Incertezas no preenchimento de falhas de chuvas horárias com redes neurais artificiais

Abstract

Falhas em séries de dados históricos de precipitação são frequentemente encontradas, dificultando a realização dos estudos hidrológicos. Redes neurais artificiais (RNA) têm sido empregadas na previsão e no preenchimento de falhas em várias áreas do conhecimento, especialmente em hidrologia. Assim, este trabalho tem por objetivo avaliar as incertezas do preenchimento de falhas com modelo de RNA realizado por Depiné et al. (2014) na bacia do rio Potiribu. Foram analisados os efeitos sobre a distribuição espacial e temporal das alturas de precipitação e sobre a distribuição de frequência das intensidades de precipitação. A análise ANOVA mostrou a semelhança dos valores mensais preenchidos com aqueles registrados em estações pluviométricas convencionais instaladas no entorno da bacia. As séries de alturas de precipitações horárias apresentaram diferenças na frequência acumulada das alturas das precipitações, nas precipitações máximas para diferentes durações e nas relações entre as intensidades de precipitações de 1 h e de 24 h, para o período de retorno de 2 anos. As diferenças são resultantes da perda de eficiência dos modelos de rede neurais artificiais no treinamento e na verificação.

Failures of historical rainfall data series are often found, hinder the achievement of hydrological studies. Artificial neural networks (ANN) have been used to forecast and and filling gaps in various areas of knowledge, hydrology particularly. This study aims to evaluate the uncertainties of gap filling with ANNs model conducted by Depiné et al. (2014) in Potiribu basin. The effects on the spatial and temporal rainfall heights distribution and the frequency distribution of precipitation intensities were analyzed. The ANOVA analysis showed the similarity of the monthly values filled with those recorded in conventional rainfall stations installed in the vicinity basin. The hourly rainfall heights series showed differences in the heights of the cumulative frequency rainfall, the maximum precipitation for different durations and relationships between 1 h and 24 h rainfall intensities, to the 2 years return period. The differences result from the loss of efficiency of artificial neural network models in training and verification.