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

Abstract

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.

Hydrological forecasting models based on Artificial Neural Networks (ANN) constitute one of the best alternatives for early warning systems — an approach to provide more reaction time to the Civil Defence for damage reduction. This study aims to evaluate the applicability of ANNs to forecast in real-time water levels in stations of the Taquari-Antas early warning system, using solely data of its hourly telemetric network. Eight rainfall and five water level series — whose data period spans from 26/11/2016 until 24/04/2019— were used to forecast water levels up to 24 hours ahead at Encantado, Estrela, Porto Mariante and Taquari. To aggregate rainfall data in time, three moving average filters were compared: Uniformly Weighted (UWMA), Exponentially Weighted (EWMA), and the novel Gamma-Weighted (GWMA). ANN Trees were used to cope with eventual scenarios of signal loss. The verification period was the year of 2017. Six events were visually evaluated; four of them pertaining to the year of 2017. Forecasts at 8, 12 and 24 hours ahead presented, on average, Nash-Sutcliffe coefficients (NS) of 0.93, 0.89 and 0.71 and EMA of 12, 16 and 20 cm, respectively. The obtained performances confirm the applicability of ANNs with the applied methodology. EWMA appeared to be the worst filter at aggregating rainfall data. The greater flexibility of the novel GWMA allowed a similar performance to the UWMA with fewer entries, thus, being selected to aggregate rainfall data. The approach of the Tree of ANNs makes it possible to issue forecasts at any time, given that the unavailability scenario was considered during the training procedure. However, they do not substitute the urgency in maintenance of the station during extreme events. In any case, investing in monitoring networks and in forecasting techniques using ANNs is important to enhance hydrological forecasting in early warning systems.