDRADE, C. A. de; TEIXEIRA, L. A. J.; CONSOLINI, F. A statistical review of alternative zinc and copper extraction from mineral fertilizers and industrial by-products. Journal of AOAC international, v. 101, n. 1, p. 190-195, 2017.Tipo: Artigo em Periódico Indexado | Circulação/Nível: B - 1 |
Biblioteca(s): Embrapa Meio Ambiente. |
| |
Registros recuperados : 3 | |
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|