Integração de dados de múltiplas estações para a previsão de eventos hidrológicos extremos na Bacia do Rio Negro com aprendizado profundo

Mendes, Cíntia de Lima Eleutério; http://lattes.cnpq.br/9355094160308489; http://orcid.org/0009-0009-0561-9148

Dissertação

Integração de dados de múltiplas estações para a previsão de eventos hidrológicos extremos na Bacia do Rio Negro com aprendizado profundo

Apliquei redes neurais convolucionais com arquiteturas baseadas em sub-redes para prever cheias e secas extremas na bacia do Rio Negro, localizada na região norte da América do Sul. A bacia é caracterizada por formações geológicas diversas, incluindo uma variedade de tipos de rochas que influenci...

ver descrição completa

Autor principal:	Mendes, Cíntia de Lima Eleutério
Outros Autores:	http://lattes.cnpq.br/9355094160308489, http://orcid.org/0009-0009-0561-9148
Grau:	Dissertação
Idioma:	por
Publicado em:	Universidade Federal do Amazonas 2025
Assuntos:	Ciclo hidrológico - Amazônia Secas - Previsão CIENCIAS EXATAS E DA TERRA: GEOCIENCIAS Previsão hidrológica Rede neural convolucional Influências geológicas e climáticas
Acesso em linha:	https://tede.ufam.edu.br/handle/tede/10833

id	oai:https:--tede.ufam.edu.br-handle-:tede-10833
recordtype	dspace
spelling	oai:https:--tede.ufam.edu.br-handle-:tede-108332025-04-11T05:06:34Z Integração de dados de múltiplas estações para a previsão de eventos hidrológicos extremos na Bacia do Rio Negro com aprendizado profundo Mendes, Cíntia de Lima Eleutério Filizola Júnior, Naziano Pantoja http://lattes.cnpq.br/9355094160308489 http://lattes.cnpq.br/6356602589452935 Whanfried, Ingo Daniel Pio, José Luiz de Souza http://orcid.org/0009-0009-0561-9148 Ciclo hidrológico - Amazônia Secas - Previsão CIENCIAS EXATAS E DA TERRA: GEOCIENCIAS Previsão hidrológica Rede neural convolucional Influências geológicas e climáticas Apliquei redes neurais convolucionais com arquiteturas baseadas em sub-redes para prever cheias e secas extremas na bacia do Rio Negro, localizada na região norte da América do Sul. A bacia é caracterizada por formações geológicas diversas, incluindo uma variedade de tipos de rochas que influenciam a infiltração e os padrões de escoamento, além de fatores climáticos que moldam a dinâmica das precipitações. Adicionalmente, a hidrodinâmica da bacia, impulsionada pelas interações entre suas formações geológicas e o fluxo de água, bem como sua topografia, que governa a direção e a velocidade do escoamento superficial, desempenham papéis cruciais em seu comportamento hidrológico. O regime de chuvas e a sazonalidade determinam ainda a distribuição temporal dos níveis de água. Os tipos de cobertura do solo também desempenham um papel significativo ao alterar as taxas de infiltração e o escoamento superficial. Analisando dados hidrológicos de cinco estações, a saber, Cucuí, Serrinha, Caracaraí, Santa Maria do Boiaçú e Moura, esta pesquisa busca modelar e prever eventos hidrológicos extremos. A aplicação da abordagem de aprendizado profundo destaca a importância de integrar dados de múltiplas estações para capturar variações localizadas e diferenças regionais. Esses achados ressaltam o potencial da inteligência artificial como uma ferramenta complementar aos modelos existentes usados pelas autoridades competentes para monitoramento, auxiliando na mitigação dos impactos de inundações e secas extremas. Embora não seja uma solução autônoma, o modelo fornece compreensão valiosa e enfatiza a necessidade de melhorias adicionais, especialmente por meio de ajustes de hiperparâmetros, para aumentar sua confiabilidade e precisão. I applied convolutional neural networks with subnet-based architectures to predict extreme floods and droughts in the Negro River basin, located in the northern region of South America. The basin is characterized by diverse geological formations, including a variety of rock types that influence water infiltration and flow patterns, alongside climatic factors that shape precipitation dynamics. Additionally, the basin’s hydrodynamics, driven by interactions between its geological formations and water flow, as well as its topography, which govern the direction and speed of runoff, play crucial roles in its hydrological behavior. Rainfall regime and seasonality further dictate the temporal distribution of water levels. Land cover types also play a significant role in altering infiltration rates and surface runoff. By analyzing hydrological data from five stations, namely Cucuí, Serrinha, Caracaraí, Santa Maria do Boiaçú, and Moura, this research aims to model and forecast extreme hydrological events. The application of deep learning approach underscores the importance of integrating multi-station data to capture localized variations and regional differences. These findings highlight the potential of artificial intelligence as a complementary tool to existing models used by competent authorities responsible for monitoring, aiding in mitigating the impacts of extreme floods and droughts. While not a standalone solution, the model provides valuable insights and emphasizes the need for further improvements, particularly through hyperparameter tuning, to enhance its reliability and accuracy. FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas 2025-04-10T15:51:32Z 2025-03-06 Dissertação MENDES, Cíntia de Lima Eleutério. Integração de dados de múltiplas estações para a previsão de eventos hidrológicos extremos na Bacia do Rio Negro com aprendizado profundo. 2025. 139 f. Dissertação (Mestrado em Geociências) - Universidade Federal do Amazonas, Manaus (AM), 2025. https://tede.ufam.edu.br/handle/tede/10833 por Acesso Aberto https://creativecommons.org/licenses/by-nc-nd/4.0/ image/jpeg application/pdf Universidade Federal do Amazonas Instituto de Ciências Exatas Brasil UFAM Programa de Pós-graduação em Geociências
institution	TEDE - Universidade Federal do Amazonas
collection	TEDE-UFAM
language	por
topic	Ciclo hidrológico - Amazônia Secas - Previsão CIENCIAS EXATAS E DA TERRA: GEOCIENCIAS Previsão hidrológica Rede neural convolucional Influências geológicas e climáticas
spellingShingle	Ciclo hidrológico - Amazônia Secas - Previsão CIENCIAS EXATAS E DA TERRA: GEOCIENCIAS Previsão hidrológica Rede neural convolucional Influências geológicas e climáticas Mendes, Cíntia de Lima Eleutério Integração de dados de múltiplas estações para a previsão de eventos hidrológicos extremos na Bacia do Rio Negro com aprendizado profundo
topic_facet	Ciclo hidrológico - Amazônia Secas - Previsão CIENCIAS EXATAS E DA TERRA: GEOCIENCIAS Previsão hidrológica Rede neural convolucional Influências geológicas e climáticas
description	Apliquei redes neurais convolucionais com arquiteturas baseadas em sub-redes para prever cheias e secas extremas na bacia do Rio Negro, localizada na região norte da América do Sul. A bacia é caracterizada por formações geológicas diversas, incluindo uma variedade de tipos de rochas que influenciam a infiltração e os padrões de escoamento, além de fatores climáticos que moldam a dinâmica das precipitações. Adicionalmente, a hidrodinâmica da bacia, impulsionada pelas interações entre suas formações geológicas e o fluxo de água, bem como sua topografia, que governa a direção e a velocidade do escoamento superficial, desempenham papéis cruciais em seu comportamento hidrológico. O regime de chuvas e a sazonalidade determinam ainda a distribuição temporal dos níveis de água. Os tipos de cobertura do solo também desempenham um papel significativo ao alterar as taxas de infiltração e o escoamento superficial. Analisando dados hidrológicos de cinco estações, a saber, Cucuí, Serrinha, Caracaraí, Santa Maria do Boiaçú e Moura, esta pesquisa busca modelar e prever eventos hidrológicos extremos. A aplicação da abordagem de aprendizado profundo destaca a importância de integrar dados de múltiplas estações para capturar variações localizadas e diferenças regionais. Esses achados ressaltam o potencial da inteligência artificial como uma ferramenta complementar aos modelos existentes usados pelas autoridades competentes para monitoramento, auxiliando na mitigação dos impactos de inundações e secas extremas. Embora não seja uma solução autônoma, o modelo fornece compreensão valiosa e enfatiza a necessidade de melhorias adicionais, especialmente por meio de ajustes de hiperparâmetros, para aumentar sua confiabilidade e precisão.
author_additional	Filizola Júnior, Naziano Pantoja
author_additionalStr	Filizola Júnior, Naziano Pantoja
format	Dissertação
author	Mendes, Cíntia de Lima Eleutério
author2	http://lattes.cnpq.br/9355094160308489 http://orcid.org/0009-0009-0561-9148
author2Str	http://lattes.cnpq.br/9355094160308489 http://orcid.org/0009-0009-0561-9148
title	Integração de dados de múltiplas estações para a previsão de eventos hidrológicos extremos na Bacia do Rio Negro com aprendizado profundo
title_short	Integração de dados de múltiplas estações para a previsão de eventos hidrológicos extremos na Bacia do Rio Negro com aprendizado profundo
title_full	Integração de dados de múltiplas estações para a previsão de eventos hidrológicos extremos na Bacia do Rio Negro com aprendizado profundo
title_fullStr	Integração de dados de múltiplas estações para a previsão de eventos hidrológicos extremos na Bacia do Rio Negro com aprendizado profundo
title_full_unstemmed	Integração de dados de múltiplas estações para a previsão de eventos hidrológicos extremos na Bacia do Rio Negro com aprendizado profundo
title_sort	integração de dados de múltiplas estações para a previsão de eventos hidrológicos extremos na bacia do rio negro com aprendizado profundo
publisher	Universidade Federal do Amazonas
publishDate	2025
url	https://tede.ufam.edu.br/handle/tede/10833
_version_	1831970435890151424
score	11.753896

Integração de dados de múltiplas estações para a previsão de eventos hidrológicos extremos na Bacia do Rio Negro com aprendizado profundo

Registros relacionados