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

Seção

Água e Mudanças Climáticas