Análise de viabilidade e desempenho de redes neurais "deep learning" aplicadas à previsão de vazão em bacias hidrográficas a partir de imagens de satélite
Autor(a) principal: | |
---|---|
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 |