Artificial Neural Networks for Filling Missing Streamflow Data in Rio do Carmo Basin, Minas Gerais, Brazil

DESENVOLVIMENTO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMATIVA DAS VAZÕES DIÁRIAS NA BACIA DO RIO PIRACICABA5 EDUARDO MORGAN ULIANA1; DEMETRIUS DAVID DA SILVA2; MICHEL CASTRO MOREIRA3; DONIZETE DOS REIS PEREIRA4; SILVIO BUENO PEREIRA2 E FREDERICO TERRA DE ALMEIDA1 1Universidade Federal de Mato Grosso (UFMT), Instituto de Ciências Agrárias e Ambientais (ICAA), Avenida Alexandre Ferronato, CEP.: 78557-267, Sinop – MT, Brasil, e-mail: [email protected], [email protected]. 2Universidade Federal de Viçosa (UFV), Departamento de Engenharia Agrícola, Avenida Peter Henry Rolfs, CEP.: 36570-900, Viçosa – MG, Brasil, e-mail: [email protected]. 3Universidade Federal do Oeste da Bahia, Centro das Ciências Exatas e das Tecnologias, Rua Professor José Seabra de Lemos, CEP.: 47808-021, Barreiras – BA, Brasil, e-mail: [email protected]. 4Universidade Federal de Viçosa (UFV), Instituto de Ciências Agrárias, Rodovia LMG 818, km 06, Florestal – MG, Brasil, e-mail: [email protected]. 5O artigo é referente ao capítulo 3 da tese de doutorado do primeiro autor. 1 RESUMO As Redes Neurais Artificiais (RNAs) são uma alternativa na modelagem hidrológica para a estimativa das vazões dos cursos de água a partir de dados hidrometeorológicos. O objetivo do trabalho foi desenvolver Redes Neurais Artificiais para estimar as vazões diárias na bacia hidrográfica do rio Piracicaba, Minas Gerais. O estudo foi realizado em três seções de monitoramento de vazão da bacia do rio Piracicaba, localizada no Estado de Minas Gerais - Brasil. No desenvolvimento das RNAs foram realizados a coleta e seleção dos dados; a definição da arquitetura da rede; e o treinamento e validação das redes desenvolvidas. A maior parte das RNAs desenvolvidas apresentou coeficiente de Nash-Sutcliffe maior que 0,80 o que permitiu classificar os modelos como bons para a estimativa das vazões. Com base nos resultados, pode-se concluir que as RNAs são adequadas para a estimativa das vazões diárias na bacia do rio Piracicaba e podem ser empregadas na estimativa de eventos extremos e no gerenciamento dos recursos hídricos. Palavras-Chave: modelo empírico inteligência artificial, modelagem hidrológica. ULIANA, E. M.; SILVA, D. D.; MOREIRA, M. C.; PEREIRA, D. R.; PEREIRA, S. B.; ALMEIDA, F. T. ARTIFICIAL NEURAL NETWORKS FOR DAILY FLOW ESTIMATES IN THE PIRACICABA RIVER BASIN 2 ABSTRACT Artificial neural networks (ANNs) have been used alternatively in hydrologic modeling to estimate accurately watercourse flows based on hydrometeorological data. This study developed artificial neural networks to estimate daily flows in Piracicaba river basin, in Minas Gerais state (Brazil). For this, we used three runoff-monitoring sections of the Piracicaba river basin, with an area of 5,304.0 km2, and located in the State of Minas Gerais – Brazil. For designing the ANNs to estimate daily flows, we adopted the following steps: data collection and selection, network architecture definition, training and validation of results. The results showed that ANNs are adequate to estimate daily flows in Piracicaba river basin. Keywords: empirical model, artificial intelligence, hydrologic modeling.

Download Full-text

Use of artificial neural networks for prognosis of charcoal prices in Minas Gerais

CERNE ◽

10.1590/s0104-77602013000200012 ◽

2013 ◽

Vol 19 (2) ◽

pp. 281-288 ◽

Cited By ~ 2

Author(s):

Luiz Moreira Coelho Junior ◽

José Luiz Pereira de Rezende ◽

André Luiz França Batista ◽

Adriano Ribeiro de Mendonça ◽

Wilian Soares Lacerda

Keyword(s):

Neural Networks ◽

Artificial Neural Networks ◽

Mean Squared Error ◽

Energy Resource ◽

Minas Gerais ◽

Early 21St Century ◽

Price Series ◽

Minas Gerais State ◽

Artificial Neural ◽

The Stability

Energy is an important factor of economic growth and is critical to the stability of a nation. Charcoal is a renewable energy resource and is a fundamental input to the development of the Brazilian forest-based industry. The objective of this study is to provide a prognosis of the charcoal price series for the year 2007 by using Artificial Neural Networks. A feedforward multilayer perceptron ANN was used, the results of which are close to reality. The main findings are that: real prices of charcoal dropped between 1975 and 2000 and rose from the early 21st century; the ANN with two hidden layers was the architecture making the best prediction; the most effective learning rate was 0.99 and 600 cycles, representing the most satisfactory and accurate ANN training. Prediction using ANN was found to be more accurate when compared by the mean squared error to other studies modeling charcoal price series in Minas Gerais state.

Download Full-text

Infilling streamflow data using feed-forward back-propagation (BP) artificial neural networks: Application of standard BP and pseudo Mac Laurin power series BP techniques

Water SA ◽

10.4314/wsa.v31i2.5199 ◽

2007 ◽

Vol 31 (2) ◽

pp. 171 ◽

Cited By ~ 13

Author(s):

M Ilunga ◽

D Stephenson

Keyword(s):

Neural Networks ◽

Artificial Neural Networks ◽

Power Series ◽

Back Propagation ◽

Feed Forward ◽

Feed Forward Back Propagation ◽

Streamflow Data ◽

Artificial Neural

Download Full-text

ALGORITMOS DE APRENDIZAGEM DE MÁQUINA NA MODELAGEM DA DISTRIBUIÇÃO POTENCIAL DE HABITATS DE ESPÉCIES ARBÓREAS

Nativa ◽

10.31413/nativa.v7i5.7214 ◽

2019 ◽

Vol 7 (5) ◽

pp. 600

Author(s):

Mônica Canaan Carvalho ◽

Luciano Cavalcante de Jesus França ◽

Isaira Leite e Lopes ◽

Laís Almeida Araújo ◽

José Márcio de Mello ◽

...

Keyword(s):

Machine Learning ◽

Neural Networks ◽

Artificial Neural Networks ◽

Random Forest ◽

Multilayer Perceptron ◽

Tree Species ◽

Potential Distribution ◽

Minas Gerais ◽

Artificial Neural ◽

Eugenia Dysenterica

O estudo teve como objetivo avaliar três métodos de aprendizagem de máquina (árvore de decisão-J48, random forest e redes neurais artificias), na modelagem da distribuição de dez espécies arbóreas mais abundantes em uma sub-bacia do rio São Francisco (MG). Utilizaram-se dados provenientes do Inventário Florestal de Minas, com total de 77 fragmentos amostrados e 2.234 parcelas, nas quais foram computadas a presença/ausência de cada espécie. Empregaram-se 12 variáveis ambientais categóricas procedentes do Zoneamento Ecológico Econômico de Minas Gerais (ZEE/MG), além de variáveis relacionadas ao balanço hídrico do solo (evapotranspiração atual e potencial, aridez e índice alpha). A parametrização dos três algoritmos para as dez espécies selecionadas foi feita com o auxílio do algoritmo cv parameter do software WEKA. Os resultados mostram que os algoritmos testados apresentaram desempenhos estatisticamente iguais em 60% das espécies arbóreas. Os algoritmos random forest e multilayer perceptron foram estatisticamente iguais para a espécie Eugenia dysenterica, sendo superiores ao algoritmo J48. Contudo, o algoritmo random forest foi superior aos demais para as três espécies do gênero Qualea. Conclui-se que o algoritmo random forest apresentou-se como o mais robusto para a modelagem da distribuição potencial de habitat de espécies arbóreas.Palavras-chave: inteligência artificial; árvore de decisão; random forest; redes neurais artificiais. MACHINE LEARNING ALGORITHMS FOR MODELING THE POTENTIAL DISTRIBUTION HABITAT OF TREE SPECIES ABSTRACT: The aim of the present study was to evaluate three methods of machine learning (decision tree-J48, random forest and artificial neural networks) to model the potential habitat distribution of the ten most abundant tree species of the São Francisco river watershed. The presence/absence tree species data were from 77 fragments sampled with 2,234 plots. We used 12 categorical environmental variables from the Economic Ecological Zoning of Minas Gerais (ZEE/MG), as well as variables related to soil water balance (current and potential evapotranspiration, aridity and alpha index). The parameterization of the three algorithms was done with cv parameter algorithm of the WEKA software. The results showed the applied algorithms were statistically similar for 60% of the tree species. The random forest and multilayer perceptron algorithms were statistically similar considering the Eugenia dysenterica and superior to J48 algorithm. However, the random forest algorithm was superior to the other for the three species of Qualea genera. The conclusion is the random forest was the most robust model for the potential distribution habitat of tree species.Keywords: artificial intelligence; decision trees; random forest; artificial neural networks.

Download Full-text