Modelagem híbrida com redes neurais por ensemble para predição de precipitação decendial

Página do item simplificado
dc.contributor.advisorPinheiro, Hemerson Donizete
dc.contributor.authorBolonhez, Bruna Forestieri
dc.contributor.bancaSilva, Marcelo Augusto de Aguiar e
dc.contributor.bancaMedeiros Filho, Dante Alves
dc.contributor.bancaMartins, Jorge Alberto
dc.contributor.bancaCenteno, Jorge Antonio Silva
dc.coverage.extent157 p.
dc.coverage.spatialLondrina
dc.date.accessioned2025-09-18T15:25:10Z
dc.date.available2025-09-18T15:25:10Z
dc.date.issued2025-06-09
dc.description.abstractA predição das precipitações, suas intensidades e durações é fundamental para a gestão dos recursos hídricos e mitigação de riscos para as obras de engenharia civil e as infraestruturas urbanas. Com os avanços das técnicas de aprendizado de máquina, surgiram novas possibilidades para aprimorar a modelagem de séries hidrológicas, incluindo o uso de métodos de associação (ensembles) entre os modelos. Esta pesquisa avaliou o desempenho de estratégias de associação aplicadas a predição da precipitação decendial (10 dias), combinando a decomposição da série pelo método STL (Seasonal-Trend Decomposition using LOESS) e o uso de múltiplas arquiteturas de redes neurais recorrentes (RNN, LSTM e GRU). Foram desenvolvidos cinco modelos híbridos com associação (H1 a H5) e múltiplos modelos comparativos baseados em redes isoladas (B1 a B3) e na recomposição direta das componentes (R1 a R4). As avaliações, realizadas para duas estações pluviométricas do Paraná (Maringá e Colônia Vitória), indicaram que as estratégias de associação não proporcionaram ganhos relevantes frente aos modelos individuais ou à recomposição direta das componentes. Em Maringá, o melhor modelo híbrido (H3) apresentou R² inferior ao modelo GRU direto (B3), e as séries previstas apresentaram perda de variabilidade e compressão dos extremos. Já para a Estação Colônia Vitória, o desempenho dos modelos foi ainda mais limitado, com R² negativos na maioria dos casos. Durante as modelagens, as estratégias com decomposição e associação demandaram tempos de processamento significativamente superior, sem reflexo positivo no desempenho preditivo. Os resultados reforçam que a eficácia das associações depende fortemente das características da série e da qualidade dos modelos-base, sendo que, para o contexto avaliado, a hipótese de ganhos com a associação não se confirmou.
dc.description.abstractother1Forecasting rainfall, its intensities, and durations are fundamental for the management of water resources and the risk mitigation for civil engineering works and urban infrastructures. With the advances in machine learning techniques, new possibilities have emerged to improve the modeling of hydrological time series, including the use of ensemble methods. This research evaluated the performance of ensemble strategies for forecasting 10-day precipitation, combining the decomposition of the series using the STL method (Seasonal-Trend Decomposition using LOESS) and the use of multiple recurrent neural network architectures (RNN, LSTM, and GRU). Five hybrid models with ensemble strategies (H1 to H5) and multiple comparative models based on isolated networks (B1 to B3) and on the direct recomposition of components (R1 to R4) were developed. The evaluations conducted for two rainfall stations in Paraná State (Maringá and Colônia Vitória), indicated that the ensemble strategies did not provide significant gains compared to the individual models or to the direct recomposition of components. In Maringá, the best hybrid model (H3) presented an R2 lower than the direct GRU model (B3), and the predicted series showed a decrease in variability and compression of extremes. The Colônia Vitória station's performance was even more limited, with negative R2 values in most cases. During the modeling process, the strategies involving decomposition and ensemble required significantly higher processing times without comparable improvements in predictive performance. The results reinforce that the effectiveness of ensemble strategies strongly depends on the characteristics of the time series and the quality of the base models. For the evaluated context, the hypothesis of performance gains through ensemble association was not confirmed.
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/18934
dc.language.isopor
dc.relation.departamentCTU - Departamento de Construção Civil
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Engenharia Civil
dc.subjectAprendizado profundo
dc.subjectEnsemble
dc.subjectDecomposição
dc.subjectRNA
dc.subjectPredição de precipitação - Estudos de caso - Maringá (PR) - Colônia Vitória (PR)
dc.subjectRecursos hídricos - Paraná
dc.subject.capesEngenharias - Engenharia Civil
dc.subject.cnpqEngenharias - Engenharia Civil
dc.subject.keywordsDeep learning
dc.subject.keywordsEnsemble
dc.subject.keywordsDecomposition
dc.subject.keywordsANN
dc.subject.keywordsRainfall prediction
dc.subject.keywordsCase study - Maringá (PR) - Colônia Vitória (PR)
dc.subject.keywordsWater resources - Paraná
dc.titleModelagem híbrida com redes neurais por ensemble para predição de precipitação decendial
dc.title.alternativeHybrid modeling with neural Networks and ensemble methods for 10-day rainfall forecasting
dc.typeTese
dcterms.educationLevelDoutorado
dcterms.provenanceCentro de Tecnologia e Urbanismo

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
EN_CCI_Dr_2025_Bolonhez_Bruna_F.pdf
Tamanho:
5.89 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo. Id. 193855
Baixar
Nenhuma Miniatura disponível
Nome:
EN_CCI_Dr_2025_Bolonhez_Bruna_F_Termo.pdf
Tamanho:
86.6 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização.
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

01 - Doutorado - Engenharia Civil