Previsão em tempo atual de níveis fluviais com redes neurais artificiais : aplicação à bacia do Rio Taquari-Antas/RS

• Ano de defesa: 2020
• Autor(a) principal: Finck, Juliano Santos
• Orientador(a): Pedrollo, Olavo Correa
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Previsão hidrológica; Redes neurais artificiais; Telemetria; Inundações; Sistemas de alertas hidrológicos; Taquari-Antas, Rio, Bacia (RS)
• Palavras-chave em Inglês: Signal loss; Internal complexity; Training registers; Moving-average filters
• Link de acesso: http://hdl.handle.net/10183/213406

Modelos de previsão hidrológica baseados em Redes Neurais Artificiais (RNAs) constituem uma das melhores alternativas para sistemas de alerta de inundações, que fornecem tempo de reação à Proteção e Defesa Civil para reduzir danos. A seguinte pesquisa objetivou determinar a aplicabilidade de RNAs para prever em tempo atual níveis fluviais em estações do sistema de alerta da bacia do rio Taquari-Antas/RS (SACE-Taquari), usando exclusivamente dados da rede telemétrica existente. Oito séries de precipitação e cinco séries de níveis — ambas medindo com frequência horária durante o período de 26/11/2015 até 24/04/2019 — foram usadas para prever os níveis fluviais entre 4 e 24 horas à frente em Encantado, Estrela, Porto Mariante e Taquari. Para agregar dados de precipitação no tempo, foram comparados três filtros de média móvel: o de ponderação Uniforme (FMMU), Exponencial (FMME) e Gama (FMMG). Para lidar com a eventual indisponibilidade de dados, Árvores de RNAs foram utilizadas, contemplando os possíveis cenários de perda de sinal. O período de verificação foi o ano de 2017. Seis eventos foram avaliados visualmente; quatro deles pertencendo ao ano de 2017. Previsões com alcance de 8, 12 e 24 horas apresentaram, em média, coeficientes de Nash-Sutcliffe (NS) de 0,93, 0,89 e 0,71 e médias do erro absoluto (MEA) de 12, 16 e 20 cm, respectivamente. Os desempenhos obtidos confirmam a aplicabilidade das RNAs com a metodologia utilizada. FMME foi o pior dos filtros investigados para agregar dados de precipitação. A maior flexibilidade do novo FMMG possibilitou desempenho semelhante ao FMMU com menos registros, tendo sido selecionado para agregar os dados de precipitação. A abordagem das Árvores de RNAs possibilita emitir previsões a qualquer momento, dado que o cenário de indisponibilidade foi considerado durante o procedimento de treinamento. Porém, não substituem a urgência de manutenção das estações durante eventos extremos. De qualquer forma, entende-se que o investimento nas redes de monitoramento e nas técnicas de previsão utilizando RNAs é importante para aprimorar a previsão hidrológica em sistemas de alerta de evento críticos.