Previsão regionalizada de vazão sazonal utilizando redes neurais artificiais.

• Autor(a) principal: MARACAJÁ, José Rosenilton de Araújo.
• Data de Publicação: 2005
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/9628
• topic: Previsão Hidrológica.; Redes Neurais Artificiais (RNAs).; Previsão Sazonal da Vazão.; Regionalização.; Bacias Hidrográficas - Rios Piranhas-Açu e Apodi - Nordeste Brasileiro; Dados Hidrométricos.; Previsão da Precipitação.; Características Fisiográficas das Bacias.; Modelos Hidrológicos.; Previsão da Vazão.; Hydrological Forecast.; Artificial Neural Networks (ANNs).; Seasonal Flow Forecast.; Regionalization.; Hydrographic Basins - Piranhas-Açu and Apodi Rivers - Northeast Brazil; Hydrometric data.; Precipitation Forecast.; Physiographic Characteristics of Basins.; Hydrological Models.; Flow Forecast.; Recursos Hídricos.

Muitas bacias hidrográficas têm séries hidrológicas pequenas e/ou descontinuas, potencializando uma demanda por dados hidrométricos nestas bacias. Nas regiões pertencentes ao semi-árido existem carências de informações relativas as previsões de vazão ou volume escoado sazonalmente, principalmente a reservatórios. Este trabalho contempla as bacias hidrográficas dos rios Piranhas-Acu e Apodi, localizadas no nordeste brasileiro e de grande importância para a região, em que se realizaram estas previsões, com analise das incertezas, utilizando-se a previsão de precipitação sazonal. Para isso, fez-se uso das bacias com dados hidrométricos no estabelecimento de um modelo de regionalização para a estimativa da vazão media diária sazonal nas bacias sem dados hidrométricos, usando informações da previsão da precipitação e das características fisiográficas das bacias, como: área de drenagem, comprimento do rio principal, declividade media do rio, densidade de drenagem. Usou-se a técnica de Redes Neurais Artificiais (RNAs) e comparou-se seus resultados com um modelo de Regressão Múltipla desenvolvido em trabalhos anteriores. De forma geral, a RNA mostrou um bom desempenho, semelhante ao do estatístico clássico de Regressão Múltipla A qualidade do ajuste do modelo relaciona-se com a conformidade das grandezas físicas das sub-bacias, ou seja, este resultado mostra a necessidade de uma pre-avaliação dos dados, com o uso de amostras representativas do conjunto de bacias para a calibração da Rede Neural. Na previsão da vazão sazonal, apesar da previsão da precipitação ainda conter um elevado nível de incerteza, ambos os modelos hidrológicos obtiveram, em geral, um bom desempenho, pois, foi constatado que as incertezas acumuladas, propagadas para a etapa da previsão da vazão, foram atenuadas no processo da transformação chuva em vazão, através das bacias hidrográficas.