Redes neurais recorrentes para modelagem chuva-vazão de pequenas bacias hidrográficas amazônicas

• Ano de defesa: 2022
• Autor(a) principal: MENDONÇA, Leonardo Melo de
• Orientador(a): BLANCO, Claudio José Cavalcante
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Pará
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Civil
• Departamento: Instituto de Tecnologia
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquina; Modelo chuva-vzão; Modelagem hidrológica; Pequenas bacias hidrográficas
• Palavras-chave em Inglês: Machine learning; Rainfall-runoff model; Hydrological modelling; Small Amazon catchments
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA CIVIL
• Link de acesso: https://repositorio.ufpa.br/jspui/handle/2011/15711

Modelos chuva-vazão podem auxiliar o gerenciamento de recursos hídricos, principalmente na Amazônia, região marcada pela baixa densidade de monitoramento hidrológico, e assim beneficiar os usos múltiplos da água e o adequado aproveitamento dos recursos hídricos. Este trabalho busca simular vazões diárias de cinco pequenas bacias hidrográficas da Amazônia, através da Rede Neural Recorrente Não linear Autorregressiva com Variável Exógena (RNN-NARX). Dados pluviométricos e fluviométricos diários foram utilizados para simulação. As funções de correlação cruzada e autocorrelação parcial auxiliaram a determinação de dados defasados, entradas relevantes, com nível de significância de 5%. Além disso, foi utilizado o algoritmo de retropropagação do erro Levenberg-Marquardt para treinamento supervisionado das RNN-NARX. Também foram utilizados cinco índices estatísticos e a contribuição relativa de Garson de cada variável de entrada para avaliação das simulações. Deste modo, as vazões simuladas foram classificadas entre o insatisfatório e o muito bom, além de apresentar tendência, geral, a subestimar vazões de cheia. A característica autorregressiva de cada bacia é fundamental para melhores resultados, qualidade atribuída à capacidade de armazenamento de água. Uma explicação plausível para as principais fontes de incerteza é devida a variabilidade espacial da precipitação entre as estações de monitoramento e as precipitações ocorridas na bacia, anomalias meteorológicas e aspectos de discretização. A análise de sensibilidade dos modelos frente a diferentes intervalos de treinamento mostrou que a implementação de 2 anos, para o treinamento supervisionado das RNN-NARX, são suficientes para se obterem simulações eficientes em quatro das cinco pequenas bacias hidrográficas da Amazônia analisadas.