Das Montanhas de Minas ao Oceano : Os Caminhos da Ciência para um futuro sustentável
20 a 24 de outubro de 2025
Trabalho 20996
| Instituição | Universidade Federal de Viçosa |
|---|---|
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Ambientais: ODS6 |
| Setor | Instituto de Ciências Exatas e Tecnológicas |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | José Rodrigues da Silva Neto |
| Orientador | FREDERICO CARLOS MARTINS DE MENEZES FILHO |
| Título | Previsão de vazões utilizando redes neurais artificiais em sub-bacia do Rio Paranaíba, MG |
| Resumo | O crescimento populacional e o desenvolvimento tecnológico, principalmente na agricultura, geram um aumento na demanda de reservas hídricas. A necessidade do planejamento e gestão dos recursos hídricos torna-se crucial em bacias hidrográficas não monitoradas ou com dados escassos em cenários futuros de escassez hídrica. Diante disso, modelos de aprendizado de máquina, como as redes neurais artificiais (RNA), têm se destacado na previsão de variáveis hidrológicas, principalmente, por exigirem menor volume de dados de entrada quando comparados a modelos de base física e apresentarem resultados satisfatórios. Deste modo, o objetivo deste estudo foi realizar a previsão de vazões médias mensais em uma sub-bacia do Rio Paranaíba-MG, utilizando rede neural artificial do tipo MLP (Multilayer Perceptron). A metodologia utilizada compreendeu quatro etapas, a saber: caracterização da área de estudo, coleta dos dados de vazão via HidroWeb (ANA), modelagem/previsão (MPL) e avaliação dos modelos por meio de métricas estatísticas. A análise dos modelos permitiu a variação de hiperparâmetros, como o número de camadas ocultas, número de neurônios por camada, taxa de aprendizagem, função de otimização e função de ativação. Para a modelagem, foram utilizadas médias mensais de janeiro de 2003 a dezembro de 2022, sendo 80% dos dados destinados ao treinamento e 20% à etapa de teste do modelo. Dentre os modelos avaliados, aquele com melhor desempenho apresentou os seguintes hiperparâmetros: Hidden Layers: (24, 12, 6); Learning Rate Init: 0.01; Solver: lbfgs; Activation: relu. A avaliação do desempenho do modelo foi realizada por meio dos coeficientes de Nash-Sutcliffe (NSE), Percentual de Viés (PBIAS), Erro Quadrático Médio (MSE) e Raiz do Erro Quadrático Médio (RMSE). No período de treinamento, os resultados obtidos foram: NSE = 1,00; PBIAS = -0,01%; MSE = 0,04 m³/s; RMSE = 0,19 m³/s. Para os dados de teste, os valores foram aproximadamente: NSE = 1,00; PBIAS = -0,04%; MSE = 0,04 m³/s; RMSE = 0,20 m³/s. Esses resultados indicam que o modelo está altamente calibrado, com desempenho próximo ao ideal — isto é, NSE igual a 1,00, PBIAS igual a 0%, e MSE e RMSE iguais a 0 m³/s. A pesquisa desenvolvida evidencia a eficácia da aplicação de redes neurais artificiais na previsão de vazões na bacia do Alto Paranaíba – MG, demonstrando-se fundamental para subsidiar a gestão e o planejamento dos recursos hídricos em uma região de grande relevância hidrológica. |
| Palavras-chave | Recursos Hídricos, Aprendizado de Maquina, Multilayer Perceptron (MPL) |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Vídeo |
|---|