English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Seasonal Black River floods affects mainly the riverside population. In this work we present a methodology to predict the flood peak, using two types of predictors: Artificial Neural Networks (ANN) and Decision trees. For the training of the predictors, the variables were selected using a modified characteristic scalar selection technique. The data used corresponds to the period 1951-2017. For improving the neural network generalization, the technique of regularization L and early stop, associated with bootstrap were employed. For improving decision trees performance, committee-based learning method (boosting and bagging) was employed. Additionally, this work proposes classifying the river floods into four ranges of values. The efficiency of the predictors was evaluated using the Pearson correlation coefficient and accuracy in range classification. The predictions were obtained with 4,3,2 months and 1 month before the occurrence of river peak level. The best accuracy obtained in range classification was 85,07%, for one month before the occurrence of peak level. Resumo. A ocorrência das cheias sazonais dos rios afeta, principalmente, a população ribeirinha. Neste trabalho foram avaliados métodos capazes de prever o pico da cheia de rios, utilizando dois tipos de preditores: Redes Neurais Artificiais (RNA) e Árvores de Decisão. Para o treinamento dos preditores, as variáveis foram selecionadas através da técnica de seleção escalar de características modificada a partir de um conjunto de dados das cheias do Rio Negro relativo ao período de 1951-2017. Para melhorar a generalização das Redes Neurais foram utilizadas as técnicas de regularização L e parada antecipada, associadas a técnica bootstrap. Para melhorar a performance das árvores de decisão, métodos de aprendizado baseado em comitê (boosting e bagging), foram empregados. Esse artigo propõe ainda a classificação das cheias em faixas de valores. A eficiência dos preditores foi avaliada através do coeficiente de correlação de Pearson e da acurácia da classificação das cheias. As predições foram obtidas com 4,3,2 meses e 1 mês de antecedência em relação a ocorrência do pico da cheia. A melhor acurácia obtida na classificação em faixas foi de 85,07% com um mês de antecedência com relação ao pico da cheia, para o preditor RNA (parada antecipada e bootstrap).

Previsão de Cheias Sazonais para o Rio Negro Usando Redes Neurais Artificiais e Árvores de Decisão com Aprendizado Baseado em Comitê