Application of machine learning and deep learning for modeling a water basin
DOI:
https://doi.org/10.18830/issn.1679-0944.n34.2023.20Keywords:
Flood, rainfall, Design flow, Computational modellingAbstract
Economic development associated with aspects such as social inequality is a process that leads to the deterioration of environmental resources. It is essential to improve technologies to combat the effects of natural disasters, such as enhancing the processes of rainfall-to-runoff transformation and modeling hydrological phenomena in river basins. The objective of this scientific communication was to obtain hydrological behavior predictions in the Bananal River Basin using machine learning techniques. The gathered information was subjected to the following models: deep learning artificial neural networks (InceptionTime, Resnet, FCN, and ResCNN) and machine learning models (linear regression, decision tree, and support-vector machine), as well as gradient boosting, to analyze consistent historical data and compare precipitation patterns and streamflow (rainfall-runoff model) in the watercourse. Daily average time series data from 2002 to 2014 were used for training to establish optimized behavior for 2015. It was concluded that the architecture with the highest performance, based on the coefficient of determination (R²), was InceptionTime, with an RMSE of 4.62 and MAE of 2.36. The decision tree model achieved the best overall performance with an R² of 0.73.
Downloads
References
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
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Paranoá
This work is licensed under a 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).