Avaliação de estratégias de modelagem guiada por dados para previsão de vazão em rio sergipano

Assessment of data-driven modeling strategies for streamflow forecasting in a river of Sergipe

Resumos

Dentre as várias técnicas de previsão de vazão, os modelos guiados por dados (DDMs: data-driven models) estão sendo muito utilizados. Estes se baseiam num banco de dados formado pelos registros históricos das variáveis de entrada (precipitação e vazão) e saída (vazão) para realizar a previsão. Redes neurais artificiais (ANNs: artificial neural networks) são os tipos de DDMs mais comuns e se mostram normalmente mais precisas do que outros modelos empíricos, mas possuem a desvantagem de não serem suficientemente transparentes. Um dos métodos de aprendizado de máquina que não possui esse problema é o aprendizado baseado em instâncias (IBL: instance-based learning). O modelo k-nearest neighbor (KNN) é um exemplo de IBL. Neste trabalho, variações do modelo KNN são utilizadas e propostas a fim de realizar previsão de vazão em rio do estado de Sergipe. Os resultados são comparados aos de simulações feitas com o uso de redes neurais artificiais e indicam superioridade das ANNs, mas também previsões satisfatórias com o KNN.

previsão hidrológica; inteligência artificial; mineração de dados

Among several streamflow forecasting techniques, data-driven models (DDMs) are widely used. They employ a database formed by historical input (precipitation and streamflow) and output (streamflow) variables to perform the prediction. Artificial neural networks (ANNs) are the most common types of DDMs, and are typically more accurate than other empirical models, but have the disadvantage of not being sufficiently transparent. One of the machine-learning methods that do not have this problem is the so-called "instance‑based learning" (IBL). The KNN algorithm is an example of IBL. This research applies and proposes variations of the KNN model in order to forecast streamflows in a river of the state of Sergipe, Brazil. The results are compared to simulations carried out by the use of artificial neural networks and indicate the superiority of the ANNs, but also show satisfactory forecasts of the KNN.

hydrological forecasting; artificial intelligence; data mining

• AKBARI, M.; OVERLOOP, P.; AFSHAR, A. Clustered k nearest neighbor algorithm for daily inflow forecasting. Water Resources Management, v. 25, n. 5, p. 1341-1357, 2011. http://dx.doi.org/10.1007/s11269-010-9748-z
• GOMES, L. F. C.; MONTENEGRO, S. M. G. L.; Valença, M. J. S. Modelo baseado na técnica de redes neurais para previsão de vazões na bacia do Rio São Francisco. Revista Brasileira de Recursos Hídricos, v. 15, n. 1, p. 05-15, 2010.
• CRUZ, M. F. M; RODRIGUES, L. D.; VERSIANI, B. R. Previsão de vazões com a metodologia DPFT e com redes neurais artificiais. Revista Brasileira de Recursos Hídricos, v. 15, n. 1, p. 121-132, 2010.
• FARIAS, C. A. S. et al. RNN-based inflow forecasting applied to reservoir operation via implicit stochastic optimization. In: BOEGH, E. et al. (Ed.). Quantification and Reduction of Predictive Uncertainty for Sustainable Water Resources Management [S.l.]: IAHS, 2007. p. 452-462. (IAHS Publi., 313)
• GALEATI, G. A comparison of parametric and non-parametric methods for runoff forecasting. Hydrological Sciences Journal, v. 35, n. 1, p. 79-94, 1990. http://dx.doi.org/10.1080/02626669009492406
• GALVÃO, C. O.; VALENÇA, M. J. S. (Orgs.). Sistemas inteligentes: aplicações a recursos hídricos e ciências ambientais. Porto Alegre: Editora da UFRGS, 1999. 247 p.
• GUILHON, L. G. F.; ROCHA, V. F.; MOREIRA, J. C. Comparação de métodos de previsão de vazões naturais afluentes a aproveitamentos hidroelétricos. Revista Brasileira de Recursos Hídricos, v. 12, p. 13-20, 2007.
• KARLSSON, M.; YAKOWITZ, S. Nearest neighbour methods for nonparametric rainfall-runoff forecasting. Water Resources Research, v. 23, n. 7, p. 1300-1308, 1987. http://dx.doi.org/10.1029/WR023i007p01300
• SERGIPE. Secretaria de Estado do Meio Ambiente e Recursos Hídricos - SEMARH-SE. Elaboração do plano estadual de recursos hídricos: RE-6, Volume 1, Tomo I (Bacia Hidrográfica do Rio Japaratuba). Aracajú, 2010. 70 p.
• SERGIPE. Secretaria de Estado do Meio Ambiente e Recursos Hídricos - SEMARH-SE. Atlas digital sobre recursos hídricos de Sergipe. Aracajú, 2012. 1 CD-ROM.
• SHAMSELDIN, A. Y.; O'CONNOR, K. M. A nearest neighbour linear perturbation model for river flow forecasting. Journal of Hydrology, v. 179, p. 353-375, 1996. http://dx.doi.org/10.1016/0022-1694(95)02833-1
• SOLOMATINE, D. P.; MASKEY, M.; SHRESTHA, D. L. Instance-based learning compared to other data-driven methods in hydrological forecasting. Hydrological Processes, v. 22, p. 275-287, 2008.
• TOTH, E.; BRATH, A.; MONTANARI, A. Comparison of short-term rainfall prediction models for real-time flood forecasting. Journal of Hydrology, v. 239, p. 132-147, 2000. http://dx.doi.org/10.1016/S0022-1694(00)00344-9
• VALENÇA, M. J. S. Aplicando redes neurais: um guia completo. Olinda: Ed. do Autor, 2005. 284 p.

Datas de Publicação

• Publicação nesta coleção
  17 Set 2014
• Data do Fascículo
  Set 2014

Histórico

• Aceito
  24 Maio 2014
• Recebido
  04 Abr 2014