PREVISÃO DE CURTO PRAZO DE COTA NOS RIOS SOLIMÕES E AMAZONAS COM APRENDIZADO DE MÁQUINA

Código

V-END_II-EBHE0220

Autores

Julia dos Santos da Silva, Vinícius Bogo Portal Chagas, MARCUS SUASSUNA SANTOS, Pedro Luiz Borges Chaffe

Tema

19 - Inteligência artificial e big data na gestão de desastres

Resumo

Eventos hidrológicos extremos mais frequentes na Amazônia destacam a necessidade de previsões mais precisas. No entanto, as previsões na Amazônia são limitadas pela escassez de dados e pela complexidade dos processos hidrológicos. Modelos de aprendizado de máquina têm se destacado como alternativa aos modelos tradicionais. Nesse trabalho, foi avaliado o desempenho de modelos de aprendizado de máquina na previsão operacional de cotas de curto prazo em 11 estações fluviométricas ao longo dos rios Solimões e Amazonas na Amazônia, para horizontes de 1, 7 e 15 dias. Foram utilizados modelos de Regressão Linear, Rigde, RandomForest, GradientBoosting, ExtremeGradientBoosting e MultiLayerPerceptron, com dados de cotas da estação de interesse e das estações localizadas a montante e a jusante. Os resultados mostram que os modelos tiveram melhor desempenho nos primeiros sete dias de previsão, com destaque para o RandomForest e o XGBoost. De maneira geral, os modelos conseguem representar a evolução temporal e a dinâmica das cotas, indicando o potencial de aplicação desses modelos. Além disso, demostram a importância de analisar, não apenas o desempenho dos modelos nos testes e treinos, mas também de forma operacional. Por fim, destaca-se que previsões mais precisas permitem antecipar eventos extremos e reduzir as perdas socioeconômicas.