68
Tabela 5.26 - Resultados para cada configuração de rede neural (horiz. 4 dias) – SEM previsão de chuva.
Arquitetura da
RN
EMQ
(m)
EMA
(m)
EPA
(m)
R CP
Erro não
ultrapassado
90% (m)
Erro não
ultrapassado
75% (m)
Erro não
ultrapassado
50% (m)
NP
3N_Sat_BR 0,797 0,487 0,893 0,643 0,307 1,018 0,555 0,227 0,333
3N_Sat_GD 0,775 0,513 0,881 0,648 0,326 1,068 0,586 0,288 0,269
3N_Sat_GDM 0,772 0,512 0,879 0,650 0,329 1,072 0,586 0,297 0,298
3N_Sat_LM 0,796 0,480 0,892 0,644 0,308 1,071 0,560 0,200 0,272
3N_Tan_BR 0,780 0,492 0,883 0,647 0,322 1,056 0,558 0,246 0,351
3N_Tan_GD 0,782 0,516 0,885 0,644 0,320 1,035 0,596 0,293 0,184
3N_Tan_GDM 0,795 0,517 0,892 0,636 0,309 1,098 0,557 0,290 0,175
3N_Tan_LM 0,748 0,490 0,865 0,664 0,350 1,074 0,520 0,272 0,689
12N_Sat_BR 0,730 0,490 0,854 0,674 0,366 1,030 0,539 0,257 0,788
12N_Sat_GD 0,765 0,508 0,875 0,654 0,335 1,044 0,626 0,291 0,267
12N_Sat_GDM
0,729 0,498 0,854 0,676 0,366 1,098 0,525 0,280 0,809
12N_Sat_LM 0,792 0,485 0,890 0,645 0,311 1,036 0,540 0,230 0,333
12N_Tan_BR 0,775 0,467 0,880 0,658 0,327 1,136 0,501 0,206 0,609
12N_Tan_GD 0,733 0,494 0,856 0,674 0,362 1,063 0,567 0,278 0,685
12N_Tan_GDM
0,732 0,497 0,856 0,674 0,363 1,072 0,559 0,290 0,705
12N_Tan_LM 0,734 0,469 0,857 0,677 0,362 1,089 0,566 0,204 0,750
Tabela 5.27 - Resultados para cada configuração de rede neural (horiz. 5 dias) – SEM previsão de chuva.
Arquitetura da
RN
EMQ
(m)
EMA
(m)
EPA
(m)
R CP
Erro não
ultrapassado
90% (m)
Erro não
ultrapassado
75% (m)
Erro não
ultrapassado
50% (m)
NP
3N_Sat_BR 0,804 0,498 0,897 0,638 0,305 1,065 0,586 0,242 0,326
3N_Sat_GD 0,755 0,523 0,869 0,650 0,347 1,155 0,632 0,307 0,277
3N_Sat_GDM 0,754 0,527 0,868 0,650 0,348 1,147 0,659 0,309 0,204
3N_Sat_LM 0,765 0,502 0,874 0,650 0,339 1,112 0,589 0,269 0,386
3N_Tan_BR 0,765 0,514 0,875 0,643 0,338 1,088 0,606 0,291 0,306
3N_Tan_GD 0,756 0,526 0,870 0,649 0,346 1,133 0,611 0,302 0,312
3N_Tan_GDM 0,783 0,532 0,885 0,632 0,323 1,194 0,600 0,313 0,208
3N_Tan_LM 0,767 0,493 0,876 0,645 0,337 1,129 0,535 0,260 0,520
12N_Sat_BR 0,771 0,503 0,878 0,642 0,333 1,210 0,596 0,246 0,331
12N_Sat_GD 0,719 0,514 0,848 0,670 0,378 1,156 0,631 0,295 0,449
12N_Sat_GDM
0,702 0,508 0,838 0,682 0,393 1,106 0,573 0,315 0,676
12N_Sat_LM 0,678 0,486 0,823 0,694 0,414 1,083 0,580 0,269 0,811
12N_Tan_BR 0,737 0,475 0,858 0,666 0,363 1,085 0,558 0,238 0,640
12N_Tan_GD 0,707 0,511 0,841 0,678 0,389 1,068 0,606 0,307 0,572
12N_Tan_GDM
0,727 0,516 0,853 0,666 0,371 1,124 0,604 0,318 0,475
12N_Tan_LM 0,781 0,489 0,884 0,654 0,324 1,182 0,552 0,216 0,456
Os resultados da 1ª etapa da seleção da arquitetura ótima para o modelo por redes
neurais sem a agregação da previsão de precipitação mostraram que, para os horizontes de
previsão de 3 e 4 dias, o algoritmo com melhor desempenho foi o TrainGDM, porém, sua
vantagem em relação à segunda melhor arquitetura de rede neural não foi significativa. Por
não apresentar vantagem significativa, e ser um algoritmo com convergência muito lenta, foi
utilizado o algoritmo TrainLM, que foi a segunda melhor arquitetura nos dois casos.
Seguindo a mesma metodologia do modelo por redes neurais com previsão de
precipitação agregada, realizou-se a eleição da 2ª etapa, na qual foram obtidas as arquiteturas