Many hydro-meteorological disasters in small and steep watersheds develop quickly and significantly impact human lives and infrastructures. High-resolution rainfall data and machine learning methods have been used as modeling frameworks to predict those events, such as flash floods. However, a critical question remains: How long must the rainfall input data be for an empirical-based hydrological forecast? The present article employed an artificial neural network (ANN)hydrological model to address this issue to predict river levels and investigate its dependency on antecedent rainfall conditions. The tests were performed using observed water level data and high-resolution weather radar rainfall estimation over a small watershed in the mountainous region of Rio de Janeiro, Brazil. As a result, the forecast water level time series only archived a successful performance (i.e., Nash–Sutcliffe model efficiency coefficient (NSE) > 0.6) when data inputs considered at least 2 h of accumulated rainfall, suggesting a strong physical association to the watershed time of concentration. Under extended periods of accumulated rainfall (>12 h), the framework reached considerably higher performance levels (i.e., NSE > 0.85), which may be related to the ability of the ANN to capture the subsurface response as well as past soil moisture states in the watershed. Additionally, we investigated the model’s robustness, considering different seeds for random number generating, and spacial applicability, looking at maps of weights.
Resumo. O monitoramento de desastres naturais no Brasilé responsabilidade do Centro Nacional de Monitoramento e Alertas de Desastres Naturais (Cemaden), que trabalha em colaboração com diversosórgãos e conta com uma divisão dedicada a pesquisa científica. Modelos empíricos baseados em dados utilizam técnicas estatísticas e/ou de aprendizado de máquina para, dado um banco de dados para treinamento, promover estimações frente a novos padrões de entrada. O produto neuroprevisão consiste em uma Rede Neural Artificial aplicada para prever o nível de um dado rio. Por outro lado, modelos físicos utilizam equações referentes ao fenômeno modelado, e os parâmetros de tais equações podem ser estimados com base em dados observacionais. O produto Modelagem hidrológica rápidá e baseado na equação do tempo de translado. Este trabalho promove comparações entre diferentes abordagens em fase de testes operacionais no Cemaden.Palavras-chave. Rede Neural Artificial, Neuroprevisão, Modelo Hidrológico, Modelo empírico, Modelo físico. IntroduçãoO Brasilé um país com grande risco da ocorrência de desastres socioambientais [1]. Um dos grandes desafios das entidadesé monitoramento e alerta precoce desses eventos extremos de modo que seja possível mitigar as perdas causadas por esses fenômenos. Em virtude disso, tem se buscado a implementação de modelos e programas de computador que sejam capazes de realizar uma previsão para um dado evento natural, com boa qualidade e confiabilidade com um horizonte de previsão que permita a realização de ações que minimizem as perdas.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2025 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.