%0 Conference Proceedings
%@holdercode {isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}
%@nexthigherunit 8JMKD3MGPCW/3F3T29H
%@usergroup administrator
%@usergroup deicy
%@usergroup administrator
%3 Modelagem hidrologica.pdf
%@group CST-CST-INPE-MCT-BR
%B Congresso Brasileiro de Meteorologia, 15.
%X A previsão de vazão em um sistema hídrico é uma das técnicas utilizadas para minimizar o impacto das incertezas do clima sobre o gerenciamento dos recursos hídricos. Essa técnica pode ser considerada um dos principais desafios relacionados ao conhecimento integrado da climatologia e da hidrologia de uma bacia hidrográfica. O objetivo deste trabalho foi o de modelar a relação não-linear entre chuva e vazão na bacia hidrográfica do rio Piancó, no semi-árido paraibano, utilizando a técnica de Redes Neurais Artificiais (RNA). Aqui foi avaliada a capacidade da RNA modelar o processo chuva-vazão em base mensal. Considerou-se durante o treinamento da RNA a influência da arquitetura da rede e da inicialização dos pesos. No final do treinamento foi escolhida a melhor arquitetura, para modelar vazões médias mensais na bacia estudada, com base no desempenho do modelo. A arquitetura de RNA que produziu melhor resultado foi a RC315L com valores para o coeficiente de determinação, de eficiência e erro padrão da estimativa de 92,0 %, 77,0 % e 8,29 respectivamente. ABSTRACT: The streamflow forecasting in a water system is one of the techniques used to reduce impact of the uncertainties of the climate on administration of the water resources. That technique can be considered one of the principal challenges related to the integrated knowledge of the climatology and of the hydrology of the river basin. The aim of this work was it of modeling the no-linear relation between rainfall and streamflow in the Piancó river basin, in the paraibano semiarid, using the technique of Artificial Neural Networks (ANN). Here the ability of ANN was evaluated to model the rainfall-runoff process in monthly base. It was considered, during training of ANN, the network architecture and, weights initialization influence. In the end of the training it was chosen the best architecture, to model the streamflow monthly mean in the studied basin, with base in the acting of the model. The architecture of ANN that produced better result was RC315L with values for the determination coefficient, efficiency coefficient and standard estimate error (SEE) equal to 92.0%, 77.0% and 8.29 respectively.
%@secondarydate 20080824
%T Modelagem hidrológica com rede neural artificial para a bacia hidrográfica do rio Piancó
%@format CD-ROM
%@tertiarytype Artigo
%@secondarytype PRE CN
%K Hidrometeorologia, rede neural artificial, processo chuva-vazão.
%8 24-29 ago
%@visibility shown
%@e-mailaddress deicy@cptec.inpe.br
%@secondarykey INPE-15635-PRE/10360
%@copyholder SID/SCD
%2 sid.inpe.br/mtc-m18@80/2008/09.29.19.53.18
%@affiliation Instituto Nacional de Pesquisas Espaciais (INPE/CPTEC)
%@affiliation UACA/CTRN/UFCG - Campina Grande, PB
%4 sid.inpe.br/mtc-m18@80/2008/09.29.19.53
%D 2008
%1 SBMET
%S Anais
%A Sousa, Wanderson dos S.,
%A Sousa, Francisco de A. S. de,
%C São Paulo
%@area MET