Modelagem da vazão por meio de técnicas de Aprendizado de Máquina em diferentes horizontes de previsão

Código

XXV-SBRH0497

Autores

Carla Larissa Fonseca da Silva, Demetrius David da Silva, MICHEL CASTRO MOREIRA, Jackson Martins Rodrigues, Igor Steven de Sousa Rocha, Arthur Telles Calegario, Rafael Petruceli Coelho Lima

Tema

STE23 - Previsão Hidrológica

Resumo

A ocorrência de eventos extremos tem ocasionado imensos impactos socioambientais em áreas urbanas e rurais. Nesse cenário, torna-se necessária a adoção de modelos de previsão da vazão que auxiliem nas tomadas de decisão, entre eles os de Aprendizado de Máquina, que podem auxiliar nos sistemas de alerta. Assim, objetivou-se analisar técnicas de Aprendizado de Máquina na predição de vazões na bacia hidrográfica do rio Muriaé, adotando-se diferentes cenários preditivos. Foram utilizadas seis categorias de dados: vazão, precipitação, sensoriamento remoto, balanço hídrico, uso e cobertura da terra e tempo. Dados padronizados de 2000 a 2019 foram utilizados neste estudo. Os cenários de previsão foram de um, dois e três dias de antecedência. Os algoritmos aplicados foram o Modelo Linear Generalizado (GLM), as Splines de Regressão Adaptativa Multivariada (MARS) e o Random Forest (RF). Inicialmente as covariáveis foram reduzidas pelo algoritmo Recursive Feature Elimination (RFE). O treinamento e o teste seguiram a proporção 75:25, com amostragem aleatória dos dados e 50 repetições. O desempenho da modelagem foi verificado pelas métricas: raiz do Erro Quadrático Médio (RMSE), Erro Médio Absoluto (MAE), Coeficiente de Determinação (R2) e Eficiência de Nash-Sutcliffe (NSE). As técnicas de Aprendizado de Máquina apresentaram desempenho ótimo no cenário de um dia de antecedência, mas a performance diminuiu com o aumento dos dias de antecedência. A modelagem mostrou a aplicabilidade desses algoritmos na previsão da vazão em bacias hidrográficas.