Gilberto Carvalho Pereira
Título
Predicaçao da Variabilidade dos Fatores Químicos e Biológicos em Áreas de Ressurgência de Arraial do Cabo Através de Redes Neurais
Resumo
Modelar a qualidade da água, prever as dinâmicas das populações para definir a saúde do ecossistema é uma função de alguns índices (resiliência, diversidade, produção etc.) e produto de interações de muitas variáveis ambientais. O acesso às propriedades e processos da zona costeira é o maior tema de discussão no gerenciamento dos sistemas aquáticos. O objetivo deste trabalho é a avaliação da capacidade de predição das redes neurais quanto as mudanças de clorofila-a como uma medida da biomassa do fitoplâncton. Os dados disponíveis referem-se a uma série temporal média de amostras semanais referentes ao intervalo de 1994 à 2001, e foi coletada em área de influência da ressurgência perto da costa do estado do Rio de Janeiro, sudeste do Brasil. Lidando, em particular, com uma alta não linearidade entre as variáveis, uma abordagem de algoritmos genéticos foi usada para definir a melhor arquitetura neural e o pré-processamento específico é apresentado. Os resultados mostram a distribuição dos valores obtidos pelos modelos no curto, médio e longo prazo. Conclui-se que as redes neurais podem com sucesso ser usadas na predição dos complexos fatores impactantes, e o comportamento dos sistemas ecológicos.
Abstract
Modelling water quality, forecasting population dynamics to define the ecosystem health is a function of some indices (resilience, diversity, production etc.) and yield of many environment variables interactions. The assessement of properties and processes of costal zone is a major issue in aquatic system management. The aim of this paper is to evaluate neural network capability in predicting changes of chlorophyll-a as a phytoplankton biomass. Available data concern to a weekly medium-term time-series ranging from the end of 1994 to 2001, and it was collected at the Arraial do Cabo near shore upwelling, southeast of Rio de Janeiro state (Brazil). Dealing in particular with high non-linearity among variables, a genetic algorithm approach was used to settle the best neural architecture and the specific pre-processing method presented. The results show the spread of values given by the models in short, medium and long-term predictions. Thus, we conclude that neural networks can successfully be used to improve forecasting of complex impact factors and ecological system behavior.