Use este identificador para citar ou linkar para este item:
http://repositorio.ufc.br/handle/riufc/48986| Tipo: | TCC |
| Título: | Previsão climática sazonal para a região hidrográfica dos sertões de Crateús utilizando redes neurais artificiais |
| Autor(es): | Evangelista, Francisco Igor Siqueira |
| Orientador: | Alexandre, Alan Michell Barros |
| Palavras-chave: | Previsão climática;Índices TSM;Random Forest;Redes Neurais Artificiais |
| Data do documento: | 2019 |
| Citação: | EVANGELISTA, Francisco Igor Siqueira. Previsão climática sazonal para a região hidrográfica dos sertões de Crateús utilizando redes neurais artificiais. 2019. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Civil) - Campus de Crateús, Universidade Federal do Ceará, Crateús, 2019. |
| Resumo: | A região hidrográfica do Sertões de Crateús passou nos últimos anos (2011 a 2017) por um longo período de estiagem, gerando um esvaziamento dos mananciais do sistema de abastecimento municipais. Plano de emergências como contingenciamento hídrico e a transposição de águas de outras bacias hidrográficas foram colocados em prática de forma a evitar o desabastecimento das cidades da região hidrográfica do Sertões de Crateús. Desta forma, verifica-se a necessidade de planejamento à curto prazo do uso dos recursos hídricos naturalmente limitados, evidenciando a importância da precisão climática, uma vez que auxilia na tomada de decisões. O presente trabalho tem o objetivo principal de avaliar a previsibilidade do regime pluviométrico da região hidrográfica dos Sertões de Crateús a partir da variabilidade da Temperatura de Superfície do mar (TSM) utilizando técnicas de redes neurais artificiais. Para isso, são analisados quatro períodos preditivos: dezembro a maio (DJFMAM), fevereiro a maio (FMAM), dezembro a fevereiro (DJF) e março a maio (MAM), utilizando como preditor 12 índices TSM com os trimestres imediatamente anteriores a cada período preditivo, isto é, analisando o período preditivo de DJFMAM, o preditor seria a média dos índices TSM dos trimestres de setembro a novembro (SON), junho a agosto (JJA), MAM e DJF, respectivamente. Onde inicialmente é obtido através do Random Forest (RF) os índices que possuem maior importância e em seguida é realizada a previsão climática sazonal utilizando Redes Neurais Artificiais (RNA) com diferentes quantidades de variáveis de entrada, variando de 1 a 12 índices (que são organizados por ordem de importância). O índice Atlântico Sul Tropical foi classificado mais vezes como a variável mais importante, seguido do Dipolo do Atlântico Tropical. Os modelos com maior acurácia, isto é, os que obteram melhores resultados de correlação e NASH foram o período preditivo de MAM onde o período de DJF foi utilizado como preditor, tendo valores de correlação e NASH de 0,883 e 0,663, respectivamente. Por fim, teve-se que o modelo RNA obteve resultados satisfatórios de correlação, porém os valores de NASH foram baixos. |
| Abstract: | The hydrographic region of the Backlands of Crateús has been in the last years (2011 to 2017) for a long period of drought, causing an emptying of the municipal supply system springs. Emergency plans such as water contingency and the transposition of waters from other watersheds were put in place in order to avoid the shortage of cities in the Backlands of Crateús hydrographic region. Thus, there is a need for short-term planning of the use of naturally limited water resources, highlighting the importance of climate accuracy, as it helps in decision making. The present work has as main objective to evaluate the predictability of the rainfall of the Backlands of Crateús hydrographic region from the Sea Surface Temperature (SST) variability using artificial neural networks techniques. For this, four predictive periods are analyzed: December to May (DJFMAM), February to May (FMAM), December to February (DJF) and March to May (MAM), using 12 SST indices with the quarters immediately preceding each one. predictive period, that is, analyzing the predictive period of DJFMAM, the predictor would be the average of the TSM indices of the quarters from September to November (SON), June to August (JJA), MAM and DJF, respectively. Where initially obtained through the Random Forest (RF) are the most important indices and then the seasonal climate prediction is performed using Artificial Neural Networks (ANN) with different amounts of input variables, ranging from 1 to 12 indices (which are organized in order of importance). The Tropical South Atlantic Index was classified more often as the most important variable, followed by the Tropical Atlantic Dipole. The models with the highest accuracy, that is, those that obtained the best correlation and NASH results were the predictive period of MAM where the DJF period was used as a predictor, having correlation and NASH values of 0.883 and 0.663, respectively. Finally, the ANN model obtained satisfactory correlation results, but the NASH values were low. |
| URI: | http://www.repositorio.ufc.br/handle/riufc/48986 |
| Aparece nas coleções: | ENGENHARIA CIVIL - CRATEÚS - Monografias |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| 2019_tcc_fisevangelista.pdf | 2,1 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.