Please use this identifier to cite or link to this item: http://repositorio.ufersa.edu.br/handle/prefix/905
metadata.dc.type: Dissertação
Title: Desenvolvimento de um modelo de previsão hidrológico usando máquina vetorial de suporte regressivo: uma aproximação computacional para modelagem da bacia do rio arkansas
metadata.dc.creator: Lima, Rômulo Galdino da Rocha
metadata.dc.contributor.advisor1: Aloise, Dario José
metadata.dc.contributor.advisor-co1: Bustos, Harold Ivan Angulo
metadata.dc.contributor.referee1: Castro, Angélica Félix de
metadata.dc.contributor.referee2: Souto, Michael Vandesteen Silva
metadata.dc.description.resumo: Os investimentos em meios hídricos naturais são utilizados com finalidades distintas entre os órgãos governamentais que gerenciam esses recursos. Entre tais finalidades, destacam-se o abastecimento de água, a geração de energia, a irrigação e a navegação. A predição da acurácia de tais recursos naturais pode ter grande impacto e relevância para a sociedade, haja vista que a estimação precisa do comportamento futuro desses recursos pode orientar as autoridades no processo da tomada de decisão, para melhor direcionar os investimentos na prevenção e na mitigação dos efeitos causados pela falta desses recursos, faz-se necessário o desenvolvimento de métodos confiáveis de previsão. Esta dissertação tem por objetivo principal a implementação, aplicação e análise do algoritmo SVR (Support Vector Regression) com a finalidade de se ter um modelo mais preciso computacional de previsibilidade hídrica em relação a outros dois modelos de prognóstico futuro (rede neural e árvore de regressão). Utilizando métricas globais MAE, RMSE e locais, para a exatidão dos modelos, este método proposto aplicou modelos predictivos de imagens, visa ponderar mudanças futuras dos recursos hídricos usando informações obtidas a partir do conjunto dos dados históricos NDVI. As imagens obtidas mostraram as pequenas modificações no intervalo de tempo avaliado de 16 dias para o rio Arkansas. Comparando a precisão dos três métodos, e seus resultados mostraram que o algoritmo SVR conseguiu quantificar de forma mais precisa, estatisticamente, na comparação com outros dois modelos, e ser mais robusto em desempenho computacional para predizer movimentos de fluídos na bacia do rio Arkansas
Abstract: Investments in natural water resources are used for different purposes among the governmental bodies that manage these resources. Among these purposes are water supply, power generation, irrigation and navigation. The prediction of the accuracy of such natural resources can have a great impact and relevance for society, since the precise estimation of the future behavior of these resources can guide the authorities in the decision-making process, in order to better direct investments in prevention and mitigation of the effects caused by the lack of these resources, it is necessary to develop reliable forecasting methods. This dissertation has as main objective the implementation, application and analysis of the algorithm SVR (Support Vector Regression) in order to have a more precise computational model of water predictability in relation to other two models of future prognosis (neural network and regression tree). Using global metrics MAE, RMSE and local, for the accuracy of the models, this proposed method applied predictive models of images, aiming to consider future changes of water resources using information obtained from the set of NDVI historical data. The images obtained showed the small modifications in the evaluated time interval of 16 days for the Arkansas river. Comparing the accuracy of the three methods and their results showed that the SVR algorithm was able to quantify more accurately statistically in comparison with two other models and to be more robust in computational performance to predict fluid movements in the Arkansas river basin
Keywords: Recursos hídricos
Predição
Redes neurais
Árvore de regressão
SVR
Water resources
Prediction
Neural networks
Regression tree
SVR
metadata.dc.subject.cnpq: CNPQ::CIENCIAS EXATAS E DA TERRA
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal Rural do Semi-Árido
metadata.dc.publisher.initials: UFERSA
metadata.dc.publisher.department: Departamento de Engenharia e Tecnologia - DET
metadata.dc.publisher.program: Programa de Pós-Graduação em Ciência da Computação
Citation: Citação com autor incluído no texto: Lima (2018) Citação com autor não incluído no texto: (LIMA, 2018)
metadata.dc.rights: Acesso Aberto
URI: http://repositorio.ufersa.edu.br/handle/prefix/905
Issue Date: 29-Aug-2018
Appears in Collections:MESTRADO EM CIÊNCIA DA COMPUTAÇÃO

Files in This Item:
File Description SizeFormat 
RômuloGRL_DISSERT.pdf4.51 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.