| Revista: | RBRH. Revista brasileira de recursos hidricos |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000379310 |
| ISSN: | 1414-381X |
| Autors: | Cruz, Marcus Felipe Matos1 Rodrigues, Lucas Daniel1 Versiani, Bruno Rabelo1 |
| Institucions: | 1Universidade Federal de Minas Gerais, Centro de Pesquisas Hidraulicas e Recursos Hidricos, Belo Horizonte, Minas Gerais. Brasil |
| Any: | 2010 |
| Període: | Ene-Mar |
| Volum: | 15 |
| Número: | 1 |
| Paginació: | 121-132 |
| País: | Brasil |
| Idioma: | Portugués |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico, descriptivo |
| Resumen en inglés | The comparison of two flood forecasting methodologies, using models with few parameters to calibrate is presented. In DPFT method (First Differences of the Transfer Function) one uses a multi-events rainfall-runoff set and an iterative algorithm for the simultaneous identification of the average Unit Hydrograph (Transfer Function) of the watershed and of a series of effective precipitations associated to each event. This last particularity allows to the calibration and comparison of different Loss Function models, relating observed precipitations to calculated effective precipitations identified by the methodology. In this case a simple Loss Function model is used, the GR3 model. The DPFT methodology is compared with a simple Artificial Neural Network ( ANN ) model approach, where the non-linearities inerent to the rainfall-runoff process are represented by a MLP structure with 4 neurons concerning to the discharges and the precipitations. The results of application and comparison of the methods in two medium sized watersheds are presented and analysed. In this study case, the DPFT methodology showed a slightly better fitting than the ANN model, despite more irregular results. Keywords: methodology DPFT, artificial neural networks |
| Resumen en portugués | Neste artigo apresenta-se a comparação de duas metodologias de previsão de cheias, utilizando-se modelos com poucos parâmetros a calibrar. Na metodologia DPFT (Diferenças Primeiras da Função de Transferência) usa-se uma amostra de observações de eventos precipitação-vazão e um algoritmo iterativo para a identificação simultânea do Hidrograma Unitário (Função de Transferência) médio da bacia e de uma série de precipitações efetivas associadas a cada evento. Esta última particularidade permite a calibração e comparação de diferentes modelos de Função de Produção, representando a transformação precipitação observada — precipitação efetiva. No caso em questão, foi utilizado um modelo simples de Função de Produção, o modelo GR3. A metodologia DPFT é comparada com um modelo simples de Redes Neurais Artificiais, onde as não-linearidades inerentes ao processo de transformação precipitação-vazão são representadas por uma estrutura de rede MLP com 4 neurônios representativos das vazões e precipitações. Os resultados de aplicação e comparação dos métodos em duas bacias hidrográficas de médio porte são apresentados e analisados. Nos estudos de caso analisados, a metodologia DPFT apresentou um desempenho ligeiramente superior ao modelo de redes neurais artificiais, mostrando, entretanto, menor regularidade nos resultados |
| Disciplines | Geociencias, Ingeniería |
| Paraules clau: | Ingeniería hidráulica, Inundaciones, Predicción, Modelo de precipitación-escorrentía, Redes neuronales artificiales |
| Keyword: | Earth sciences, Engineering, Hydraulic engineering, Floodings, Forecasting, Rainfall-runoff model, Artificial neural networks |
| Text complet: | Texto completo (Ver PDF) |
