Repositório Institucional da UFPB
Use este identificador para citar ou linkar para este item:
https://repositorio.ufpb.br/jspui/handle/123456789/34297| Tipo: | Dissertação |
| Título: | Previsão dos níveis de água subterrânea em poços do aquífero Ogallala utilizando redes neurais artificiais |
| Autor(es): | Oliveira, Lairanne Costa de |
| Primeiro Orientador: | Santos, Celso Augusto Guimarães |
| Resumo: | O Aquífero Ogallala, situado nos Estados Unidos da América, é o maior da América do Norte e serve como principal fonte de abastecimento de água agrícola e pública. Entretanto, devido a décadas de bombeamento para irrigação combinadas com recarga limitada, o Aquífero Ogallala vem enfrentando o declínio contínuo nos níveis de água subterrânea. A previsão dos níveis de água subterrânea surge como uma alternativa capaz de viabilizar um planejamento mais eficaz em relação ao uso dos recursos hídricos. Nesse sentido, as RNAs tem sido utilizadas por diversos autores para modelagem de águas subterrâneas. Diante do exposto, o presente estudo visa prever os níveis de água, em poços localizados na porção do Aquífero Ogallala contida no Texas, através da utilização de redes neurais artificiais. Para isso, foram obtidos dados de águas subterrâneas a partir da plataforma do Texas Water Development Board (TWDB) e, após um processo de seleção, foram escolhidos 403 poços para realizar a previsão dos níveis da água. A análise hierárquica de clusters foi realizada nas séries temporais dos 403 poços estudados, de modo a classificá-los em grupos de acordo com suas semelhanças nas flutuações dos níveis de água. A partir da análise de clusters, foram selecionados trinta grupos. Neste estudo, foram desenvolvidos três diferentes modelos de RNAs para realizar a previsão dos níveis de água subterrânea nos poços. O primeiro modelo consistiu em desenvolver 403 RNAs, uma para cada poço analisado, para realizar a previsão do nível d’água para um ou até dez anos à frente. O segundo modelo definiu uma RNA para cada um dos clusters selecionados, para prever os níveis d’água, nos poços pertencentes a cada cluster, para um ano à frente. O último modelo proposto estabeleceu uma única RNA, para todos os poços estudados no aquífero, para previsão dos níveis d’água para um ano à frente. O desempenho, de todos os modelos de RNA desenvolvidos nesse trabalho, foi avaliado a partir dos seguintes índices estatísticos: coeficiente de correlação linear de Pearson (R), a eficiência de Nash-Sutcliffe (NSE), erro de porcentagem absoluta média (MAPE), raiz do erro quadrático médio (RMSE) e o Bias. Ao analisar os resultados é possível concluir que os resultados das previsões, de todos os modelos propostos, mostram-se, no geral, satisfatórios, obtendo coeficiente de correlação e NSE próximos a 1, e MAPE e RMSE próximos a zero. O primeiro modelo foi o que apresentou, de modo geral, o melhor desempenho. Já o modelo que definiu uma única RNA, para todos os poços estudados, foi o que teve o menor desempenho, na maior parte dos casos, quando comparado aos demais. |
| Abstract: | The Ogallala Aquifer, located in the United States of America, is the largest in North America and serves as the main source of agricultural and public water supply. However, due to decades of pumping for irrigation combined with limited recharge, the Ogallala Aquifer has been facing a decline in its groundwater levels (GWLs). The prediction of GWL appears to be an alternative to enable more efficient planning to better use water resources. In this regard, several authors have been using ANNs for modeling groundwater. Therefore, this study aims to use artificial neural networks to predict the GWLs of several wells in the Ogallala Aquifer located in Texas. For this purpose, groundwater data were obtained from the Texas Water Development Board (TWDB) platform, and 403 wells were chosen to perform the GWLs prediction after a selection process. Also, hierarchical cluster analysis was performed in the time series of the 403 wells studied to classify them in groups according to their similarities in the water level fluctuations. In this study, thirty groups were selected from cluster analysis, and it was developed three ANN models to forecast the GWLs of the wells. The first model consisted of developing 403 ANNs, one for each analyzed well, to predict the water level from one to ten years ahead. For the second model, it was determined an ANN for each of the selected clusters to forecast the GWLs of the wells belonging to each cluster for one year ahead. For the last model proposed, it is used a single ANN, to predict the GWLs for a year ahead, to all studied wells. The performance of the ANN models developed in this work was evaluated using the following statistical indices: Pearson's linear correlation coefficient (R), Nash-Sutcliffe efficiency (NSE), mean absolute percentage error (MAPE), the root of the mean square error (RMSE) and the Bias. By analyzing the results, it is possible to conclude that all the predictions for the proposed models are satisfactory, since it obtained a correlation coefficient and NSE close to 1, and MAPE and RMSE close to zero. Additionally, the first model presented the best performance, and the model that defined a single ANN had the lowest performance when compared to the others. |
| Palavras-chave: | Engenharia urbana e ambiental Redes neurais artificiais Aquífero Ogallala Águas subterrâneas Artificial neural networks Ogallala Aquifer Groundwater |
| CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA CIVIL |
| Idioma: | por |
| País: | Brasil |
| Editor: | Universidade Federal da Paraíba |
| Sigla da Instituição: | UFPB |
| Departamento: | Engenharia Civil e Ambiental |
| Programa: | Programa de Pós-Graduação em Engenharia Civil e Ambiental |
| Tipo de Acesso: | Acesso aberto Attribution-NoDerivs 3.0 Brazil |
| URI: | http://creativecommons.org/licenses/by-nd/3.0/br/ |
| URI: | https://repositorio.ufpb.br/jspui/handle/123456789/34297 |
| Data do documento: | 25-Set-2020 |
| Aparece nas coleções: | Centro de Tecnologia (CT) - Programa de Pós-Graduação em Engenharia Civil e Ambiental |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| LairanneCostaDeOliveira_Dissert.pdf | 5,83 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma
Licença Creative Commons
