Aplicação de machine learning e deep learning para modelagem de uma bacia hidrográfica

Autores

  • Vinícius de Azevedo Silva Universidade do Estado do Rio de Janeiro, Programa de Pós-Graduação em Rede Nacional em Gestão e Regulação de Recursos Hídricos, Departamento de Tecnologia e Ciências https://orcid.org/0009-0009-9008-4095
  • Rafael de Feiras Souza Universidade de São Paulo, Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto, Departamento de Administração, Economia e Contabilidade, Ribeirão Preto https://orcid.org/0000-0001-6298-5325
  • Mateus Peixoto Oliveira Universidade Federal Fluminense, Escola de Engenharia Industrial Metalúrgica de Volta Redonda, Programa de Pós-Graduação em Tecnologia Ambiental https://orcid.org/0000-0001-5385-5895
  • Francisco Lledo dos Santos Universidade do Estado de Mato Grosso, Faculdade de Arquitetura e Engenharia, Programa de Pós-graduação em Rede de Gestão e Regulação de Recursos Hídricos Cuiabá https://orcid.org/0000-0002-7718-8203

DOI:

https://doi.org/10.18830/issn.1679-0944.n34.2023.20

Palavras-chave:

Deep Learning, , inundações, chuva-vazão, modelagem, InceptionTime

Resumo

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

Não há dados estatísticos.

Biografia do Autor

Vinícius de Azevedo Silva, Universidade do Estado do Rio de Janeiro, Programa de Pós-Graduação em Rede Nacional em Gestão e Regulação de Recursos Hídricos, Departamento de Tecnologia e Ciências

Atual Secretário de Meio Ambiente do município de Barra Mansa/RJ pela Secretaria Municipal de Meio Ambiente e Desenvolvimento Sustentável, Diretor do CBH Médio Paraíba onde o Diretório Colegiado dirige administrativamente o Comitê, Membro do Conselho Estadual de Recursos Hídricos do Rio de Janeiro onde exerce diretrizes para a formação, a organização e funcionamento dos Comitês de Bacia Hidrográfica (CBHs) e Agências de Água, exercer a arbitragem dos conflitos entre os Comitês, estabelecer os critérios gerais sobre a outorga de direito de uso de recursos hídricos e a sua cobrança, deliberar sobre os projetos de aproveitamento de recursos hídricos dentro do Estado, além de analisar as propostas de alteração da legislação de recursos hídricos e à Política Estadual de Recursos Hídricos; Engenheiro Ambiental pela Fundação Oswaldo Aranha. Tem experiência nas áreas de Termodinâmica e Energia, Poluição Atmosférica, Poluição Hídrica, Hidráulica, Climatologia, Hidrologia e bom conhecimento de Informática.

Rafael de Feiras Souza, Universidade de São Paulo, Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto, Departamento de Administração, Economia e Contabilidade, Ribeirão Preto

Doutor em Administração pela Faculdade de Economia, Administração, Contabilidade e Atuária da Universidade de São Paulo (FEA/USP). Servidor público há dezessete anos, tendo ocupado cargos de chefia, direção, coordenação e assessoria; além do magistério no Ensino Superior em cursos de graduação e MBAs. Atualmente, é Professor da Área de Ciência de Dados da Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto (FEARP/USP). Possui experiência com a programação direcionada à coleta, ao tratamento, à análise e à apresentação de dados, atuando com técnicas de Machine Learning e de Deep Learning, incluindo as Análises Espaciais. Também é um dos autores da library overdisp for R, módulo computacional registrado pelo CRAN (The Comprehensive R Archive Network).

Mateus Peixoto Oliveira, Universidade Federal Fluminense, Escola de Engenharia Industrial Metalúrgica de Volta Redonda, Programa de Pós-Graduação em Tecnologia Ambiental

Mestre do Programa de Pós-Graduação em Tecnologia Ambiental pela Universidade Federal Fluminense - UFF (2020-2023). Membro do grupo de pesquisa GEUFF (Grupo de Eletroquímica e Energia da UFF). Possui graduação em Engenharia Ambiental pelo Centro Universitário de Volta Redonda - UniFoa (2015-2019). Formado pela Escola Técnica Pandiá Calógeras - ETPC - no curso técnico de Eletrônica (2012-2014). Trabalhou como Aprendiz Administrativo no setor de Meio Ambiente da Saint-Gobain Canalização (Barra Mansa/RJ). Trabalhou como estagiário e Analista Ambiental na empresa Azevedo Soluções Ambientais LTDA (Barra Mansa/RJ). Tem experiência na área de Consultoria Ambiental.

Francisco Lledo dos Santos, Universidade do Estado de Mato Grosso, Faculdade de Arquitetura e Engenharia, Programa de Pós-graduação em Rede de Gestão e Regulação de Recursos Hídricos Cuiabá

Professor Adjunto da Faculdade Arquitetura e Engenharia do Campus de Barra do Bugres da Universidade do Estado de Mato Grosso (UNEMAT). Tem experiência na área de Hidráulica de Superfície Livre e Recursos Hídricos, atuando principalmente nos seguintes temas: mecânica dos fluidos, reologia, canais abertos, hidrologia, redes neurais artificiais e machine learning. Foi o 1o Chefe de Departamento de Engenharia Civil - Unemat/Sinop (2006-2008), Diretor da Faculdade de Ciências Exatas da Universidade do Estado do Mato Grosso (2008-2010). Foi 1o Diretor do Núcleo de Inovação Tecnológica. Foi o 1o Pró Reitor de Assuntos Estudantis da Unemat (2011) e Pró Reitor de Planejamento e Desenvolvimento Institucional (2011). Pró-reitor de Planejamento e Tecnologia da Informação da UNEMAT de 2013 a 2018. Hoje atua como Assessor de Assuntos Externos da Reitoria e Coordenador do Programa em Rede de Mestrado Profissional Gestão e Regulação de Recursos Hídricos - ProfÁgua-UNEMAT.

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

06-09-2023

Como Citar

de Azevedo Silva, V., de Feiras Souza, R., Peixoto Oliveira, M., & Lledo dos Santos, F. (2023). Aplicação de machine learning e deep learning para modelagem de uma bacia hidrográfica. Paranoá, 16(34), 1–21. https://doi.org/10.18830/issn.1679-0944.n34.2023.20

Edição

v. 16 n. 34 (2023): Fluxo Contínuo - Janeiro/Junho

Seção

Água e Mudanças Climáticas

Licença

Copyright (c) 2023 Paranoá

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Autores que publicam nesta revista concordam com os seguintes termos:

    1. 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
    2. 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.
    3. 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).