TRANSFERIBILIDADE DE MODELOS DE APRENDIZADO DE MÁQUINA PARA MODELAGEM DE VAZÃO ENTRE SUB-BACIAS DO SEMIÁRIDO: ESTUDO DE CASO NA BACIA ATLÂNTICO LESTE

Código

V-END_II-EBHE0173

Autores

Taís Fonte Boa de Campos Maia, Bruno Melo Brentan, André Ferreira Rodrigues

Tema

19 - Inteligência artificial e big data na gestão de desastres

Resumo

A escassez de dados hidrológicos representa um dos principais desafios para a modelagem de vazão em bacias do semiárido brasileiro. Nesse contexto, este estudo avalia a aplicação do aprendizado por transferência em modelos Long Short-Term Memory (LSTM) para previsão de vazão entre sub-bacias da Bacia Atlântico Leste. Foram comparadas três abordagens: um modelo fonte treinado com múltiplas sub-bacias, um modelo local desenvolvido individualmente para cada bacia-alvo e um modelo obtido por ajuste fino (fine-tuning) do modelo fonte. As entradas do modelo incluíram precipitação, temperatura média, umidade do solo, evapotranspiração e variáveis derivadas, enquanto a vazão foi utilizada como variável alvo. Foram avaliados diferentes cenários de transferência, variando a quantidade de dados utilizada no ajuste fino. Os resultados demonstraram que o aprendizado por transferência pode manter ou melhorar o desempenho em relação aos modelos locais, especialmente em bacias com menor disponibilidade de dados e desempenho inicial insatisfatório. Em contrapartida, os ganhos foram reduzidos em bacias cujo modelo local já apresentava bom desempenho. Além disso, verificou-se que a eficácia da transferência depende das características hidrológicas das bacias, sendo favorecida em sistemas com relações chuva?vazão mais consistentes e limitada em bacias com elevada variabilidade hidrológica, vazões nulas e ocorrência de picos extremos.