COMBINING RAINFALL AND WATER LEVEL DATA FOR MULTISTEP HIGH TEMPORAL RESOLUTION EMPIRICAL HYDROLOGICAL FORECASTING
Este trabalho propõe uma rede neural perceptron multicamadas para previsão de séries temporais de nível de água de uma bacia hidrográfica localizada em uma região serrana do estado do Rio de Janeiro com até 2 horas de antecedência, que é o tempo de concentração que mede a resposta da bacia hidrográfica. Essa bacia em particular foi escolhida devido a desastres naturais anteriores que afetaram aquela área, causando enchentes e deslizamentos de terra. Dados de entrada foram coletados por um conjunto de estações de monitoramento hidrológico na bacia considerada sendo composto por medidas de nível da água e/ou precipitação adquiridas com resolução de 15 minutos. A rede neural foi implementada usando linguagem Python, a biblioteca Tensorflow e a API Keras. Os resultados da previsão foram avaliados pelo coeficiente Nash-Sutcliffe (NSE) e pela raiz do erro quadrático médio, mostrando uma boa concordância entre valores previstos e observados na série temporal do nível da água, especialmente quando combinados dados de nível de água e precipitação. Nesse caso, os valores de NSE atingiram 0.994 para previsão com antecedência de 15 minutos, e 0.9016 para 120 minutos.
COMBINING RAINFALL AND WATER LEVEL DATA FOR MULTISTEP HIGH TEMPORAL RESOLUTION EMPIRICAL HYDROLOGICAL FORECASTING
-
DOI: 10.22533/at.ed.45521160410
-
Palavras-chave: Bacia Hidrográfica, Rede Neural Artificial, Nível de Água, Estação de Monitoramento Hidrológico
-
Keywords: Watershed, Artificial Neural Network, Water Level, Hydrological Monitoring Station
-
Abstract:
This work proposes a multilayer perceptron neural network to forecast temporal series of water level at the outlet of a watershed located in a mountain region in the Brazilian state of Rio de Janeiro with up to a 2-hour antecedence, which is the time of concentration that measures the response of the watershed. This particular watershed was chosen due to previous natural disasters that affected that area, causing floods and landslides. Input data was collected by a set of hydrological monitoring stations in the considered watershed and is composed by water level and/or rainfall measures acquired with a 15-minute resolution. The neural network was implemented using the Python language, the Tensorflow library and the Keras API. Prediction results were evaluated by the Nash-Sutcliffe coefficient (NSE) and by the root mean square error, showing a good agreement between predicted and observed values of the water-level temporal series, specially when combining both water level and rainfall data. In such case, values of NSE reached 0.994 for prediction antecedence of 15 minutes, and 0.9016, for 120 minutes.
-
Número de páginas: 15
- Michael Macedo Diniz
- Glauston Roberto Teixeira de Lima
- Marcos Gonçalves Quiles
- Stephan Stephany
- Leonardo Bacelar Lima Santos
- Cintia Pereira de Freitas
