Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite

Detalhes bibliográficos
Autor(a) principal: Rocha, Thaís, 1979-
Data de Publicação: 2021
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/3029
Resumo: Orientador: André Franceschi de Angelis
id UNICAMP-30_ab3b223af00924d181ff0b22c60e2a5a
oai_identifier_str oai::1236839
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satéliteViability and performance analysis of deep learning neural network applied to inflow forecasting in watersheds from satellite imagesUsinas hidrelétricasVazões naturais - PrevisãoRedes neurais (Computação)Aprendizado profundoImagens de satéliteHydroelectric power plantsStreamflow - ForecastingNeural networks (Computer science)Deep learningSatellite imagesOrientador: André Franceschi de AngelisTese (doutorado) - Universidade Estadual de Campinas, Faculdade de TecnologiaResumo: O planejamento e preço da produção hidrelétrica dependem grandemente das previsões de vazão dos rios, que são realizadas com o uso de modelos matemáticos, estocásticos e hidrológicos, geralmente incorporados a sistemas computacionais. O objetivo principal deste trabalho foi avaliar o desempenho de redes neurais artificiais profundas, Deep Neural Networks (DNNs), na classificação de imagens para previsão de vazões de rios. Este trabalho fez um estudo exploratório para investigar o uso de Redes Neurais Convolucionais (CNNs) como um modelo de previsão e a utilização de imagens de satélite como fonte confiável, periódica e representativa de dados. O trabalho determinou ferramentas e configurações adequadas para o uso das CNNs e também verificou a capacidade das ferramentas quanto ao reconhecimento dos padrões de imagens com a utilização de imagens sintéticas. Introduziu a defasagem temporal entre a imagem e o seu parâmetro de entrada, de forma a avaliar a capacidade das redes em prever uma saída numérica futura a partir da imagem corrente. Também aplicou o método sobre as imagens e dados reais. As CNNs mostraram resultados promissores extraindo dados de imagens reais geradas pelo satélite GOES-16. Os melhores resultados foram do posto GAP na simulação S14-ALN com o PBIAS 2% e para o posto FSB na simulação S26-ALN com DRP de 23%. As CNNs mostraram resultados superiores ao modelo hidrológico SMAP para o estudo de caso analisado, na previsão de vazão para o posto GAP com a redução de quatro pontos percentuais no valor do indicador PBIASAbstract: The planning and price of hydroelectric production depends heavily on river inflow forecasts, which are carried out using mathematical, stochastic and hydrological models, generally incorporated into computer systems. The main objective of this work was to evaluate the performance of Deep Neural Networks (DNNs) in image classification for river inflow forecast. This work carried out an exploratory study to investigate the use of Convolutional Neural Networks (CNNs) as a prediction model and the use of satellite images as a reliable, periodic and representative data source. The work determined appropriate tools and configurations for the use of CNNs and also verified the tools' ability to recognize image patterns using synthetic images. It introduced the time lag between the image and its input parameter, in order to assess the ability of networks to predict a future numerical output from the current image. Also applied the method on real images and data. CNNs showed promising results extracting data from real images generated by the GOES-16 satellite. The best results were for the GAP station in the S14-ALN simulation with PBIAS 2% and for the FSB station in the S26-ALN simulation with 23% DRP. The CNNs showed superior results to the hydrological model SMAP for the analyzed case study, in inflow forecast the GAP station with a reduction of four percentage points in the value of the PBIAS indicatorDoutoradoSistemas de Informação e ComunicaçãoDoutora em TecnologiaCAPES23038.013648/2018-51[s.n.]Angelis, André Franceschi de, 1969-Hidalgo, Ieda GeribertoZullo Junior, JurandirSalvadeo, Denis Henrique PinheiroSiqueira, Thais Gama deUniversidade Estadual de Campinas. Faculdade de TecnologiaPrograma de Pós-Graduação em TecnologiaUNIVERSIDADE ESTADUAL DE CAMPINASRocha, Thaís, 1979-20212021-12-15T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (119 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/3029ROCHA, Thaís. Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite. 2021. 1 recurso online (119 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Tecnologia, Limeira, SP. Disponível em: https://hdl.handle.net/20.500.12733/3029. Acesso em: 26 abr. 2024.https://repositorio.unicamp.br/acervo/detalhe/1236839Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2022-03-07T13:41:23Zoai::1236839Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2022-03-07T13:41:23Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite
Viability and performance analysis of deep learning neural network applied to inflow forecasting in watersheds from satellite images
title Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite
spellingShingle Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite
Rocha, Thaís, 1979-
Usinas hidrelétricas
Vazões naturais - Previsão
Redes neurais (Computação)
Aprendizado profundo
Imagens de satélite
Hydroelectric power plants
Streamflow - Forecasting
Neural networks (Computer science)
Deep learning
Satellite images
title_short Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite
title_full Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite
title_fullStr Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite
title_full_unstemmed Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite
title_sort Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite
author Rocha, Thaís, 1979-
author_facet Rocha, Thaís, 1979-
author_role author
dc.contributor.none.fl_str_mv Angelis, André Franceschi de, 1969-
Hidalgo, Ieda Geriberto
Zullo Junior, Jurandir
Salvadeo, Denis Henrique Pinheiro
Siqueira, Thais Gama de
Universidade Estadual de Campinas. Faculdade de Tecnologia
Programa de Pós-Graduação em Tecnologia
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Rocha, Thaís, 1979-
dc.subject.por.fl_str_mv Usinas hidrelétricas
Vazões naturais - Previsão
Redes neurais (Computação)
Aprendizado profundo
Imagens de satélite
Hydroelectric power plants
Streamflow - Forecasting
Neural networks (Computer science)
Deep learning
Satellite images
topic Usinas hidrelétricas
Vazões naturais - Previsão
Redes neurais (Computação)
Aprendizado profundo
Imagens de satélite
Hydroelectric power plants
Streamflow - Forecasting
Neural networks (Computer science)
Deep learning
Satellite images
description Orientador: André Franceschi de Angelis
publishDate 2021
dc.date.none.fl_str_mv 2021
2021-12-15T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/3029
ROCHA, Thaís. Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite. 2021. 1 recurso online (119 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Tecnologia, Limeira, SP. Disponível em: https://hdl.handle.net/20.500.12733/3029. Acesso em: 26 abr. 2024.
url https://hdl.handle.net/20.500.12733/3029
identifier_str_mv ROCHA, Thaís. Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite. 2021. 1 recurso online (119 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Tecnologia, Limeira, SP. Disponível em: https://hdl.handle.net/20.500.12733/3029. Acesso em: 26 abr. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1236839
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (119 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1797405131517460480

Registros relacionados