AVALIAÇÃO DA CAPACIDADE DE MODELOS DE APRENDIZADO DE MÁQUINA QUANTO AO RECONHECIMENTO DA VARIAÇÃO DAS ÁGUAS SUBTERRÂNEAS NO AQUÍFERO PARECIS, BRASIL

Código

XXIV-SBRH0608

Autores

Clyvihk Renna Camacho, Maria Antonieta Mourão, Augusto Getirana, OTTO CORREA ROTUNNO FILHO

Tema

SE02.E - Hidrologia subterrânea: Modelagem e monitoramento, contaminação, remediação e avaliação de risco

Resumo

O presente trabalho busca identificar a capacidade de modelos de aprendizado profundo de máquina (deep learning - DL) em segregar valores de oscilação das águas subterrâneas a partir de dados de total de água armazenada na superfície terrestre (total water storage - TWS) derivados da missão GRACE (Gravity Recovery & Climate Experiment) e de observações in situ da Rede Integrada de Monitoramento das Águas Subterrâneas (RIMAS) no aquífero Parecis, Brasil ao longo de período 2012-2020. Dois modelos de DL foram elaborados, sendo o primeiro denominado de Multilayer Perceptron, construído com o Framework TensorFlow, e o segundo definido mediante uma regressão construída com a biblioteca XGBoost. Como teste de eficiência dos modelos, foram utilizadas simulações de TWS e de água subterrânea (groundwater storage - GWS) derivadas do modelo Catchment Land Surface Model. Os resultados mostram a grande capacidade dos modelos de DL selecionados em realizar adequada representação da variação dos níveis de GWS (CLSM) e dos níveis estáticos observados pela RIMAS a partir de simulações e estimativas por satélite de TWS no aquífero Parecis.