Aplicação de machine learning e deep learning para modelagem de uma bacia hidrográfica
DOI:
https://doi.org/10.18830/issn.1679-0944.n34.2023.20Palavras-chave:
Deep Learning, , inundações, chuva-vazão, modelagem, InceptionTimeResumo
O desenvolvimento econômico associado a aspectos como a desigualdade social são processos que provocam a deterioração de recursos ambientais. São emergenciais o aperfeiçoamento das tecnologias para combater os efeitos dos desastres naturais, como a melhoria dos processos de transformação de chuva em vazão e da modelagem dos fenômenos hidrológicos em bacias hidrográficas. O objetivo desta comunicação científica foi obter, com o auxílio de técnicas de machine learning, previsões do comportamento hidrológico na Bacia do Rio Bananal. Essas informações reunidas foram submetidas aos seguintes modelos: redes neurais artificiais de aprendizado profundo (Deep Learning - InceptionTime, Resnet, FCN e ResCNN) e de aprendizado de máquina (Machine Learning - regressão linear, árvore de decisão e support-vector machine), e gradient boosting para levantar séries históricas consistentes e comparar os padrões de precipitação e da vazão (modelo chuva-vazão) do curso hídrico. Foram utilizadas as séries temporais médias diárias de 2002 a 2014 para treinamento a fim de estabelecer um comportamento otimizado para 2015. Foi possível concluir que o coeficiente R² com a melhor performance foi da arquitetura InceptionTime, com RMSE de 4.62, MAE de 2.36. O resultado com amior desempenho foi a árvore de decisão com R2 de 0.73.
Downloads
Referências
BRITTO, M.; BAPTISTA, G. M. de M.; LIMA, E. A. de. O estudo dos componentes do ciclo hidrológico desde métodos tradicionais até o uso de sensoriamento remoto: uma revisão. Revista Paranoá, N.23, p. 127–146, 2019. Disponível em: https://doi.org/10.18830/issn.1679-0944.n23.2019.11.
DEBASTIANI, A. B.; SILVA, R. D.; RAFAELI NETO, S. L. Eficácia da arquitetura MLP em modo closed-loop para simulação de um Sistema Hidrológico. RBRH, v. 21, n. 4, p. 821–831, out. 2016.
FREITAS, C. M. de et al. Desastres naturais e saúde: uma análise da situação do Brasil. Ciência & Saúde Coletiva [online], v. 19, n. 9, p. 3645-3656, 2014. Disponível em: https://doi.org/10.1590/1413-81232014199.00732014. ISSN 1678-4561. Acesso em: 30 Jul. 2022.
GU, Q. et al. Characterizing the spatial variations of the relationship between land use and surface water quality using self-organizing map approach. Ecological Indicators, v. 102. p. 633-643. mar. 2019.
HE, K. et al. Deep residual learning for image recognition. In: IEEE conference on computer vision and pattern recognition, p. 770–778, 2016.
ISMAIL, F. H. et al. Deep learning for time series classification: a review. Data Min Knowl Disc, 33, p. 917–963, 2019. Disponível em: https://doi-org.ez24.periodicos.capes.gov.br/10.1007/s10618-019-00619-1.
JIJO, B. T.; ABDULAZEEZ, A. M. Classification based on decision tree algorithm for machine learning. Journal of Applied Science and Technology Trends, 2(01), p. 20-28, 2021.
LIMA, A. P.; AMORIM, M. C. de C. T. Análise de episódios de alagamentos e inundações urbanas na cidade de são carlos a partir de notícias de jornal. Revista Brasileira de Climatologia, [S.l.], v. 15, abr. 2015. ISSN 2237-8642. Disponível em: https://revistas.ufpr.br/revistaabclima/article/view/33406. Acesso em: 30 jul. 2022.
LUIZ, T.B.P; SCHRODER, T. Modelos chuva-Vazão: Uso de Técnicas de Aprendizagem de Máquinas para Calibração de Modelos em uma Pequena Bacia Hidrográfica. Geoambiente on-line, N. 37, p.304-321, 2020.
MENDONÇA, L. M. et al. Modelagem chuva-vazão via redes neurais artificiais para simulação de vazões de uma bacia hidrográfica da Amazônia. Revista de Gestão de Água da América Latina, v. 18, 2021. Disponível em: https://doi.org/10.21168/rega.v18e2.
PACHECO, C.; PEREIRA, N. Deep Learning Conceitos e Utilização nas Diversas Áreas do Conhecimento. Revista Ada Lovelace, v. 2. P. 34-49, 2018.
ROSA, R. Análise Espacial em Geografia. Revista da ANPEGE, v. 7, n. 1, p. 275-289, 2011. Disponível em: https://ojs.ufgd.edu.br/index.php/anpege/article/view/6571/0. Acesso em: 30 jul. 2022.
SILVA, C. V. Uso de redes neurais artificiais para análise multitemporal da dinâmica do uso e cobertura da terra em bacias hidrográficas. 2022.
SOUSA, L. M. et al. Avaliação do Uso e Cobertura da Terra em Paragominas e Ulianópolis PA, Utilizando Dados do Projeto TERRACLASS. Revista Brasileira de Cartografia, v. 3, n. 69. p. 421-431, 2017. Disponível em: http://www.seer.ufu.br/index.php/revistabrasileiracartografia/article/view/44339. Acesso em: 30 jul. 2022.
SZEGEDY, C. et al. Going deeper with convolutions. In: Proceedings of the IEEE conference on computer vision and pattern recognition, p 1–9, 2015.
ULIANA, E. M. et al. Desenvolvimento de redes neurais artificiais para estimativa das vazões diárias na bacia do rio Piracicaba. IRRIGA, v. 23, n. 4, p. 756–772, 2018. DOI: 10.15809/irriga.2018v23n4p756-772. Disponível em: https://actaarborea.fca.unesp.br/index.php/irriga/article/view/2740. Acesso em: 10 jun. 2023.
WEN, Long; DONG, Yan; GAO, Liang. A new ensemble residual convolutional neural network for remaining useful life estimation. Mathematical Biosciences and Engineering, v. 16(2), p. 862-880, 2019. Disponível em: https://doi:10.3934/mbe.2019040.
ZHOU, B. et al. Learning deep features for discriminative localization. In: IEEE conference on computer vision and pattern recognition, pp 2921–2929, 2016.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Paranoá
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista. http://creativecommons.org/licenses/by/4.0
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).