ÁRVORE MODELO FRENTE A UMA REDE NEURAL ARTIFICIAL PARA A MODELAGEM CHUVA-VAZÃO
DOI:
https://doi.org/10.31413/nativa.v7i5.7089Resumo
O objetivo deste estudo é investigar o desempenho da árvore modelo (M5P) e sua sensibilidade à poda e comparação com o desempenho de uma Rede Neural Artificial (RNA) para a simulação da vazão média diária mensal. A motivação para esta análise está na maior simplicidade e velocidade de processamento da M5P comparado às RNAs e a carência de estudos aplicando este método na modelagem hidrológica. O estudo foi desenvolvido na bacia hidrográfica do Alto Canoas, tendo um delineamento experimental composto por um período de treinamento, um de validação cruzada e dois períodos de testes. A RNA utilizada foi a Multi Layer Perceptron (MLP), implementada no software MATLAB, e a M5P (com e sem poda), disponível do software WEKA. O algoritmo M5P se mostrou sensível à poda em somente metade dos tratamentos. A M5P apresentou bom ajuste na modelagem, porém a RNA apresentou desempenho superior em todos os tratamentos.
Palavras-chave: rede neural artificial; árvore de regressão; Bacia do Alto Canoas.
MODEL TREE IN COMPARISON TO ARTIFICIAL NEURAL NETWORK FOR RAINFALL-RUNOFF MODELING
ABSTRACT:
The aim of this study is to investigate the performance of the model tree (M5P) and its sensitivity to pruning and comparison to the performance of an Artificial Neural network (ANN) for the simulation of daily average discharge of the month. The motivation for this analysis is on simplicity and speed of processing M5P compared the RNAs. The study was developed in the Alto Canoas watershed, having an experiment consisting of a training period, a cross-validation and two testing periods. The ANN used was the Multi Layer Perceptron (MLP), implemented in MATLAB software, and M5P (with and without pruning), available from the WEKA software. M5P algorithm proved sensitive to pruning in half of the treatments. The M5P showed good fit in the modeling, but the RNA presented superior performance in all treatments.
Keywords: artificial neural network; regression tree; Basin Alto Canoas.
Referências
ANTUNES, T. A. Modelagem hidrológica da bacia hidrográfica do Alto Canoas através do modelo SWAT. 2015. 130f. Dissertação (Mestrado em Engenharia Florestal) – Universidade do Estado de Santa Catarina, Lages, 2015.
BATISTA, A. L. F. Modelos de séries temporais e redes neurais artificiais na previsão de vazão. 2009. 79f. Dissertação (Mestrado em Engenharia de Sistemas) – Universidade Federal de Lavras, Lavras, 2009.
BHATTACHARYA, A. B; SOLOMATINE, D. P. Machine learning in sedimentation modelling. Neural networks, New York, v. 19, n. 2, p. 208-214, 2006. DOI: https://dx.doi.org/10.1016/j.neunet.2006.01.007
BHATTACHARYA, B.; SOLOMATINE, D. P. Neural networks and M5 model trees in modelling water lever discharge relationship. Neurocomputing, v. 63, p. 381-396, 2005. DOI: https://dx.doi.org/10.1016/j.neucom.2004.04.016
BRIGHENTI, T. M.; BONUMÁ, N. B.; CHAFFE, P. L. B. Calibração hierárquica do modelo SWAT em uma bacia hidrográfica Catarinense. Revista Brasileira de Recursos Hídricos, Porto Alegre, v. 21, n. 1, p. 53-64, 2016. DOI: http://dx.doi.org/10.21168/rbrh.v21n1.p53-64
CASTRO, T. N. Modelo de previsão sazonal de chuva para o estado do Ceará baseado em redes neurais artificiais. 2011. 60f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal do Ceará, Fortaleza, 2011.
DANCEY, C.; REIDY, J. Estatística Sem Matemática para Psicologia: Usando SPSS para Windows. Porto Alegre, Artmed, 2006. 608 p.
DEBASTIANI, A. B.; SILVA, R. D.; NETO, S. L. R. Eficácia da arquitetura em modo closed-loop para simulação de um sistema hidrológico. Revista Brasileira de Recursos Hídricos, Porto Alegre, v. 21, n. 4, p. 821-831, 2016. DOI: http://dx.doi.org/10.1590/2318-0331.011615124
ESCARIÃO, R. D.; MONTENEGRO, S. M. G. L.; AZEVEDO, J. R. G.; NETO, A. R. Influência do modelo hidrológico na avaliação da sensibilidade dos recursos hídricos a cenários de mudanças climáticas em região semiárida. Revista Brasileira de Recursos Hídricos, Porto Alegre, v. 17, n. 3, p. 81-91, 2012. DOI: http://dx.doi.org/10.21168/rbrh.v17n3.p81-91
ETEMAD-SHAHIDI, A.; MAHJOOBI, J. Comparison betwenn M5’ model tree and neural networks for prediction of significant wave height in lake superior. Ocean engineering, Elmsford, v. 36, n. 15-16, p. 1175-1181, 2009. DOI: https://dx.doi.org/10.1016/j.oceaneng.2009.08.008
FU, L. Neural networks in computer intelligence. New York: McGraw-Hill, 1994. 460 p.
GHARAEI-MANESH, S.; FATHZADEH, A.; TAGHIZADEH-MEHRJARDI, R. Comparison of artificial neural network and decision tree models in estimating spatial distribution of snow depth in a semi-arid region of Iran. Cold Regions Science and Technology, Amsterdam, v. 122, p. 26-35, 2016. DOI: https://dx.doi.org/10.1016/j.coldregions.2015.11.004
GOMES, O. M.; SOUZA, F. A. Z.; SANTOS, C. A. C.; PAIVA, W. Análise geoestatística da precipitação pluvial do estado da Paraíba. Revista Brasileira de Geografia Física, Recife, v. 4, p. 692-702, 2011.
HAGAN, M.T.; MENHAJ, M. Training feed-forward networks with the Marquardt algorithm. IEEE Transactionson Neural Networks, v. 5, n. 6, p. 989-993, 1994.
HAYKIN, S. Redes neurais: princípios e prática. Porto Alegre: Bookman, 2001. 900 p.
HEATH, G. E. Training, testing and validating data set in Neural Network. Disponível em: <http://www.mathworks.com/matlabcentral/newsreader/view_thread/295781#917734>. Acesso em: 04 de dez. 2010.
HOLLANDA, M. P.; CECÍLIO, R. A.; CAMPANHARO, W. A.; ZANETTI, S. S.; ANDRADE, L. N.; GARCIA, G. O. Avaliação do TOPMODEL na estimativa do escoamento superficial em microbacia hidrográfica em diferentes usos. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 19, n. 5, p. 489-496, 2015. DOI: http://dx.doi.org/10.1590/1807-1929/agriambi.v19n5p489-496
LUCAS, E. W. M.; SOUSA, F. A. S.; SILVA, F. D. S.; LUCIO, O. S. Modelagem hidrológica determinística e estocástica aplicada à região hidrográfica do Xingu – Pará. Revista Brasileira de Meteorologia, São Paulo, v. 24, n. 3, p. 308-322, 2009. DOI: http://dx.doi.org/10.1590/S0102-77862009000300005
NASH, J. E.; SUTCLIFFE, J. V. River flow forecasting through conceptual models part 1– A discussion of principles. Journal of Hydrology, Amsterdam, v. 10, n. 3, p. 282-290, 1970. DOI: https://dx.doi.org/10.1016/0022-1694(70)90255-6
OLIVEIRA, G. G.; PEDROLLO, O. C.; CASTRO, N. M. R.; BRAVO J. M. Simulações hidrológicas com diferentes proporções de área controlada na bacia hidrográfica. Revista Brasileira de Recursos Hídricos, Porto Alegre, v. 18, n. 3, p. 193-204, 2013. DOI: http://dx.doi.org/10.21168/rbrh.v18n3.p193-204
OLIVEIRA, G. G.; PEDROLLO, O. C.; CASTRO, N. M. O desempenho das redes neurais artificiais (RNAs) para simulação hidrológica mensal. Revista Brasileira de Recursos Hídricos, Porto Alegre, v. 19, n. 2, p. 251-265, 2014. DOI: http://dx.doi.org/10.21168/rbrh.v19n2.p251-265
QUINLAN, J. R. C4.5: Programs for machine learning. São Francisco: Morgan Kaufmann. 1993. 302 p.
QUINLAN, J. R. Learning with continuous classes. In: ADAMS, N.; STERLING, L. (Eds.). Proceedings of the Fifth Australian Joint Conference on Artificial Intelligence. Hobart, Tasmania. Singapore: Worls Scientific, 1992.
SOLOMATINE, D. P.; DULAL, K. N. Model trees as an alternative to neural networks in rainfall-runoff modeling. Hidrological Sciences Jornal, v. 48, n. 3, p. 399-411, 2003. DOI: http://dx.doi.org/10.1623/hysj.48.3.399.45291
SOUSA, W. S.; SOUSA, F. A. S. Rede neural artificial aplicada à previsão de vazão da bacia hidrográfica do rio Piancó. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 14, n. 2, p.1 73-180, 2010. DOI: http://dx.doi.org/10.1590/S1415-43662010000200008
TUCCI, C. E. M. Modelos hidrológicos. 2.ed. Porto Alegre: Editora da UFRGS, 2005. 680 p.
WITTEN, I. H.; FRANK, E.; HALL, M. A. Data mining practical machine learning tool and techniques. 3. ed. Elsevier, 2011. 664 p.
ZIA, H.; HARRIS, N.; MERRETT, G.; RIVERS, M. Predicting discharge using a low complexity machine learning model. Computers and Electronics in Agriculture, New York, v. 118, p. 350-360, 2015. DOI: https://dx.doi.org/10.1016/j.compag.2015.09.012
Downloads
Publicado
Edição
Seção
Como Citar
Licença
Direitos Autorais para artigos publicados nesta revista são do autor, com direitos de primeira publicação para a revista. Em virtude de a aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais.
A artigos publicados nessa revista, podem ser reproduzidos parcialmente ou utilizados como referência por outros autores, desde que seja cita a fonte, ou seja, a Revista Nativa.
Copyright for articles published in this journal are the authors, with first publication rights granted to the journal. The journal shows open access, and articles are free to use, with proper attribution, in educational and non-commercial.
The articles published in this journal may be reproduced in part or used as a reference by other authors, provided that the source is quoted.
