
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.creator | Silva, Mateus Alexandre da | - |
| Autor(es): dc.creator | Merlo, Marina Neves | - |
| Autor(es): dc.creator | Thebaldi, Michael Silveira | - |
| Autor(es): dc.creator | Ferreira, Danton Diego | - |
| Autor(es): dc.creator | Schwerz, Felipe | - |
| Autor(es): dc.creator | Deus, Fábio Ponciano de | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:01:26Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:01:26Z | - |
| Data de envio: dc.date.issued | 2023-05-16 | - |
| Data de envio: dc.date.issued | 2023-05-16 | - |
| Data de envio: dc.date.issued | 2022 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/56803 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1152647 | - |
| Descrição: dc.description | Artificial neural networks (ANNs) may experience problems due to insufficient or uninformative predictors, and these problems are common for complex predictions such as those for rainfall. However, some studies point to the use of climate variables and anomalies as predictors to make the forecast more accurate. This research aimed to predict the monthly rainfall, one month in advance, in four municipalities of the metropolitan region of Belo Horizonte using an ANN trained with different climate variables; additionally, it aimed to indicate the suitability of such variables as inputs to these models. The models were developed using the MATLAB® software Version R2011a using the NNTOOL toolbox. The ANNs were trained by the multilayer perceptron architecture and the feedforward and backpropagation algorithm using two combinations of input data, with two and six variables, and one combination of input data with the three most correlated variables to observed rainfall from 1970 to 1999 to predict the rainfall from 2000 to 2009. The climate variable most correlated with the rainfall of the following month was the average compensated temperature. Even when using the variables most correlated with precipitation as predictors (0.66 ≤ nt index ≤ 1.26), there was no notable improvement in the predictive capacity of the models when compared to those that did not use climate variables as predictors (0.55 ≤ nt index ≤ 0.80). | - |
| Descrição: dc.description | As redes neurais artificiais (RNAs) podem apresentar problemas devido a preditores insuficientes ou não informativos, o que é comum para previsões complexas, como as de precipitação pluvial. No entanto, alguns estudos apontam para o uso de variáveis e anomalias climáticas como preditores para tornar a previsão mais precisa. Esta pesquisa teve como objetivo prever a precipitação mensal, com um mês de antecedência, em quatro municípios da região metropolitana de Belo Horizonte utilizando uma RNA treinada com diferentes variáveis climáticas; além disso, buscou indicar a adequação de tais variáveis como entrada para esses modelos. Os modelos foram desenvolvidos por meio do software MATLAB® versão R2011a utilizando a toolbox NNTOOL. As RNAs foram treinadas pela arquitetura multilayer perceptron e pelo algoritmo feedforward e backpropagation usando duas combinações de dados de entrada, com duas e seis variáveis, e uma combinação de dados de entrada com as três variáveis mais correlacionadas com precipitação observada de 1970 a 1999 para prever a precipitação de 2000 a 2009. A variável climática mais correlacionada com a precipitação do mês seguinte foi a temperatura média compensada. Mesmo utilizando as variáveis mais correlacionadas com a precipitação como preditores (0,66 ≤ índice nt ≤ 1,26), não houve melhora significativa na capacidade preditiva dos modelos quando comparado aos que não utilizaram variáveis climáticas como preditores (0,55 ≤ índice nt ≤ 0,80). | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Instituto de Pesquisas Ambientais em Bacias Hidrográficas | - |
| Direitos: dc.rights | Attribution 4.0 International | - |
| Direitos: dc.rights | Attribution 4.0 International | - |
| Direitos: dc.rights | acesso aberto | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| ???dc.source???: dc.source | Revista Ambiente Água | - |
| Palavras-chave: dc.subject | Artificial intelligence | - |
| Palavras-chave: dc.subject | El Nino Southern Oscillation (ENSO) | - |
| Palavras-chave: dc.subject | Hydrological modelling | - |
| Palavras-chave: dc.subject | Inteligência artificial | - |
| Palavras-chave: dc.subject | Modelagem hidrológica | - |
| Título: dc.title | Climate-related variables may not improve monthly scale rainfall predictions by artificial neural networks for the metropolitan region of Belo Horizonte, Brazil | - |
| Título: dc.title | Variáveis relacionadas ao clima podem não melhorar previsões de precipitação pluvial em escala mensal realizadas por redes neurais artificiais para a região metropolitana de Belo Horizonte, Brasil | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: