Resumo
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).
Palavras-chave:
ENSO; inteligência artificial; modelagem hidrológica
Thumbnail
Thumbnail
Thumbnail
