Application of machine learning and deep learning for modeling a water basin

Authors

  • 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

Keywords:

Flood, rainfall, Design flow, Computational modelling

Abstract

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

Download data is not yet available.

Author Biographies

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.

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.

Published

2023-09-06

How to Cite

de Azevedo Silva, V., de Feiras Souza, R., Peixoto Oliveira, M., & Lledo dos Santos, F. (2023). Application of machine learning and deep learning for modeling a water basin. Paranoá, 16(34), 1–21. https://doi.org/10.18830/issn.1679-0944.n34.2023.20

Issue

Section

Água e Mudanças Climáticas