REDES DE MONITORAMENTO RESILIENTES: COMO PRIORIZAR ESTAÇÕES HIDROMETEOROLÓGICAS COM IA EXPLICÁVEL?

Código

XXVI-SBRH0606

Autores

Pedro Henrique Bernardes Solha, Rodrigo Perdigão Gomes Bezerra, Bruno Melo Brentan, Andrea Menapace, André Ferreira Rodrigues

Tema

F - Processos Hidrológicos e Monitoramento Integrado de Recursos Hídricos

Resumo

Este estudo aborda como redes hidrometeorológicas de sistemas de alerta de inundação eficazes são cruciais, combinando aprendizado de máquina com princípios hidrológicos. O metodologia aplicada visa identificar estações de monitoramento críticas nas redes de monitoramento, utilizando a qualidade dos dados para identificar impactos na previsão do nível da água. Essa metodologia visa otimizar a alocação de recursos e avaliar a resiliência do sistema frente à escassez de dados. O estudo foi dividido nas etapas de modelagem preditiva com redes neurais Multilayer Perceptron (MLP), simulação de falhas de sensores e aplicação de inteligência artificial explicável (XAI) para interpretar e validar os resultados. A área de estudo é a Bacia do Rio Piracicaba, São Paulo, Brasil, monitorada por 16 estações pluviométricas e fluviométricas. O objetivo geral é avaliar a resiliência da rede de monitoramento de um sistema de alerta de inundações, inserindo falhas simuladas de sensores no modeo e validar seus resultados com a XAI. Os objetivos específicos incluem avaliar o desempenho preditivo dos modelos, para os horizontes de 3 horas e 24 horas, a partir da aplicação de um algoritmo para deterioração de séries temporais, de forma a simular falhas em diferentes porcentagens, e identificar estações críticas correlacionando a importância indicada pela XAI com os resultados do algoritmo de deterioração. O modelo apresentou bom desempenho com dados completos , mas a acurácia caiu com a deterioração. A análise SHAP confirmou as observações, indicando as estações mais importantes para a previsão e reforçando a coerência entre as abordagens de explicabilidade e deterioração.