BR102019003180B1 - processo e sistema de análise e gestão hidrológica para bacias - Google Patents

processo e sistema de análise e gestão hidrológica para bacias Download PDF

Info

Publication number
BR102019003180B1
BR102019003180B1 BR102019003180-8A BR102019003180A BR102019003180B1 BR 102019003180 B1 BR102019003180 B1 BR 102019003180B1 BR 102019003180 A BR102019003180 A BR 102019003180A BR 102019003180 B1 BR102019003180 B1 BR 102019003180B1
Authority
BR
Brazil
Prior art keywords
basin
management
basins
hydrological
information
Prior art date
Application number
BR102019003180-8A
Other languages
English (en)
Other versions
BR102019003180A2 (pt
Inventor
Enrique Menotti Pescarmona
Original Assignee
Enrique Menotti Pescamona
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Enrique Menotti Pescamona filed Critical Enrique Menotti Pescamona
Publication of BR102019003180A2 publication Critical patent/BR102019003180A2/pt
Publication of BR102019003180B1 publication Critical patent/BR102019003180B1/pt

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W2001/006—Main server receiving weather information from several sub-stations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Abstract

PROCESSO E SISTEMA DE ANÁLISE E GESTÃO HIDROLÓGICA PARA BACIAS. Processo e sistema de análise e gestão hidrológica para bacias com redes de estações meteorológicas e sistemas de drenagem artificial com gerenciamento de barragens naturais e artificiais mediante eclusas e estações de bombeamento. Avalia o potencial de risco hídrico em cada área e analisa a priori, por meio de simulações, as consequências possíveis de precipitações futuras. Para dita simulação se procede ao cálculo dos hidrogramas para cada sub-bacia, canais e rios da bacia. Simula o comportamento da bacia sob diferentes cenários correspondente a diferentes gerenciamentos de operação das comportas e/ou bombas, e compara seus resultados em perda de área inundada, perda econômica de cada setor, perda por inundação de área habitada, etc. A otimização da simulação através de IA (Inteligência Artificial, algoritmos meta-heurísticos, redes neurais, etc.) permite servir de mecanismo de busca para encontrar melhores soluções, a melhor configuração de gerenciamento de recursos que permita minimizar o impacto socioeconômico na bacia.

Description

CAMPO TÉCNICO
[001] Processo e sistema de análise e gestão hidrológica mediante o uso de Inteligência Artificial (IA) para bacias com redes de estações meteorológicas e sistemas de drenagem artificial com gerenciamento de barragens naturais e artificiais mediante eclusas e estações de bombeamento. A invenção combina aspectos de distintos campos técnicos como a meteorologia, hidrologia, engenharia, controle de processos, Inteligência Artificial e Machine Learning, entre outros.
ESTADO DA TÉCNICA
[002] Os sistemas básicos existentes de análise hidrológica de uma bacia trabalham analisando resultados de dados atmosféricos, medição de queda de chuva por precipitação média, detectores de umidade, etc.; escoamento, temperatura, solarimetria e outros; os quais são coletados e utilizados para realizar previsões de forma manual com técnicas clássicas de cálculo. A coleta dos dados é direcionada por cabo por diferentes entes privador e governamentais que tendem a diferenciar entre dados meteorológicos e hidrológicos. Existem ainda, por exemplo nos Estados Unidos da América, casos nos quais um único ente registra todos os dados medidos, sejam meteorológicos ou hidrológicos.
[003] Estes sistemas conhecidos estão embasados em modelos matemáticos que realizam previsões meteorológicas e do estado de bacias, usualmente tal como se descreve abaixo.
[004] Um sistema de análise hidrológica para bacias com redes de estações meteorológicas do estado da técnica atual utiliza modelos de cálculo, entre os quais se destaca o modelo meteorológico e o modelo da bacia determinada que se deseja analisar.
[005] Este conjunto de modelos normalmente simula conjuntamente os três processos principais de um evento de inundação, que são a precipitação, infiltração e escoamento superficial, obtendo em curto tempo informações sobre áreas alagadas, níveis de inundação de canais, volumes retidos e evacuados, e demais dados relevantes. Esta técnica atual só recebe a informação e não corrige o problema existente. Em outras palavras, não controlam os fluxos de água nem geram recomendações ou coordenação de ações ou os passos a seguir.
[006] Os modelos meteorológicos são necessários para avaliar e interpolar a precipitação que cai sobre cada uma das sub-bacias, a partir dos dados que são fornecidos pelas estações pluviométricas. A informação meteorológica tem duas fontes principais, os pluviômetros que dão a informação de quantidade de água acumulada em incrementos de tempo e a resposta do radar meteorológico. Ambas as fontes têm que ser calibradas e ajustadas manualmente e in situ para obter uma medida confiável do hidrograma de saída.
[007] Os modelos meteorológicos conhecidos avaliam a chuva sobre uma área determinada mediante o uso da posição relativa dos pluviômetros respectivos da área. Estas áreas são denominadas polígonos de Thiessen (o alcance do pluviômetro como a metade da distância entre dois pluviômetros consecutivos).
[008] O método das isoietas, por outro lado, determina as linhas de igual altura de precipitação.
[009] Com ambos os resultados, estes modelos conhecidos calculam, seguindo procedimentos padrão e recomendações gerais, a altura de precipitação, distribuição temporal da chuva e distribuição espacial da chuva. Fornecem informações sobre o fenômeno, porém não possuem uma opção para resolver o problema.
[010] Por outro lado, o modelo da bacia propriamente dito, inclui um esquema da rede de drenagem, das conexões existentes entre as sub-bacias distintas, assim como das propriedades fisiológicas de cada sub-bacia. Este modelo de bacia conhecido compreende também os métodos de cálculo escolhidos e os parâmetros hidráulicos a eles associados.
[011] Em cada sub-bacia se calculam as escorrências pelo método de SCS (por sua sigla do inglês, Soil Conservation Service) que permite separar a escorrência superficial da infiltrada. A infiltração é uma variável que é alterada conforme as características do terreno, quantidade de água absorvida, tipo de vegetação, etc. Para isso deve-se possuir informações geofísicas da mesma.
[012] A partir da corrente superficial se obtém o hidrograma da sub-bacia. Cada sub-bacia tem calibrado a relação de chuva com a escorrência em relação à CN (curva número) que é uma porcentagem entre 0% e 100% de absorção de água do terreno. Além disso, a CN depende das condições de umidade anteriores à chuva. Haverá também um aporte horizontal proveniente de escoamento subterrâneo, que depende da inclinação do terreno e da porosidade da terra.
[013] Como variáveis de saída, há a evaporação e evapotranspiração. A primeira variável mede em mm/tempo a evaporação ocorrida em reservatórios ou áreas inundadas. Se mede em estações de registro com tanques evaporímetros. Por outro lado, a variável da evapotranspiração depende do tipo de cultivo/vegetação, que pode ser uma estratégia de importância neste balanço hídrico para diminuir os tempos de permanência de solos inundados.
[014] A partir daqui se estima o quanto escorre, seu hidrograma da superfície da sub-bacia para canais e rios. Somando os aportes de cada sub-bacia, pode- se calcular a inundação em canais e reservatórios, segundo métodos de cálculo e códigos padrão de uso geral.
[015] Também se calculam as vazões possíveis de distribuição. Isto é feito habitualmente nos sistemas conhecidos com modelos que se baseiam em equações como a Chezy/Manning que dependem inversamente do coeficiente de Manning (depende da rugosidade/vegetação e pode variar entre 0.013 para canais revestidos até 0.045 com vegetação) e diretamente proporcional à raíz quadrada do raio hidráulico do canal (se calcula como o quociente entre superfície e perímetro molhados) e a inclinação do canal:
[016]
Figure img0001
[017] Em que
[018] C = Coeficiente de Rugosidade de Chezy
Figure img0002
[019] R = Radio Hidráulico [m]
[020] n = Rugosidade de Manning
Figure img0003
[021]
Figure img0004
[022] Substituindo a rugosidade calculada na equação de Chezy se obtém a equação de Manning:
[023]
Figure img0005
[024] Em que
[025]
Figure img0006
[026]
Figure img0007
[027] S = Fricção de Inclinação
Figure img0008
[028] Outra variável utilizada nos sistemas de análise do Estado da Técnica é a variável de saída natural vertical, que é a percolação no terreno. Esta dependerá do tipo de terreno e do nível de saturação do mesmo dado pelo nível freático. Se utiliza o método de PULS e o método de MUSKINGUM relaciona os hidrogramas à entrada e saída de cada barragem/reservatório, vazão de excedência, níveis máximos da barragem, dimensão das obras de excedência e determinação do nível das águas máximas extraordinárias. Para isto deve-se conhecer os perfis de canais naturais ou artificiais e o perfil batimétrico das barragens, a fim de poder determinar a capacidade de armazenamento e a relação de área vs volume reservado. Em outras palavras, estes sistemas da técnica dependem principalmente da confiabilidade dos dados previamente adquiridos.
[029] Em cada parte dos modelos atuais há coeficientes fixos e outras variáveis que mudam com o tempo, como umidade amviente, umidade do solo, alteração do coeficiente de evapotranspiração por alteração de cultivo semeado, radiação solar, etc. O modelo é parametrizado com estas variáveis. Algumas destas variáveis são medidas diretas ou indiretas. O modelo atual de uma bacia com muitas sub-bacias e reservatórios tem uma ordem de centenas de parâmetros, dependendo do tamanho de discretização do modelo.
[030] Um aspecto comum nos sistemas de análise hidrológica do estado da técnica é que compreendem uma central de controle. Nesta central de controle são conhecidos alguns dados como volumes de água e aonde devem ser mobilizados os volumes de água excedentes para obter controle sobre inundações, porém não podem realizar antecipações, por que não há soluções para estes problemas.
[031] Atualmente as ferramentas disponíveis emitem um prognóstico reservado que não possui uma estratégia de mitigação associada. Alertam sobre o problema hidrológico sem intervir em soluções de impacto socioeconômicas. Estes alertas são divulgados a organismos interessados (Stake Holders) e as soluções são implementadas de forma isolada, sem otimização dos recursos disponíveis na bacia em questão. De forma análoga, existem sistemas de gerenciamento de volumes de água em bacias que não possuem inteligência associada às previsões recebidas. Em geral, a implementação de um sistema integral que resolveria estes problemas multidisciplinares requereria um grande número de pessoas qualificadas e preparadas para tomada de decisões.
[032] Também se conhece do Estado da Técnica a patente US 9,726,982 B2, que busca resolver problemas similares mediante a implementação de métodos, sistemas e dispositivos de armazenamento de programas de computador para gerar uma resposta a uma inundação.
[033] Nesta invenção se descreve a implementação de dois subsistemas gerais. Um subsistema implementado em computadores para gerar uma previsão hidrometeorológica das inundações, com feedback de informações meteorológicas e dados de estações em terra. Um subsistema de suporte à tomada de decisões, o qual gera um relatório com recomendações e os feedbacks sobre a qualidade das medições ao subsistema anterior. Como exemplo, na patente se descreve o procedimento para os eventos de inundação detectados e validados. O sistema pode relatar e realizar o seguinte:
[034] a) Localização dos recursos.
[035] b) Processar a informação proveniente do subsistema de suporte de decisão para gerar uma lista de ações de recomendação no caso de inundação.
[036] c) Fornecer uma lista de ações para a resposta a inundações que incluem: comunicar a mensagem de recomendações para todos os agentes envolvidos na inundação; evacuação da população; assegurar as rotas de transporte; assegurar os suprimentos críticos; isolamento da infraestrutura afetada, envio de pessoas qualificadas e equipes aos locais principais.
[037] d) Comunicar de modo contínuo as ações executadas e o progresso do evento.
[038] Não obstante, não resulta desta anterioridade como se realiza tanto o cálculo quanto a avaliação de estimativas do evento hidrometeorológico como os hidrogramas, porque o método utilizado para a previsão poderia ter erro maior.
[039] Tampouco esta anterioridade compreende a integração do controle dos reservatórios sobre mitigação e planificação integral da bacia, como áreas inundáveis, áreas de maior produtividade, áreas críticas, etc. Tampouco utiliza a tal efeito imagens aéreas e de satélites para estimativas de áreas inundadas, volumes de água, qualidade do solo e informações de vegetação, etc.
[040] Por fim, o Estado da Técnica ainda não forneceu um sistema inteligente que atue on-line com as ferramentas de aprendizagem automática que possam ser utilizadas para realimentar as previsões e ajustar dinamicamente as estimativas do evento e modelos hidrológicos, em que a constante aprendizagem do sistema pode fortalecer a tomada de decisões em eventos futuros, em função do contínuo uso do sistema, para resolver os problemas agilmente e melhorar a situação das populações em áreas de implementação.
[041] Tampouco ainda o Estado da Técnica forneceu um sistema de análise e gestão hidrológica que utilize imagens aéreas e de satélites para estimativas de áreas inundadas, volumes de água, qualidade de solo e informações de vegetação; nem sequer um sistema inteligente que compreenda a possível geração de energia elétrica dentro de um plano integral, aproveitando os reservatórios artificiais de forma distribuída e otimizada, com eletrobombas e bombas turbina.
BREVE DESCRIÇÃO DA INVENÇÃO
[042] É um objeto da presente invenção fornecer um processo e sistema de análise e gestão hidrológica para bacias com redes de estações meteorológicas e sistemas de drenagens artificiais com gerenciamento de barragens naturais e artificiais mediante eclusas e estações de bombeamento, em que se avalia o potencial de ameaça hídrica em cada área e se analisa a priori as consequências possíveis de futuras precipitações mediante simulações prévias realizadas mediante um sistema de Inteligência Artificial; em que, para dita simulação, seja realizado o cálculo dos hidrogramas para cada sub-bacia, canais e rios da bacia em questão e posteriormente seja simulado o comportamento da bacia sob diferentes cenários correspondentes a diferentes controles de operações das comportas e/ou bombas e sejam comparados seus resultados em perda de área inundável, perda econômica de cada setor, perda por inundação de área habitada, etc.; em que a otimização da simulação por meio de Inteligência Artificial (algoritmos meta-heurísticos, redes neurais, etc.) permite seu uso como mecanismo de busca para encontrar as melhores soluções possíveis e a melhor configuração de gerenciamento de recursos para permitir minimizar o impacto socioeconômico na bacia ante o fenômeno hidrológico.
[043] É outro objetivo da presente invenção fornecer um sistema de análise e gestão hidrológica cuja resolução consista na análise de um balanço de massas originado pelo volume de entrada e de saída, que permite reter dito volume em cada célula em estudo em que se subdivide o sistema; em que ditos volumes de água podem ser mobilizados para o lugar de destino para que se obtenha controle da inundação, de acordo com os critérios de proteção eleitos, por meio de uma central de controle e tomada de decisões que rapidamente dispõe de todas as informações de forma on-line, desde que se ordene e dirija o acionamento de comportas e estações de bombeamento disponíveis para o controle de drenagem.
[044] É outro objeto da presente invenção fornecer um processo e sistema de análise e gestão hidrológica para bacias em que se possa gerar, por Inteligência Artificial, estratégias para proteger as populações, as áreas mais produtivas, as melhores terras e os lugares estratégicos da bacia, permitindo o armazenamento de água em áreas não úteis para uso posterior como para irrigação contra futuras secas e também permita, por meio do gerenciamento dos recursos hídricos disponíveis, a obtenção de um subproduto de importância estratégica como a geração de energia elétrica, usando sistemas avançados de conversão tais como geradores de baixa velocidade e turbinas de rio passante .
BREVE DESCRIÇÃO DOS DESENHOS
[045] A Figura 1 é um esquema básico da invenção, mostrando principalmente a coleção e gerenciamento de dados.
[046] A figura 2 é um diagrama de fluxo simplificado que mostra as etapas distintas do processo reivindicado.
[047] A figura 3 mostra um esquema simplificado da geração de hidrogramas como variáveis de entrada ao subsistema de gestão.
[048] A figura 4 representa um esquema de Rede Neural Recorrente Linear.
[049] A figura 5 mostra um esquema de uma rede LDDN de três camadas.
[050] A figura 6 é um exemplo de um mapa de inundações como resultado do prognóstico da rede neural artificial.
[051] A figura 7 mostra um esquema de camadas de entrada ao sistema de decisão assistido por Inteligência Artificial, e
[052] A figura 8 representa um esquema que revela as etapas e a combinação de meios para o gerenciamento de volumes de água, segundo a invenção reivindicada.
DESCRIÇÃO DETALHADA DA INVENÇÃO
[053] A invenção em seu modo preferível de realização, compreende um processo e sistema de análise e gestão hidrológica por meio de uso de Inteligência Artificial (IA) para bacias com redes de estações meteorológicas e sistemas de drenagens artificiais com gerenciamento de barragens naturais e artificiais por meio de eclusas e estações de bombeamento, que oferecem respostas em tempo real ao problema enquanto este ocorre, otimizando deste modo o controle de inundações na bacia a qual a invenção se aplica. Deve-se entender por tempo real, ao tempo de resposta do sistema, dentro da ordem de tempo de evolução do fenômeno meteorológico.
[054] Tanto o processo quanto o sistema combinam meios de diferentes disciplinas. Por meio de da análise de eventos meteorológicos e suas consequências hidrológicas, treina-se um modelo hidrológico integral que é capaz de descrever o estado hidrológico da bacia e fazer previsões de correntes, inundações e secas. Este modelo, compreendido por um grande número de equações multi-parâmetros, calcula cenários do estado hidrológico da bacia para diferentes prognósticos meteorológicos. Desta forma, pode preparar um grande número de situações, previamente à aparição dos mesmos. Com base na ocorrência de um evento meteorológico específico, o sistema seleciona automaticamente a situação calculada que melhor descreve o que foi medido. Desta forma, em poucas horas, tem-se uma previsão hidrológica.
[055] O treinamento do suposto cenário gera como resultado curvas de comportamento da bacia. Estas curvas são a função de transferência (FT) do sistema entre a entrada (chuva e situação atual da bacia) e a saída (cenário pós chuva). É uma função não-linear que depende de centenas de fatores, alguns estocásticas e outras determinísticas que variam com o tempo, a umidade, condições climáticas, temperatura, etc.
[056] CURVA DE COMPORTAMENTO
Figure img0009
[057] A curva de comportamento é uma vinculação complexa de hidrogramas H=f (superfície, DEM, estrutura do solo, etc.), escorrências E=f (H, infiltração, umidade, solo, etc) e inundações A=f (E, Perfil batimétrico), nível de reservatórios NR=F (Volume, Qe vazão de entrada, Qs vazão de saída, evaporação) de cada uma das sub-bacias, vazões , reservas e canais da bacia, e é por isso que o treinamento do suposto cenário gera centenas de curvas de comportamento.
[058] Desta forma, quando uma ocorrência se assemelha ao suposto cenário de chuvas, o sistema já reconhece o comportamento esperado da bacia de forma instantânea. O sistema de análise e gestão hidrológica está configurado para gerar um alerta inicial, e avisar a comunidade. A informação entregue dependerá das condições de previsão de cada região da bacia. Será entregue à parte interessada, organismos pertinentes (Stake Holders) por meio de aplicativos automáticos via telefone celular, e-mails e aplicativos "smart" ou algo semelhante, juntamente com um plano de gestão de controle dos reservatórios, que determina, por exemplo, o bombeamento de água de uma sub-bacia para outra.
[059] Enquanto isso ocorre, o estado de funcionamento do sistema de drenagem é realimentado ao sistema especialista usando as estações de medição em terra, que, através de um conjunto de sensores, instrumentos e computadores que possuem um sistema de comunicações fechado, reclassificam permanentemente as condições de análise para efeitos de manter o balanço de massa da bacia, ou seja, bombear e fechar ou abrir as portas para conduzir água de um reservatório para outro.
[060] Com o passar do tempo, mais informações, tendências e curvas de comportamento da bacia hidrográfica, para diferentes cenários de chuvas, são coletadas nos bancos de dados. Além disso, cada curva de comportamento é parametrizada com as variáveis dos modelos de cada sub-bacia. Estes parâmetros mudam com o tempo, como a estrutura do solo, campos semeados, temperatura, umidade, etc., Este crescente banco de dados alimenta os sistemas assistidos por IA para antecipar o sistema sobre eventos determinísticos e estocásticos.
[061] A calibração do modelo é de modo contínuo e se realiza a cada sub- bacia em particular e proximidades utilizando algoritmos de ajuste por filtragens adaptáveis com os dados medidos, o que será detalhado mais adiante.
[062] Ao tratar-se de um sistema de IA e Machine Learning, o tempo de resposta e a precisão dos resultados melhoram com o uso e aprendizagem que se obtenha a medida que se soma a experiência.
[063] O processo de análise e gestão hidrológica em seu modo de execução preferível, compreende três etapas fundamentais para o desenvolvimento do mesmo, tal como se ilustra no diagrama simplificado da figura 2.
[064] A primeira etapa envolve a medição e o levantamento de dados históricos, na segunda etapa, distinguem-se os sistemas de previsão utilizando métodos de aprendizagem de máquina e o modelado hídrico, devendo ditas previsões ser validadas pelas informações coletadas nas estações de monitoramento de vazão de canais e nível de reservatórios, enquanto que na terceira fase são geradas estratégias de mitigação para minimizar o impacto do evento meteorológico sobre o banco de informações coletadas pelo submódulo de previsão e sua validação constante, somado aos dados socioeconômicos de produção da bacia, coletados dinamicamente.
[065] Desenvolve-se a seguir um detalhamento de cada uma das ditas fases, de acordo com o modo de execução preferível da invenção.
[066] A primeira etapa do processo se destina a medir e levantar dados históricos, como a caracterização da bacia, com ênfase na logística do gerenciamento dos dados e distribuição de estações de monitoramento. O suporte constante deve garantir o funcionamento on-line desta primeira etapa, que alimenta as etapas posteriores, e por isso sua importância no desempenho coletivo do processo é essencial. Um esquema desta primeira etapa é ilustrado na figura 1.
[067] Distribuídos na bacia e em áreas de aporte à bacia, são instaladas estações meteorológicas com aquisição de dados e sistemas de transmissão de dados on-line, via satélite, que se comunicam com o Centro de Aquisição e Banco de Dados. Alguns dos sensores envolvidos no sistema são:
[068] Sensor 1: Sensor de pluviometria.
[069] Sensor 2: Sensor de Evapotranspiração.
[070] Sensor 3: Velocidade do vento.
[071] Sensor 4: Umidade ambiente e do solo.
[072] Sensor 5: Temperatura ambiente.
[073] Sensor 6: Medidores de vazão em canais e rios.
[074] Sensor 7: Altura do nível de lagoas, represas, canais e rios.
[075] Sensor 8: Permeabilidade e percolação.
[076] Outras entradas ao banco de dados são as informações via satélite, que são obtidas por meio de uma ferramenta de acesso automático do sistema no servidor ou banco de dados da empresa que fornece o serviço.
[077] Estes dados via satélite são utilizados para indicar o estado da bacia em seu conjunto, estimar áreas inundadas, áreas secas e acompanhamento e características das tempestades. Permitem também classificar cultivos para estimar o grau de consumo de água de acordo com as características dos mesmos.
[078] Alguns dos dados via satélite são imagens. Podem ser utilizados dois tipos de imagens de satélite:
[079] - Imagens SAR (Radar de abertura sintética), para monitorar a área inundada, e
[080] - Imagens RGB e Multiespectrais, para o cálculo de Índice verde, classificação de cultivos, etc.
[081] Na segunda etapa do processo de análise e gestão hidrológica, de acordo com o modo de execução preferível da invenção, distinguem-se os sistemas de previsão utilizando métodos de aprendizagem de máquina e o modelado hídrico. As previsões são validadas pelas informações coletadas nas estações de monitoramento de vazão de canais e nível de reservatórios.
[082] Nesta segunda etapa do processo, é fundamental o acionamento do módulo de previsão ou previsor.
[083] O módulo previsor consiste do treinamento de uma rede neural artificial ANN (do inglês, Artificial Neural Network) dinâmica para gerar previsões de possíveis áreas inundadas. Estes tipos de redes, de topologia recorrente, utilizam os dados pré-processados coletados pelas estações em terra, via satélites, radares e informações dos sistemas meteorológicos distribuídos, assim como as próprias previsões de rede realizadas em ocasiões passadas. As redes dinâmicas geralmente são mais potentes que as redes estáticas (com uma maior dificuldade de treinamento). Quando dispõe de memória, as redes dinâmicas podem ser treinadas para aprender padrões sequenciais ou variantes no tempo. Esta característica possui aplicações em áreas distintas como a previsão de mercados financeiros, equalização de canais de comunicação, detecção de fase em sistemas de potências, detecção de falhas, reconhecimento de linguagem e previsão meteorológica, entre outras.
[084] Para conseguir prever um padrão temporal, uma ANN requer dois componentes distintos: uma memória e um associador .
[085] A memória é gerada por uma unidade de tempo atrasada (registrador de deslocamento) que constitui o "tapped delay line" (TDL) e armazena informações anteriores relevantes, usadas para melhorar a previsão.
[086] O associador será, por exemplo, uma rede multicamadas do tipo perceptron, eficiente para mapeamentos estáticos complexos não-lineares. Uma topologia de rede que cumpre com estes enunciados é a chamada "Layered Digital Dynamic Network" (LDDN). Cada camada da rede é compreendida pelas seguintes partes:
[087] - Um conjunto de matrizes de pesos sinápticos que entram na camada (de qual pode se conectar de outras camadas ou entradas externas), regras de associação das funções de peso utilizadas para combinar as matrizes de pesos com as entradas e as TDL associadas,
[088] - Um vetor de influência -bias -,
[089] - Regras para as funções de entrada para a rede utilizadas para combinar as saídas das funções de peso com o vetor de bias para produzir a entrada da rede, e
[090] - Uma função de transferência.
[091] Um exemplo de uma rede LDDN multicamada é ilustrada na figura 5, em que é mostrado um esquema de uma rede de três camadas (layers), em que a variável LW significa o peso das camadas ocultas, IW é o peso na camada de entrada, B representa a unidade de bias e f é a função de transferência entre camadas.
[092] Serão então necessárias tantas redes quanto áreas a realizar prognóstico. Cada rede deve ser treinada com as variáveis disponíveis da área e com os dados previamente revelados, determinando a existência ou não de terreno inundado com nível de água.
[093] O treinamento deste tipo de rede requer pessoal altamente capacitado em hidrologia, redes neurais, machine learning, sistemas de informática e ciências associadas como geologia, topologia, mecânica, eletrônica e comunicações, entre outras; além de necessitar de um número significativo de computadores, para que, conectados entre si em forma vetorial, permitam, em pouco tempo, através dessa análise, conhecer as melhores soluções e de menor impacto socioeconômico para tomar a decisão mais apropriada.
[094] Deve ser realizada uma análise para determinar os melhores parâmetros para melhorar a classificação e o prognóstico. Este trabalho é otimizável por métodos de computação paralela. Para cada instante analisado obtém-se um mapa com os prognósticos de inundação, como mostrado na figura 6. A saída do previsor geral será, então, um mapeamento da bacia com os prognósticos de inundação. Este resultado será utilizado para realizar o cálculo do "hidrograma da bacia", levando em conta também os dados topográficos da mesma. As vazões calculadas serão validadas e esta informação será realimentada para toda a cadeia, com os pontos de medição de vazão em pontos-chave da bacia. Desta forma, o modelo e a rede prognosticadora são atualizados constantemente para melhorar as previsões.
[095] O uso de modelos físicos complexos computacionais do comportamento dinâmico da bacia serve como uma ferramenta de treinamento para o sistema de previsão. O modelo multivariável otimizado com a experiência coletada, permite o treinamento do previsor em casos não registrados anteriormente, permitindo um tempo de resposta baixo, devido ao rápido cálculo das redes neurais. Desta forma, a ferramenta integral de previsão, envolve os tempos de cálculo do modelo físico e do treinamento próprio da rede.
[096] Finalmente, na terceira etapa do processo de análise e gestão hidrológica, de acordo com o modo de execução preferível da invenção, são criadas estratégias de mitigação para minimizar o impacto do evento meteorológico em função da informação coletada pelo submódulo de previsão e sua validação constante, somado aos dados socioeconômicos de produção da bacia, coletados dinamicamente.
[097] O software de avaliação está baseado em um Sistema de Informação Geográfica GIS (Geographical Information System), que usa de entrada o resultado da previsão da inundação, geograficamente dividido em células. Cada célula contém a informação do nível de água presente nesta área de avaliação. Desta forma, o evento é analisado em forma de camadas (rasters), as quais sobrepostas indicam as áreas problemáticas e as possíveis áreas para realizar as manobras de atuação.
[098] As camadas de avaliação em cada célula tem um valor de peso de incidência. Por exemplo, se a camada representa densidade populacional, na área agrícola, o valor será próximo a zero, enquanto que na área urbana será muito maior.
[099] Além disso, de acordo com o peso de incidência que cada camada possui, será a relevância que se dará perante ao evento. Por exemplo, se for conferido menor peso para a atividade pecuária em frente à atividade agrícola, o sistema tenderá a inundar mais para a área de atividade agrícola, partindo da base de que será mais fácil de levar o gado para outra área mais alta ou segura do que mover um campo semeado. Um exemplo desta análise em forma de camadas é ilustrada no esquema da figura 7.
[0100] Deste modo, cada camada será ponderada por um peso, relacionado com as prioridades socioeconômicas.
[0101] O módulo de decisão assistido por IA com algoritmos de otimização vetorial MCDA (do Inglês Multi-Criteria Decision Analysis) é o encarregado de encontrar as áreas de inundação, que minimizam o impacto socioeconômico da bacia. Este módulo de decisão compreende um centro de computação distribuído e multitarefa.
[0102] O resultado é um único raster com níveis de água produto da sobreposição de todas as camadas de entrada. Com este resultado, o módulo de decisão realiza a simulação de operação de comportas e de bombas necessárias para que a bacia alcance o estado exigido em um tempo determinado.
[0103] Uma vez determinado que volumes de água devem ser mobilizados e para onde, para conseguir o controle da inundação de acordo com os critérios de proteção eleitos, é gerado o relatório de operação em uma central de controle, a partir da qual se ordena e comanda o acionamento de comportas e de estações de bombeamento disponíveis para o controle da drenagem.
[0104] A central de controle respeita um padrão normalizado, de acordo com as normas internacionais de interface homem-máquina de segurança e confiabilidade. No modo de execução preferível, a central de controle é composta de três setores a definir de acordo com a aplicação, mas sempre mantendo os mais elevados padrões de segurança.
[0105] Um setor é o fornecimento de energia normal de linha e de segurança ou suporte ininterrupto a baterias. O segundo setor é a sala de equipamentos de climatização para ajuste ambiental, de acordo com o equipamento utilizado e as condições da área, no sentido de que o terceiro setor é compreendido por duas partes: a sala de operação do sistema, que se subdivide em exibição, cálculo on-line, algoritmos e modelagem; e a sala de servidores que contém o sistema de comunicações.
[0106] No dito centro de controle e tomada de decisões serão disponibilizadas todas as informações de forma online para que as decisões possam ser tomadas rapidamente.
[0107] Desta forma, serão geradas estratégias para:
[0108] - Proteger populações.
[0109] - Proteger as áreas mais produtivas.
[0110] - Proteger as terras melhores, mais produtivas e os pontos estratégicos da bacia.
[0111] - Armazenar água em áreas não aproveitáveis para o uso na irrigação em futuras secas.
[0112] Outra vantagem da presente invenção, em comparação com o estado da técnica conhecido, é que o gerenciamento dos recursos hídricos disponíveis permite a obtenção de um subproduto de importância estratégica como é a geração de energia elétrica, utilizando, por exemplo, sistemas avançados de conversão, como geradores de baixa velocidade e turbinas de rio passante.
[0113] A resolução do processo posto em marcha pelo sistema, de acordo com o modo de execução preferível da invenção, consiste na análise de um balanço de massa originado pelo volume de entrada, de saída, e retido em cada célula em estudo em que se subdivide o sistema. Assim, no domínio de cada célula, o sistema resolve a seguinte equação:
[0114]
Figure img0010
[0115] Em que:
[0116] "i"é o número de célula que corresponde à subdivisão do sistema adotado.
[0117]
Figure img0011
é o volume de entrada na célula "i".
[0118]
Figure img0012
é o volume de saída da célula "i".
[0119]
Figure img0013
é o volume retido pela célula "i".
[0120] A escolha do número e da superfície de cada célula em estudo define- se em função da precisão necessária das variáveis a determinar em cada setor do sistema. Assim, cada sistema será dividido em células de maior ou menor tamanho densificando a quantidade de células em função da importância econômica, social e ambiental da área em estudo.
[0121] O volume de entrada v} é determinado pelos aportes verticais e horizontais. O aporte vertical principal é a precipitação, enquanto que o horizontal corresponde ao volume de saída Vl'+'lí das células adjacentes, que é causado por um escoamento horizontal na superfície e por outro subterrâneo.
[0122] Portanto:
[0123]
Figure img0014
[0124] Em que:
[0125] V1P é o volume de entrada por precipitação.
[0126]
Figure img0015
é o volume de superfície que entra na célula "i" em estudo, proveniente de uma célula "i+n" adjacente a que está em estudo.
[0127]
Figure img0016
é o volume subterrâneo que entra na célula "i" em estudo, proveniente de uma célula "i+n" adjacente a que está em estudo.
[0128] O volume de saída de cada célula se origina por volumes de saída verticais e horizontais.
[0129] Os volumes verticais são os originados pela evaporação de superfícies líquidas produto da irradiação solar e da temperatura (mm/tempo), pela evapotranspiração (dependendo da vegetação natural ou de cultivo) e pela infiltração (variável com o tipo de solo e grau de saturação e nível freático do terreno existente em cada célula em estudo).
[0130] Os volumes horizontais, por outro lado, são determinados pelo volume de saída em um determinado período de tempo (vazão) possível de transferir para células adjacentes por meio de canais naturais ou artificiais.
[0131] A diferença entre o volume de entrada V} e de saída de cada célula pode ser positiva ou negativa. No caso de ser positiva, isto é, que o volume de entrada seja maior do que o de saída, se origina um volume retido na célula em estudo, que pode ser alojado ou represado de forma controlada por meio de reservatórios naturais ou artificiais, ou de forma não controlada, produzindo inundações não desejadas em áreas da célula.
[0132] O volume represado pode ser progressivamente desalojado ao longo do tempo por meio de distribuição dos reservatórios artificiais, ou seja, aberturas de comportas ou descarregadores, ou por meio de estações de bombeamento, localizados em reservatórios naturais definidos para tal fim, dessa forma distribuindo ao longo do tempo o volume de saída de cada célula para os fins de aliviar ou evitar inundações em células localizadas a jusante.
[0133] No caso do balanço ser negativo, ou seja, se o volume de saída for maior do que o de entrada V} em períodos de pouca precipitação, então, poderá ser utilizado o volume retido em reservatórios naturais ou artificiais, tanto superficiais quanto subterrâneos, para tentar equilibrar a equação e solucionar períodos de seca. O gerenciamento dos volumes de água nos diferentes reservatórios é realizado com o gerenciamento das bombas e comportas disponíveis e interligadas na bacia.
[0134] O que foi descrito anteriormente inclui exemplos de um ou mais modos de execução. Naturalmente, não é possível descrever cada uma das possíveis combinações de componentes ou metodologias, a fim de descrever os modos de execução acima mencionados, mas uma pessoa técnica no assunto de nível médio pode reconhecer que são possíveis muitas outras combinações e permutações de diversos modos de execução. Por isso, os modos de execução descritos são destinadas a abranger a totalidade de ditas alterações, modificações e variações que se encontrem dentro do alcance das reivindicações que seguem abaixo.

Claims (16)

  1. 01. Um processo de análise e gestão hidrológica para bacias, caracterizado por compreender as etapas de: medir e levantar dados históricos por meio de estações meteorológicas previamente instaladas e distribuídas na bacia, ditas estações dotadas de uma série de sensores e meios para aquisição de dados e sistemas de transmissão capazes de transmitir ditos dados online para um centro de aquisição e banco de dados, prever o comportamento da bacia perante um evento meteorológico por meio de um módulo previsor que compreende uma rede neural artificial dinâmica treinada para gerar previsões em função dos dados pré-processados coletados por estações meteorológicas próximas e das próprias previsões da rede neural para eventos anteriores, e gerar e fornecer estratégias de mitigação para minimizar o impacto do evento meteorológico com base nas informações coletadas, em que gerar ditas estratégias compreende: avaliar os dados por meio de um sistema de informação geográfica que divide a área de avaliação em células de acordo com o prognóstico de inundação e a informação do nível de água presente na dita área, analisar o evento em forma de camadas sobrepostas, com diferentes valores de peso de incidência de cada determinados por informações socioeconômicas, obter como resultado, por meio de um módulo de decisão assistido por IA com algoritmos de otimização vetorial MCDA, uma única camada com níveis de água produto da sobreposição de todas as camadas analisadas que minimizam o impacto socioeconômico da bacia, e realizar a simulação de operação de comportas e bombas necessárias para que a bacia alcance o estado exigido em um tempo determinado, estabelecendo os volumes de água que devem ser mobilizados e em qual direção, para obter controle sobre a inundação de acordo com os critérios de proteção eleitos; e em que fornecer ditas estratégias de mitigação compreende: gerar o relatório de operação e enviá-lo on-line para uma central de controle, da qual se ordena e comanda o acionamento de comportas e de estações de bombeamento disponíveis para o controle da drenagem.
  2. 02. Processo de análise e gestão hidrológica para bacias de acordo com a reivindicação 01, caracterizado pela etapa de medir e levantar dados históricos ser implementada por meio de, pelo menos, sensores pluviometria, evapotranspiração, de velocidade do vento, da umidade ambiente e do solo, de temperatura ambiente, de medidores de vazão em canais e rios, de altura do nível de lagoas, represas, canais e rios e de permeabilidade e percolação, instalados nas estações meteorológicas.
  3. 03. Processo de análise e gestão hidrológica para bacias de acordo com as reivindicações 01 e 02, caracterizado pela etapa de medir e levantar dados históricos também ser implementado por meio de imagens via satélite que permitem visualizar o estado da bacia em seu conjunto, podendo essas imagens ser do tipo SAR (Radar de abertura sintética) ou do tipo RGB e multiespectrais.
  4. 04. Processo de análise e gestão hidrológica para bacias de acordo com a reivindicação 01, caracterizado pela etapa de prever o comportamento da bacia perante um evento meteorológico compreender o passo prévio para treinar a rede neural dinâmica do módulo previsor para aprender padrões sequenciais ou variantes no tempo, compreendendo para o efeito, dita rede, pelo menos uma memória e um associador.
  5. 05. Processo de análise e gestão hidrológica para bacias de acordo com as reivindicações 01 e 04, caracterizado pela etapa de prever o comportamento da bacia perante um evento meteorológico compreender também a etapa de emitir um mapeamento da bacia com os prognósticos de inundação por meio do módulo previsor, e posteriormente realizar o cálculo do hidrograma da bacia em estudo, utilizando-se também os dados topográficos da mesma, compreendendo as etapas de validar as vazões calculadas e realimentar toda a cadeia com os pontos de medição de vazão em pontos-chave da bacia, de modo a atualizar o modelo previsor e a rede de modo constante para melhorar futuras previsões.
  6. 06. Processo de análise e gestão hidrológica para bacias de acordo com a reivindicação 01, caracterizado pela etapa de gerar e fornecer estratégias de mitigação para minimizar o impacto do evento meteorológico com base na informação coletada, em que gerar tais estratégias compreende: avaliar os dados por meio de um sistema de informação geográfica que divide a área de avaliação em células de acordo com o prognóstico de inundação e a informação do nível de água presente na dita área, analisar o evento em forma de camadas sobrepostas, com diferentes valores de peso de incidência de cada determinados por informações socioeconômicas, obter como resultado, por meio de um módulo de decisão assistido por IA com algoritmos de otimização vetorial MCDA, uma única camada com níveis de água produto da sobreposição de todas as camadas analisadas que minimizam o impacto socioeconômico da bacia, e realizar a simulação de operação de comportas e bombas necessárias para que a bacia alcance o estado exigido em um tempo determinado, estabelecendo os volumes de água que devem ser mobilizados e em qual direção, para obter controle sobre a inundação de acordo com os critérios de proteção eleitos; e em que fornecer ditas estratégias de mitigação compreende: gerar o relatório de operação e enviá-lo on-line para uma central de controle, da qual se ordena e comanda o acionamento de comportas e de estações de bombeamento disponíveis para o controle da drenagem.
  7. 07. Processo de análise e gestão hidrológica para bacias de acordo com a reivindicação 01, caracterizado pela etapa de gerar e fornecer estratégias de mitigação para minimizar o impacto do evento meteorológico compreender também a etapa de analisar um balanço de massa causado pelo volume de água de entrada, de saída e retido em cada célula em estudo nas quais a área de avaliação foi subdividida, em que o domínio de cada uma dessas células se resolve a seguinte equação:
    Figure img0017
    em que "i" é o número de célula que corresponde à subdivisão do sistema adotado,
    Figure img0018
    é o volume de entrada na célula "i",
    Figure img0019
    é o volume de saída da pilha "i" e
    Figure img0020
    é o volume retido pela célula "i".
  8. 08. Processo de análise e gestão hidrológica para bacias de acordo com a reivindicação 07, caracterizado pelo volume de entrada ser calculado a partir da seguinte equação:
    Figure img0021
    Em que VIP é o volume de entrada por precipitação, V^n é o volume de superfície que entra na célula "i" em estudo proveniente de uma célula "i+n" adjacente a que está em estudo e v£u é o volume subterrâneo que entra na célula "i" em estudo, proveniente de uma célula "i+n" adjacente a que está em estudo.
  9. 09. Processo de análise e gestão hidrológica para bacias de acordo com a reivindicação 07, caracterizado pelo volume de saída de cada célula se originar por volumes de saída verticais e horizontais, em que ditos volumes verticais são originados pela evaporação de superfícies líquidas produto da irradiação solar e da temperatura, pela evapotranspiração e pela infiltração; enquanto que os volumes horizontais são determinados pelo volume de saída em um determinado período de tempo (vazão) possível de transferir para células adjacentes por meio de canais naturais ou artificiais.
  10. 10. Processo de análise e gestão hidrológica para bacias de acordo com a reivindicação 01, caracterizado pelo gerenciamento dos recursos hídricos disponíveis permitir gerar energia elétrica utilizando sistemas avançados de conversão, como geradores de baixa velocidade e turbinas de rio passante.
  11. 11. Sistema de análise e gestão hidrológica para bacias para implementar o processo de reivindicação 01, caracterizado por compreender: uma série de estações meteorológicas distribuídas na bacia configuradas para adquirir dados e um sistema de transmissão de dados on-line via satélite que se comunica com um centro de aquisição e banco de dados; um módulo previsor que compreende uma rede neural artificial ANN dinâmica, treinada para gerar previsões de possíveis áreas inundadas por meio dos dados pré-processados coletados anteriormente, em que a dita previsão se conforma ao modo de mapeamento da bacia; um dispositivo informático de avaliação configurado para: receber o mapeamento gerado pelo previsor, dividir a área de avaliação em células, em que cada célula contém a informação do nível de água em cada área de avaliação, e analisar o evento em forma de camadas sobrepostas, com diferentes valores de peso de incidência de cada determinados por informações socioeconômicas; um módulo de decisão assistido por IA com algoritmos de otimização vetorial MCDA configurado para: encontrar as áreas de inundação que minimizam o impacto socioeconômico da bacia, definir como resultado uma única camada com níveis de água produto da sobreposição de todas as camadas de entrada, e realizar a simulação de operação de comportas e bombas necessárias para levar a bacia ao estado requerido em tempo previamente determinado; e uma central de controle dotada de meios de fornecimento de energia permanente, servidores com sistema de comunicação e uma série de computadores configurados para dispor de toda a informação on-line, gerar o relatório de operação e ordenar e dirigir o acionamento de comportas e de estações de bombeamento disponíveis para o controle da drenagem; e uma série de comportas e de estações de bombeamento dispostas em toda a bacia para tal efeito.
  12. 12. Sistema de análise e gestão hidrológica para bacias de acordo com a reivindicação 11, caracterizado pelas estações meteorológicas distribuídas na bacia compreenderem, pelo menos, sensores de pluviometria, de evapotranspiração, de velocidade do vento, da umidade ambiente e do solo, de temperatura ambiente, de medidores de vazão em canais e rios, de altura do nível de lagoas, represas, canais e rios e de permeabilidade e percolação.
  13. 13. Sistema de análise e gestão hidrológica para bacias de acordo com a reivindicação 11, caracterizado por esse módulo previsor com uma rede neural artificial ANN dinâmica compreender uma memória e um associador, em que dita memória é gerada por uma unidade de tempo atrasada (registrador de deslocamento) que constitui o "tapped delay line" (TDL) e armazena informações anteriores relevantes, usadas para melhorar a previsão, enquanto que o associador pode ser, entre outras, uma rede multicamadas do tipo perceptron.
  14. 14. Sistema de análise e gestão hidrológica para bacias de acordo com a reivindicação 13, caracterizado por cada camada da rede compreender, pelo menos, um conjunto de matrizes de pesos sinápticos que entram na camada, regras de associação das funções de peso utilizadas para combinar as matrizes de pesos com as entradas e as TDL associadas, um vetor de influência bias , regras para as funções de entrada da rede utilizadas para combinar as saídas das funções de peso com o vetor de bias para produzir a entrada na rede, e uma função de transferência.
  15. 15. Sistema de análise e gestão hidrológica para bacias de acordo com a reivindicação 13, caracterizado por esse módulo previsor ser configurado para ser treinado por meio de um modelo multivariável.
  16. 16. Sistema de análise e gestão hidrológica para bacias de acordo com a reivindicação 11, caracterizado pelo dito módulo de decisão assistido por IA compreender um centro de computação distribuído e multitarefa.
BR102019003180-8A 2018-02-16 2019-02-15 processo e sistema de análise e gestão hidrológica para bacias BR102019003180B1 (pt)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
AR20180100382 2018-02-16
ARP180100382A AR109623A1 (es) 2018-02-16 2018-02-16 Proceso y sistema de análisis y gestión hidrológica para cuencas

Publications (2)

Publication Number Publication Date
BR102019003180A2 BR102019003180A2 (pt) 2019-09-10
BR102019003180B1 true BR102019003180B1 (pt) 2021-05-25

Family

ID=65351664

Family Applications (1)

Application Number Title Priority Date Filing Date
BR102019003180-8A BR102019003180B1 (pt) 2018-02-16 2019-02-15 processo e sistema de análise e gestão hidrológica para bacias

Country Status (9)

Country Link
US (2) US11295214B2 (pt)
EP (1) EP3534187B1 (pt)
JP (1) JP7001626B2 (pt)
AR (1) AR109623A1 (pt)
BR (1) BR102019003180B1 (pt)
CO (1) CO2018010363A1 (pt)
ES (1) ES2894877T3 (pt)
MY (1) MY193943A (pt)
PT (1) PT3534187T (pt)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4116897A1 (en) 2021-07-06 2023-01-11 Enrique Menotti Pescarmona Process and system of management and analysis for agricultural production

Families Citing this family (123)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292527B (zh) * 2017-06-30 2020-07-31 安徽工业大学 一种城市排水系统性能评估方法
US11906621B2 (en) * 2018-12-21 2024-02-20 Climate Llc Quantitative precipitation estimate quality control
CN110232471B (zh) * 2019-05-08 2021-07-02 中国水利水电科学研究院 一种降水传感网节点布局优化方法及装置
CN110599003B (zh) * 2019-08-22 2022-03-04 武汉大学 一种基于完全信息动态非合作主从博弈的蓄滞洪区分洪量分配方法
CN110717232B (zh) * 2019-09-11 2020-09-29 中国水利水电科学研究院 一种考虑梯田淤地坝影响的子流域汇流模拟方法
WO2021071985A1 (en) * 2019-10-07 2021-04-15 Rsa Protective Technologies, Llc Surface water management system including weir wall and detention pond
CN111027175B (zh) * 2019-11-06 2021-09-24 中国地质大学（武汉） 基于耦合模型集成模拟的洪水对社会经济影响的评估方法
CN112784395B (zh) * 2019-11-08 2023-01-03 天津大学 一种预测和模拟河流水体总磷浓度的方法
CN111079065B (zh) * 2019-11-14 2023-04-25 河海大学 一种时空动态优化的嵌套式自稳定汇流演算方法
CN110929359B (zh) * 2019-11-20 2023-09-22 合肥泽众城市智能科技有限公司 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法
CN111090934B (zh) * 2019-12-12 2022-06-10 首都师范大学 基于雨量和空间划分的降水-径流-淹没模拟方法
CN111159149B (zh) * 2019-12-13 2023-06-30 国网浙江省电力有限公司紧水滩水力发电厂 一种基于三维卷积神经网络的河流流量预测方法
CN111046574B (zh) * 2019-12-20 2022-03-11 武汉大学 一种平原湖区湖河闸泵系统防洪排涝演算方法
CN111222227B (zh) * 2019-12-27 2023-06-30 中国煤炭地质总局地球物理勘探研究院 一种矿井曲线确定方法及系统
CN111062361B (zh) * 2019-12-27 2023-06-20 中水北方勘测设计研究有限责任公司 一种河湖岸线采砂监测分析的方法及装置
WO2021155074A1 (en) * 2020-01-29 2021-08-05 EmNet, LLC Systems and methods relating to effective management of fluid infrastructure
JP7087231B2 (ja) * 2020-01-31 2022-06-21 株式会社エナジーフロント 河川や水路のセンシング・予測システムおよび制御システム
CN111340224B (zh) * 2020-02-27 2023-11-21 浙江芯劢微电子股份有限公司 适用于低资源嵌入式芯片的cnn网络的加速设计方法
US11674279B1 (en) * 2020-03-27 2023-06-13 O'Brien Engineering, Inc. Water supply control system that implements safety controls and uses simulation to prevent commands that would cause or worsen flooding
CN111461421B (zh) * 2020-03-28 2021-02-09 华中科技大学 一种基于互馈关系解析的梯级水库风险评估方法及系统
CN111460742B (zh) * 2020-03-31 2023-04-07 长江勘测规划设计研究有限责任公司 一种城市河湖水网防洪及雨洪资源利用模型构建方法
CN111539597B (zh) * 2020-04-01 2022-02-22 河海大学 一种网格化的流域社会经济干旱评估方法
JP7379261B2 (ja) * 2020-04-08 2023-11-14 東日本旅客鉄道株式会社 豪雨時の河川氾濫予測方法および河川氾濫予測装置
CN111523089B (zh) * 2020-04-19 2023-05-02 长江水资源保护科学研究所 基于水位～湖容关系的候鸟越冬期湖泊试验性水位调控方法
CN111401666B (zh) * 2020-04-28 2021-07-27 中国水利水电科学研究院 一种利用预报误差开展上游水库群影响下径流预报的方法
CN111581828B (zh) * 2020-05-11 2022-06-03 福建省水利水电勘测设计研究院有限公司 一种感潮河段闸下水位流量关系的计算方法
CN111611226B (zh) * 2020-05-19 2022-04-29 厦门理工学院 一种基于swat模型的水文模拟方法和装置
CN111680267B (zh) * 2020-06-01 2022-04-01 四川大学 一种大坝安全监测数据异常的三段进阶式在线辨识方法
CN111832810B (zh) * 2020-06-23 2023-06-27 西安电子科技大学 洪水预报模型、信息处理方法、存储介质、计算机设备
CN111815043B (zh) * 2020-06-30 2024-02-02 中国科学院地理科学与资源研究所 一种基于暴雨特征的洪水流量预测方法及系统
US11501190B2 (en) * 2020-07-02 2022-11-15 Juniper Networks, Inc. Machine learning pipeline for predictions regarding a network
CN111898314B (zh) * 2020-07-15 2024-03-08 中国科学院空天信息创新研究院 湖泊水体参数检验方法、装置、电子设备及存储介质
CN111914488B (zh) * 2020-08-14 2023-09-01 贵州东方世纪科技股份有限公司 一种基于对抗神经网络的有资料地区水文参数率定方法
CN111967763B (zh) * 2020-08-17 2021-05-14 水利部交通运输部国家能源局南京水利科学研究院 一种河湖水系连通水安全保障需求适配方法及系统
CN111985106B (zh) * 2020-08-20 2021-10-15 三峡大学 一种基于多点并行校正的分布式水文模型参数率定方法
CN112052635B (zh) * 2020-09-18 2022-06-07 福建省水土保持工作站 一种应用于小流域设计洪水过程线的求解方法
CN112183870B (zh) * 2020-10-09 2023-09-01 黄河水利委员会黄河水利科学研究院 一种基于超定量洪水时变性的设计洪水不确定性分析方法
CN112649898A (zh) * 2020-11-11 2021-04-13 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 一种气象干旱精细化监测方法
CN112466436B (zh) * 2020-11-25 2024-02-23 北京小白世纪网络科技有限公司 基于循环神经网络的智能中医开方模型训练方法及装置
CN112836270B (zh) * 2020-12-22 2023-06-13 中国建设基础设施有限公司 一种应用于预测潜水降水对建筑物沉降影响的方法
CN112668773A (zh) * 2020-12-24 2021-04-16 北京百度网讯科技有限公司 一种入库流量的预测方法、装置及电子设备
CN112801838B (zh) * 2020-12-25 2023-06-16 广州市城市规划勘测设计研究院 一种城市湿地生态单元划分方法、装置及其存储介质
CN112700141B (zh) * 2020-12-30 2021-11-19 哈尔滨工业大学 一种城市排水管网在线分析方法
CN112836441B (zh) * 2020-12-31 2022-05-17 中国电建集团中南勘测设计研究院有限公司 一种河道模型的生态调度模拟分析方法
CN112700148B (zh) * 2021-01-05 2023-02-10 黄河勘测规划设计研究院有限公司 流域高质量发展综合评价信息管理系统
CN113269383B (zh) * 2021-01-05 2023-11-14 黄河勘测规划设计研究院有限公司 基于系统科学的流域高质量发展综合评价方法及装置
CN112800696A (zh) * 2021-01-15 2021-05-14 北京林业大学 一种水土保持措施空间配置与水文过程耦合方法
US20220228356A1 (en) * 2021-01-21 2022-07-21 Arcadis U.S., Inc. Actionable stormwater services platform
US20220253757A1 (en) * 2021-02-06 2022-08-11 Grownetics, Inc. Metaheuristics optimizer for controlled environment agriculture
CN113006231B (zh) * 2021-02-22 2022-11-15 上海碧波水务设计研发中心 基于模型的区域排水提标控污运行调度模式的确定方法
CN113155102B (zh) * 2021-02-24 2021-11-19 时代云英(深圳)科技有限公司 一种河流综合治理系统
CN113011662B (zh) * 2021-03-25 2022-08-23 河海大学 一种区域企厂网河一体化联合优化调度的系统及方法
CN112990739B (zh) * 2021-03-31 2022-05-17 清华大学 基于多介质污染特征识别的磷矿区水环境风险评估方法
CN113177702B (zh) * 2021-04-16 2024-02-06 北京农业信息技术研究中心 一种气象输入数据匹配方法及系统
CN112906252B (zh) * 2021-04-27 2021-12-07 中国水利水电科学研究院 一种考虑湖泊水库范围的子流域划分方法
CN113052406A (zh) * 2021-05-12 2021-06-29 河南大学 基于水文连通性的河岸缓冲带水土保持调控方法
CN113221366B (zh) * 2021-05-20 2023-01-31 黄河勘测规划设计研究院有限公司 一种河道动态输沙水量计算方法与系统
CN113269436B (zh) * 2021-05-21 2024-03-15 河海大学 一种基于knn算法的河流幸福等级评估方法
CN113392489B (zh) * 2021-06-07 2022-06-14 广州珠科院工程勘察设计有限公司 一种河道水系分布式水动力模型的计算方法
US20220413181A1 (en) * 2021-06-29 2022-12-29 One Concern, Inc. Coupled pluvial, fluvial, and urban flood tool
CN113344440B (zh) * 2021-06-30 2023-05-23 西北农林科技大学 一种地下水承载力评估模型的构建方法
CN113469528B (zh) * 2021-06-30 2023-09-12 河海大学 一种考虑时空关联多维不确定性的水库群多目标防洪调度风险分析方法
CN113505546A (zh) * 2021-07-14 2021-10-15 浙江大禹信息技术有限公司 一种洪水风险预测系统
CN113344553A (zh) * 2021-07-20 2021-09-03 中南林业科技大学 一种流域综合管理系统及方法
CN113592186B (zh) * 2021-08-06 2023-02-14 浙江大学 一种基于实测径流数据的水文预报状态变量实时修正方法
CN113610418B (zh) * 2021-08-16 2023-02-28 东莞理工学院 一种基于对冲规则的地表水水量滚动分配方法
CN113723024B (zh) * 2021-08-30 2024-04-05 浙江大学 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法
CN113837450B (zh) * 2021-09-03 2022-09-30 珠江水利委员会珠江水利科学研究院 基于深度学习的河网密集流域水情趋势预测方法及其应用
CN113886769B (zh) * 2021-09-18 2022-08-26 中国科学院空天信息创新研究院 一种基于流域系统的稳定性评估及预估方法
CN113793070B (zh) * 2021-10-09 2022-07-05 江苏弗雷恩德科技有限公司 一种水利规划建设评估方法
CN113919806B (zh) * 2021-10-11 2022-07-19 昆仑(重庆)河湖生态研究院(有限合伙) 一种防洪救灾管理系统
CN113641733B (zh) * 2021-10-18 2022-01-07 长江水利委员会水文局 一种河道断面流量实时智能推求方法
CN113863464A (zh) * 2021-10-20 2021-12-31 中铁二十一局集团路桥工程有限公司 城市下穿地道排水系统优化方法
US20230161072A1 (en) * 2021-11-23 2023-05-25 At&T Intellectual Property I, L.P. Predictive Hydrological Impact Diagnostic System
JP2023084166A (ja) * 2021-12-07 2023-06-19 株式会社荏原製作所 排水ポンプ装置、排水ポンプ管理システム、排水ポンプ支援計画作成装置、推論装置、機械学習装置、排水ポンプ支援計画作成方法、推論方法、及び、機械学習方法
CN113887847B (zh) * 2021-12-08 2022-03-11 中国水利水电科学研究院 一种基于WRF-Hydro模型的混合产流区次洪预报方法
CN114416692B (zh) * 2021-12-27 2023-06-09 重庆市生态环境大数据应用中心 一种构建流域水环境管理数据资源体系的方法
CN114330168B (zh) * 2021-12-30 2022-06-21 中国科学院力学研究所 一种动态评价边坡安全性的方法
CN114282392A (zh) * 2022-01-04 2022-04-05 中国科学院西北生态环境资源研究院 一种观测高寒湖泊地气相互作用过程的布点方法
CN114266174B (zh) * 2022-03-02 2022-05-17 武汉大学 一种基于多水文变量的水文模型参数率定方法
CN114580316B (zh) * 2022-03-03 2022-09-13 中国水利水电科学研究院 一种基于二维-零维耦合模型的小水库洪水位预报方法
CN114580910B (zh) * 2022-03-04 2022-09-20 河南大学 一种考虑道路影响的流域泥沙连通性评价方法
CN114660268B (zh) * 2022-03-22 2023-06-20 中铁水利水电规划设计集团有限公司 水库淹没区的抬田区耕地保水层渗流监测系统
CN114386882B (zh) * 2022-03-23 2022-06-28 长江勘测规划设计研究有限责任公司 基于水工程调度效果互馈的超标准洪水风险调控方法
CN114970082B (zh) * 2022-03-30 2023-03-31 武汉大学 非一致性设计洪水估计方法
CN114707753B (zh) * 2022-04-25 2022-12-09 河海大学 区域化lstm洪水预报方法
KR20230164887A (ko) * 2022-05-26 2023-12-05 (주)컨텍 위성영상을 활용한 재난재해 대응 시스템
CN115034160B (zh) * 2022-06-28 2023-04-21 河海大学 一种基于马斯京根法参数转换为等效河道的计算方法
CN115169263B (zh) * 2022-07-19 2023-01-20 中国科学院地理科学与资源研究所 基于TVGM-Budyko耦合模型的多时间尺度径流变化归因分析方法
CN115081341B (zh) * 2022-07-25 2022-11-11 江西武大扬帆科技有限公司 一种流域洪水仿真预警方法及系统
NL2032713B1 (en) * 2022-08-10 2024-02-16 Xinjiang Inst Eco & Geo Cas Regional Water Resources Optimization Decision Analysis System
JP7242949B1 (ja) 2022-08-24 2023-03-20 応用地質株式会社 浸水域推定シミュレーション方法及び浸水域推定シミュレーション装置
CN115471078B (zh) * 2022-09-15 2024-02-02 镇江市勘察测绘研究院有限公司 一种基于城市水务系统的洪涝风险点评估方法及装置
CN115798147A (zh) * 2022-09-22 2023-03-14 广东省水文局惠州水文分局 一种实时洪水预报及洪灾模拟的方法和系统
CN115659654B (zh) * 2022-10-28 2023-06-27 四川大学 一种研究河流汛期的滩区有机饵料入河补给量的计算方法
CN115422782B (zh) * 2022-11-03 2023-01-13 北京恒润安科技有限公司 一种基于水文模型的洪水预报系统
CN115759403B (zh) * 2022-11-15 2023-12-15 东北农业大学 一种针对寒区水循环过程的动态组合预测模型构建方法
CN115935626B (zh) * 2022-11-25 2023-09-08 河南大学 河水-地下水垂向瞬态交互水流通量的反演方法
CN115600822B (zh) * 2022-11-28 2023-02-28 水利部水利水电规划设计总院 跨省江河流域初始水权分配方法和系统
CN115994655A (zh) * 2022-12-02 2023-04-21 广东省水利水电科学研究院 平原河网区小型灌区灌溉用水配置方法、计算机装置及存储介质
CN115907436B (zh) * 2023-01-10 2023-05-05 河海大学 基于量质耦合预报的水资源水环境调控方法和系统
CN116186183B (zh) * 2023-01-16 2024-01-02 长江勘测规划设计研究有限责任公司 一种水网导航系统及其构建方法
CN115876170B (zh) * 2023-01-18 2023-05-09 山西旭睿金盟科技有限公司 一种河道过流面积检测装置及检测方法
CN116595345A (zh) * 2023-03-28 2023-08-15 中国长江电力股份有限公司 一种自动化次洪划分与退水修正方法及系统
CN116432551B (zh) * 2023-03-30 2023-12-15 西北农林科技大学 基于卫星图像和cfd的河流交汇区水质分布仿真方法
CN116151487B (zh) * 2023-04-19 2023-07-07 中国石油大学(华东) 预测海面溢油轨迹的物理知识与数据混合驱动的预测算法
CN116202576B (zh) * 2023-05-06 2023-09-26 广东广宇科技发展有限公司 一种城市水利的河湖动态管理的监测方法及系统
CN116644571A (zh) * 2023-05-23 2023-08-25 中国科学院重庆绿色智能技术研究院 河湖系统水量交换过程数值模拟方法
CN116415755B (zh) * 2023-05-26 2023-11-21 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) 一种基于条件概率分布的径流变异程度评估方法
CN116385735B (zh) * 2023-06-01 2023-09-01 珠江水利委员会珠江水利科学研究院 一种基于图像识别的水位测量方法
CN116451879B (zh) * 2023-06-16 2023-08-25 武汉大学 一种干旱风险预测方法、系统及电子设备
CN116523269B (zh) * 2023-07-03 2023-09-15 中国水利水电科学研究院 一种基于模型预测控制的河网动态智能调控方法
CN116756481B (zh) * 2023-07-03 2024-01-30 中国科学院地理科学与资源研究所 基于时变增益模型和Copula的流域未来水文干旱概率分析方法
CN116579584B (zh) * 2023-07-11 2023-10-03 中国市政工程华北设计研究总院有限公司 基于城市超量径流安全管控的多级行泄空间优化组合方法
CN116630122B (zh) * 2023-07-24 2023-09-19 水利部交通运输部国家能源局南京水利科学研究院 基于水文-生态响应关系的湖泊生态水力调控方法及系统
CN116882718B (zh) * 2023-09-08 2023-12-01 湖南大学 高温干旱天气下配电网和流域网灵活性资源聚合调控方法
CN116932990B (zh) * 2023-09-14 2024-01-09 南方科技大学 一种基于转换函数方法的水文地质参数估计方法及系统
CN117236565B (zh) * 2023-11-10 2024-04-05 韩宇 一种流域水环境智慧化管理方法
CN117291432B (zh) * 2023-11-27 2024-02-23 安徽金海迪尔信息技术有限责任公司 一种基于人工智能的水资源调度监测系统
CN117332908B (zh) * 2023-12-01 2024-02-13 长江水利委员会水文局 一种耦合集合预报的梯级水库多目标优化调度方法及系统
CN117408173B (zh) * 2023-12-16 2024-03-01 长江水利委员会水文局长江中游水文水资源勘测局 一种基于机器学习的水文流量整编智能模型构建方法
CN117473791B (zh) * 2023-12-22 2024-03-29 水发科技信息(山东)有限公司 一种基于人工智能的公共数据储存管理系统
CN117541068B (zh) * 2024-01-10 2024-04-02 武汉华测卫星技术有限公司 基于无人船的崩岸风险评估方法及系统

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08180109A (ja) * 1994-12-26 1996-07-12 Hitachi Ltd 河川管理施設運用方法及び運転員訓練システム
JP2000257140A (ja) 1999-03-09 2000-09-19 Toshiba Corp 雨水流入量予測装置及び雨水流入量予測方法
JP2002038456A (ja) 2000-07-25 2002-02-06 Toshiba Corp 治水支援装置
JP2002298063A (ja) 2001-03-30 2002-10-11 Original Engineering Consultants Co Ltd 浸水予測と排水管理をするためのリアル浸水マップシステムおよびその方法
AU2002337963A1 (en) 2001-10-22 2003-05-06 Emery, Coppola, J. , Jr. Neural network based predication and optimization for groundwater / surface water system
JP4261278B2 (ja) 2002-09-17 2009-04-30 株式会社東芝 水防支援装置及びプログラム並びに水防支援方法
US6947842B2 (en) * 2003-01-06 2005-09-20 User-Centric Enterprises, Inc. Normalized and animated inundation maps
US6889141B2 (en) * 2003-01-10 2005-05-03 Weimin Li Method and system to flexibly calculate hydraulics and hydrology of watersheds automatically
WO2006002687A2 (en) 2004-06-30 2006-01-12 Swiss Reinsurance Company Method and system for automated location-dependent recognition of flood risks
US7136756B1 (en) * 2004-11-02 2006-11-14 Vieux And Associates, Inc. Method for determining runoff
US7353113B2 (en) * 2004-12-07 2008-04-01 Sprague Michael C System, method and computer program product for aquatic environment assessment
JP5289474B2 (ja) 2005-02-25 2013-09-11 株式会社東芝 雨水排水支援制御装置
EP2526534B1 (en) 2010-01-19 2013-10-23 Swiss Reinsurance Company Ltd. Method and system for automated location dependent natural disaster forecast
KR101138098B1 (ko) 2010-10-22 2012-04-24 한국수자원공사 댐군 홍수조절 연계운영 시스템 및 연계운영 방법
CN102323970A (zh) 2011-05-19 2012-01-18 河海大学 基于多因子小波神经网络模型的水文时间序列预测方法
US9945980B2 (en) * 2011-10-03 2018-04-17 International Business Machines Corporation System, method and program product for providing infrastructure centric weather forecasts
US9726782B2 (en) 2012-11-30 2017-08-08 International Business Machines Corporation Methods, systems and computer program storage devices for generating a response to flooding
JP6207889B2 (ja) 2013-06-21 2017-10-04 株式会社東芝 浸水予測システム、浸水予測方法およびプログラム
KR20160046016A (ko) 2014-10-17 2016-04-28 삼성디스플레이 주식회사 마스크리스 노광 장치 및 이를 이용한 누적 조도 보정 방법
CN106796749A (zh) 2015-04-06 2017-05-31 株式会社东芝 防灾系统
TWI644119B (zh) * 2016-05-31 2018-12-11 美商亞庫衛德公司 用於預測預報天氣、環境及/或地質條件之影響之方法及系統
CN106384213A (zh) 2016-12-10 2017-02-08 福建四创软件有限公司 基于神经网络算法的智能防汛值班管理方法
US11107025B2 (en) * 2016-12-13 2021-08-31 STREAM METHODS, Inc. System and method for producing and distributing information relevant to water events
CN107239607B (zh) 2017-05-31 2021-02-19 中国水利水电科学研究院 一种模型要素与计算方案管理方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4116897A1 (en) 2021-07-06 2023-01-11 Enrique Menotti Pescarmona Process and system of management and analysis for agricultural production

Also Published As

Publication number Publication date
JP2019194424A (ja) 2019-11-07
ES2894877T3 (es) 2022-02-16
AR109623A1 (es) 2019-01-09
JP7001626B2 (ja) 2022-01-19
US20210326715A1 (en) 2021-10-21
BR102019003180A2 (pt) 2019-09-10
US11348014B2 (en) 2022-05-31
US20190354873A1 (en) 2019-11-21
EP3534187A2 (en) 2019-09-04
MY193943A (en) 2022-11-02
CO2018010363A1 (es) 2019-09-30
EP3534187A3 (en) 2020-07-01
US11295214B2 (en) 2022-04-05
EP3534187B1 (en) 2021-10-20
PT3534187T (pt) 2022-01-25

Similar Documents

Publication Publication Date Title
BR102019003180B1 (pt) processo e sistema de análise e gestão hidrológica para bacias
Levy Multiple criteria decision making and decision support systems for flood risk management
Looper et al. An assessment of distributed flash flood forecasting accuracy using radar and rain gauge input for a physics-based distributed hydrologic model
Mujumdar et al. Floods in a changing climate: hydrologic modeling
Kazeminezhad et al. Application of fuzzy inference system in the prediction of wave parameters
Coulibaly et al. Downscaling precipitation and temperature with temporal neural networks
Kourgialas et al. Flood management and a GIS modelling method to assess flood-hazard areas—a case study
Hung et al. An artificial neural network model for rainfall forecasting in Bangkok, Thailand
Khatami et al. Benefits of GIS application in hydrological modeling: A brief summary
Sebastian et al. Hindcast of pluvial, fluvial, and coastal flood damage in Houston, Texas during Hurricane Harvey (2017) using SFINCS
Ebrahim et al. Downscaling technique uncertainty in assessing hydrological impact of climate change in the Upper Beles River Basin, Ethiopia
Pan et al. Estimating root zone soil moisture at continental scale using neural networks
Liu et al. Mapping the risk zoning of storm flood disaster based on heterogeneous data and a machine learning algorithm in Xinjiang, China
Chen et al. A coupled river Basin‐Urban hydrological model (DRIVE‐Urban) for real‐time urban flood modeling
Nasseri et al. A comparison between direct and indirect frameworks to evaluate impacts of climate change on streamflows: case study of Karkheh River basin in Iran
Endreny et al. Satellite‐derived digital elevation model accuracy: hydrological modelling requirements
Zanella et al. Internet of things for hydrology: Potential and challenges
Cloke et al. Operational European flood forecasting
Chezgi et al. Spatial resolution effect of remotely sensed data on flood hydrograph simulation
Hapuarachchi et al. A review of methods and systems available for flash flood forecasting
Seo et al. iSPUW: A vision for integrated sensing and prediction of urban water for sustainable cities
Dewelde et al. Real-time flood forecasting systems in Flanders
Merkuryeva et al. Water flow forecasting and river simulation for flood risk analysis
Subramanian Implementation of neural networks in flood forecasting
Lu et al. Auto station precipitation data making up using an improved neuro net

Legal Events

Date Code Title Description
B03A Publication of a patent application or of a certificate of addition of invention [chapter 3.1 patent gazette]
B09A Decision: intention to grant [chapter 9.1 patent gazette]
B16A Patent or certificate of addition of invention granted [chapter 16.1 patent gazette]

Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 15/02/2019, OBSERVADAS AS CONDICOES LEGAIS.