Análise Preditiva do Nível de Água no Canal São Gonçalo Utilizando Modelos de Aprendizado de Máquina: uma Abordagem Integrativa para a Gestão Hídrica

• Ano de defesa: 2024
• Autor(a) principal: Lima, Paulo Ricardo Barbieri Dutra
• Orientador(a): Marques, Felipe
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pelotas
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação
• País: Brasil
• Palavras-chave em Português: Modelagem preditiva; Séries Temporais Climatológicas; Aprendizagem de máquina; Modelo híbridos; Predictive Modeling; Climatological Time Series; Machine learning; Hybrid models
• Área do conhecimento CNPq: CIENCIAS EXATAS E DA TERRA
• Link de acesso: http://guaiaca.ufpel.edu.br/xmlui/handle/prefix/14690

No âmbito da hidrologia, modelos de inteligência artificial têm-se destacado como ferramentas eficazes em diversas pesquisas. A previsão precisa do nível da água em bacias hidrográficas e rios desempenha um papel crucial nas estratégias de prevenção de inundações, gestão da navegação interior e garantia do abastecimento doméstico de água. Contudo, uma análise abrangente da aplicabilidade desses modelos, especialmente no contexto da previsão do nível de água em conjuntos de dados vastos, tem sido escassamente explorada. Este estudo investiga e compara o desempenho de diferentes modelos de inteligência artificial, incluindo redes neurais densas, redes neurais recorrentes, floresta aleatória e regressão de vetor de suporte, na previsão do nível de água. Além disso, são propostas arquiteturas híbridas visando otimizar a precisão preditiva. A avaliação prática desses modelos é realizada por meio de um estudo de caso no Canal São Gonçalo. O estudo abrange quatro análises distintas, cada uma baseada em conjuntos de dados elaborados com a colaboração de Engenheiros Hídricos especializados. Além da avaliação comparativa de modelos de inteligência artificial na previsão do nível de água, este trabalho apresenta uma contribuição inovadora ao introduzir arquiteturas híbridas que unem o potencial do modelo ARIMA com abordagens tradicionais de aprendizagem de máquina. A integração desses métodos busca capitalizar as vantagens intrínsecas de ambos, promovendo uma abordagem combinatória para otimizar a precisão e robustez das previsões hidrológicas. Este enfoque híbrido reflete uma perspectiva pouco explorada no desenvolvimento de estratégias avançadas para antecipação do nível de água, sugerindo novas possibilidades para aprimorar a eficiência dos sistemas de gestão hídrica. O estudo destaca, assim, uma dimensão inovadora no campo, contribuindo para o avanço do conhecimento e práticas na área de previsão hidrológica. Outra contribuição significativa desta tese foi a meticulosa coleta e análise dos dados climatológicos e de nível de água, que serviram como base para a elaboração de quatro conjuntos de dados distintos, cada um caracterizado por suas particularidades. Esse esforço não apenas ampliou a compreensão do cenário climatológico abordado, mas também proporcionou a criação de conjuntos de dados representativos e diversificados. A cuidadosa seleção e manipulação desses conjuntos de dados permitiram uma abordagem mais abrangente e aprofundada na modelagem preditiva, enriquecendo a pesquisa com percepções valiosas sobre a dinâmica complexa entre os fatores climáticos e os níveis de água. Essa metodologia multidimensional fortalece a fundamentação teórica e prática da tese, contribuindo para a robustez e relevância dos resultados obtidos. Os resultados obtidos revelam que os modelos híbridos demonstram uma performace preditiva superior em comparação com abordagens isoladas. Esta constatação reforça a viabilidade e eficácia das técnicas de aprendizado de máquina na esfera hidrológica, destacando seu potencial como ferramentas de suporte à tomada de decisões em contextos relacionados à gestão de recursos hídricos.