Redução da incerteza na previsão mensal de precipitação usando aprendizado de máquina e modelos ensemble em regiões semiáridas.
Loading...
Date
Authors
Advisor
Co-advisors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
O avanço das técnicas estatísticas e computacionais tem possibilitado o aprimoramento da modelagem e previsão de fenômenos hidrológicos, contribuindo significativamente para o planejamento e a gestão de recursos hídricos. Neste trabalho, foram avaliados diferentes modelos de séries temporais aplicados à previsão de precipitação mensal em um posto pluviométrico localizado no município do Crato, Ceará. Foram empregadas abordagens clássicas e combinadas, incluindo o Autoregressive Integrated Moving Average (ARIMA), o Support Vector Regression (SVR) e as Redes Neurais Artificiais (ANN) nas arquiteturas Multi-Layer Perceptron (MLP) e Long Short-Term Memory (LSTM). Além disso, avaliou-se o desempenho de modelos combinados via média, mediana e mínima variância, de modo a verificar o potencial de agregação de previsões na redução de erros e melhoria da robustez dos resultados. As previsões foram comparadas por meio das medidas de desempenho Root Mean Squared Error (RMSE) e Mean Absolute Percentage Error (MAPE), visando identificar o modelo mais adequado ao comportamento pluviométrico local. Os resultados indicaram que modelos baseados em aprendizado profundo (LSTM) e combinadores por mínima variância apresentaram melhor desempenho preditivo, refletindo maior aderência aos padrões temporais. Conclui-se que a modelagem de séries temporais constitui ferramenta importante para a engenharia civil, pois fornece subsídios técnicos ao dimensionamento de sistemas de drenagem urbana, ao manejo de bacias e ao planejamento de obras sensíveis à variabilidade pluviométrica.
Abstract in another language
The advancement of statistical and computational techniques has enabled improvements in the modeling and forecasting of hydrological phenomena, contributing significantly to water resources planning and management. In this study, different time-series models were evaluated for monthly rainfall forecasting at a pluviometric station located in the municipality of Crato, Ceará, Brazil. Classical and combined approaches were employed, including Autoregressive Integrated Moving Average (ARIMA), Support Vector Regression (SVR), and Artificial Neural Networks (ANN) using the Multi-Layer Perceptron (MLP) and Long Short-Term Memory (LSTM) architectures. In addition, the performance of combined models based on mean, median, and minimum-variance approaches was evaluated in order to verify the potential of forecast aggregation to reduce errors and improve the robustness of the results. Forecasts were compared using the performance metrics Root Mean Squared Error (RMSE) and Mean Absolute Percentage Error (MAPE), aiming to identify the model most suitable for the local rainfall behavior. The results indicated that models based on deep learning (LSTM) and minimum-variance ensemble methods presented better predictive performance, reflecting greater adherence to temporal patterns. It is concluded that time-series modeling constitutes an important tool for civil engineering, as it provides technical support for the design of urban drainage systems, watershed management, and the planning of infrastructure sensitive to rainfall variability.
Keywords
Séries temporais, Previsão de precipitação, Hidrologia estatística, Aprendizado de máquina, Crato
Área do conhecimento
Engenharias
Citation
Moreira, Séphora Fernande. Redução da incerteza na previsão mensal de precipitação usando aprendizado de máquina e modelos ensemble em regiões semiáridas. 2026. Trabalho de Conclusão de Curso (Especialização em Engenharia de Infraestrutura Urbana), Universidade Federal do Cariri, Juazeiro do Norte, 2026.