APLICAÇÃO DE REDES NEURAIS RECORRENTES PARA PREDIÇÃO DE EVENTOS DE INUNDAÇÃO

Código

XXV-SBRH0997

Autores

GABRIEL DE OLIVEIRA MACHADO, Demetrius David da Silva, MICHEL CASTRO MOREIRA, RICARDO DOS SANTOS FERREIRA, HUGO GONÇALVES LOPES

Tema

16 - Hidroclimatologia, Segurança Hídrica, Risco, Escassez, Inundações e Desastres

Resumo

Nas últimas três décadas, os desastres oriundos de inundações se intensificaram, tornando-se mais frequentes e destrutíveis, principalmente em países em desenvolvimento, como o Brasil. A predição precisa do local e do momento em que irá ocorrer uma inundação é uma tarefa desafiadora. Diante disso, um dos métodos de predição de inundações que tem recebido amplo destaque ao longo dos últimos anos é o que se baseia em Redes Neurais Recorrentes - RNN. A utilização dessa técnica tem indicado resultados promissores, especialmente em áreas onde há escassez de dados hidráulicos e hidrológicos. Dentre os diversos tipos de RNN's existentes, foram exploradas no presente trabalho a rede Long and Short Term Memory - LSTM, a Convolutional Neural Networking - CNN, e uma rede híbrida LSTM/CNN, as quais foram aplicadas em um estudo de caso na bacia do Rio Piranga, Minas Gerais, Brasil. Foram utilizados dados de chuva e cota horária de 6 estações, no período de 2015 a 2023, para predição de eventos de inundação na área urbana do município de Ponte Nova - MG. Os indicadores de desempenho adotados foram: Accuracy, Precision, Recall e F1Score, que apresentaram os seguintes resultados: LSTM: 0,9749; 0,8718; 0.8627 e 0.8672, respectivamente, CNN: 0,9607; 0,7695; 0,8373 e 0,8020, respectivamente e LSTM/CNN: 0,9750; 0,8958; 0,8343 e 0,8640, respectivamente. O estudo aponta um desempenho satisfatório para todos os modelos, especialmente para o modelo híbrido LSTM/CNN. Estudos adicionais precisam ser realizados, objetivando alcançar ajustes mais sensíveis dos parâmetros, bem como testar diferentes "lead times" de antecedências nas previsões.