UTILIZAÇÃO DE APRENDIZADO DE MÁQUINA PARA PREENCHIMENTO DE FALHAS EM SÉRIES TELEMÉTRICAS DE NÍVEL

Código

XXVI-SBRH0638

Autores

JosIelton da Silva Santos, Milena Pereira Dantas, Vitória Amélia Lemes Gonçalves, Helen Graciane Ruela Machado, BRISA MARIA FREGONESI, Diego Monteiro dos Santos, DIEGO FREITAS DE SOUSA, Rafael Grinberg Chasles, ANDERSON BARBOZA ESTEVES, ANDRE LUIS NAVARRO

Tema

F - Processos Hidrológicos e Monitoramento Integrado de Recursos Hídricos

Resumo

Séries temporais hidrológicas são essenciais para a gestão de recursos hídricos, mas frequentemente apresentam falhas que comprometem sua utilização. Este estudo avaliou o desempenho de modelos de aprendizado de máquina (ML) para o preenchimento de falhas em séries de nível do rio Tietê, na cidade de São Paulo - SP, utilizando dados telemétricos de três estações fluviométricas localizadas ao longo de um trecho urbanizado de 29,5 km. A estação "Ponte do Piqueri" (296) apresentou aproximadamente 13% de dados ausentes no período de 2011 a 2025, que foram preenchidos utilizando registros das estações a montante "Ponte Dutra" (232) e a jusante "Barragem Móvel Montante" (1000847). A metodologia combinou modelos de regressão linear por descida de gradiente estocástico (SGDRegressor) e Floresta Aleatória (Random Forest), considerando a criticidade dos níveis em relação às cotas de atenção. Para casos remanescentes, foram utilizados modelos de regressão polinomial de segundo grau, ajustados com base na máxima correlação temporal entre as estações. A qualidade do preenchimento foi avaliada por meio de métricas como R², MAE, MAPE e RMSE. Os resultados indicaram que o uso de aprendizado de máquina é uma abordagem eficiente e robusta para o preenchimento de falhas em séries hidrológicas de nível, especialmente em ambientes urbanos complexos e sujeitos a eventos críticos de cheia.