Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11422/13665
Especie: Tese
Título : Modelo híbrido EMD-RNA de previsão de cotas fluviais médias diárias em Manaus a partir de informações climáticas de larga escala
Otros títulos: Forecasting daily mean water stages in Manaus via hybrid EMD-RNA model using large scale climatic time series
Autor(es)/Inventor(es): Pimentel Filho, Jorge Augusto
Tutor: Neves, Claudio Freitas
Resumen: Este trabalho comparou desempenhos entre modelos híbridos Decomposição Empírica Modal (EMD)-Rede Neural Artificial (RNA) e modelos RNAs convencionais, na previsão de níveis extremos anuais que penalizam rotineiramente a cidade de Manaus, na margem esquerda do rio Negro. Diversos estudos relataram ganhos significativos de desempenho usando modelos híbridos EMD-RNA. No entanto, a transitoriedade das funções intrínsecas modais e a queda de desempenho em previsão, comparando com os estágios de treinamento e de reanálise, foram desvantagens observadas, justificando a presente investigação. Primeiro, a dinâmica tropical foi revisada, revelando peculiaridades como a dualidade entre auto-afinidade e escalas hierárquicas. Para lidar com tais particularidades, aplicou-se a Análise de Flutuação Destendenciada, mostrando relações fractais entre as TSMs, a Radiação de Onda Longa na Amazônia e os níveis em Manaus. Adicionalmente, utilizou-se a Coerência Wavelet, obtendo-se informações multi-escala em espectros tempo-freqüência. As análises possibilitaram selecionar preditores e suscitaram uma discussão sobre as causas da intensificação dos eventos críticos em Manaus nas últimas décadas. Os ganhos com os modelos híbridos foram superiores a 40% e 35% nas previsões anuais de máximas e de mínimas, respetivamente, mas revelaram uma maior variância dos resíduos, encorajando novas investigações.
Resumen: This work compared the performance of Hybrid Empirical Mode Decomposition (EMD)-artificial neural network (ANN) models and conventional ANN models in forecasting annual extreme water stages that routinely penalizes Manaus, on the left bank of Negro River. Several studies reported significant performance gains using Hybrid EMD-ANN models. Nevertheless, the transitoriness of Intrinsic Mode Functions (IMFs) and the forecasting performance decline, comparing with training and hindcasting stages, where observed drawbacks, yielding the present investigation. First, an integrated oceanographic, meteorological and Amazon hydrological review is conducted, exploring their relations to define the predictors of the models. The subtleties of the tropical environment produce an atmospheric characterized by the duality between self-affinity and hierarchic scales. To deal with such peculiarities, the Detrended Fluctuation Analysis (DFA) was applied, revealing fractal relations between the SSTs, the Long Wave Radiation (OLR) on the Amazon and the levels in Manaus. In addition, Wavelet Coherence (WTC) was used to provide multi-scale insight via time-frequency spectra. Those analysis enabled the predictors selection and encouraged a discussion about the causes of intensification of events in Manaus in the last decades. Hybrid models gains where superior to 40% and 35% in high and low annual peaks forecasting, respectively, but revealed higher residuals variance, encouraging further investigations.
Materia: Modelo híbrido
EMD-RNA
Amazônia
Materia CNPq: CNPQ::ENGENHARIAS::ENGENHARIA NAVAL E OCEANICA
Programa: Programa de Pós-Graduação em Engenharia Oceânica
Unidade de producción: Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Editor: Universidade Federal do Rio de Janeiro
Fecha de publicación: sep-2019
País de edición : Brasil
Idioma de publicación: por
Tipo de acceso : Acesso Aberto
Aparece en las colecciones: Engenharia Oceânica

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
JorgeAugustoPimentelFilho-min.pdf5.89 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.