Estimativa da curva-chave com redes neurais artificiais : estudo de caso - Arroio Taboão

Abstract

Atualmente enfrentamos no Brasil uma crise devido à ocorrência de chuvas inferiores ao necessário implicando em falta de água em atividades essenciais como: geração de energia, saneamento básico, agricultura, entre outros. Por outro lado, chuvas intensas têm ocorrido em locais vulneráveis causando grandes enchentes. Nessas condições, estudos das variáveis hidrológicas são necessários para buscar informações e proferir medidas para monitorar e garantir o uso desse bem comum, que é a água. Buscar informações sobre a dinâmica do ciclo hidrológico, suas limitações e abundância, possibilita aos agentes governamentais tomarem decisões para preservar e assegurar o abastecimento de água à população, além de permitir o planejamento de prevenção de enchentes. As variáveis hidrológicas estudadas neste trabalho são o nível do rio (cota) e a vazão. Esta pesquisa foi aplicada na bacia do arroio Taboão, que é uma sub-bacia do rio Potiribu, localizada no noroeste do estado do Rio Grande do Sul. A partir de dados de cota e de vazão medidos entre 2001 e 2020, foram utilizadas redes neurais artificiais (RNAs) para estimar vazões a partir de dados de níveis d’água, e comparar com três metodologias tradicionais de curva-chave: linear, potencial e polinomial. As RNAs consistem no aprendizado de máquina (machine learning), amplamente aceito e utilizado ao redor do mundo, pela qual é possível modelar fenômenos e alcançar objetivos a partir de um conjunto de dados conhecidos. A RNA foi treinada por meio do algoritmo retropropagativo, e o superajustamento foi evitado por meio de validação cruzada. As estatísticas de desempenho e os gráficos plotados indicam que as RNAs fazem uma melhor aproximação com os dados observados, em relação às outras três equações de curva-chave. Os resultados obtidos mostram um menor erro médio absoluto para a RNA no valor de 0,322; 0,355 para a linear; 0,343 para a potencial e 0,329 para a polinomial. Coeficiente de NS para a RNA e polinomial no valor de 0,985 e 0,984 para a linear e potencial. O coeficiente NS foi praticamente igual para todas as curvas-chaves testadas e também para a RNA. A análise gráfica com as três equações e com a RNA, mostrou que no extremo inferior para cotas baixas <32 cm e <34 cm as equações polinomial e linear resultaram valores negativos para as vazões. A equação potencial não resultou em valores negativos para cotas baixas, porém teve um percurso que distanciou mais do comportamento das medições e das outras curvas-chaves. Com essas informações, conclui-se que a RNA descreveu melhor tanto graficamente como resultou em valores mais baixos dos erros analisados. Logo, recomenda-se o uso da RNA para a elaboração da curva-chave.

We are currently facing a crisis in Brazil due to the occurrence of less than necessary rainfall, resulting in a lack of water in essential activities such as: energy generation, basic sanitation, agriculture, among others. On the other hand, heavy rains have occurred in vulnerable locations causing massive flooding. Under these conditions, studies of hydrological variables are necessary to seek information and take measures to monitor and guarantee the use of this common good, which is water. Searching for information about the dynamics of the hydrological cycle, its limitations and abundance, enables government agents to make decisions to preserve and ensure the population's water supply, in addition to allowing flood prevention planning. The hydrological variables studied in this work are the river level (elevation) and the flow. This research was applied in the Taboão stream basin, which is a sub-basin of the Potiribu River, located in the northwest of the state of Rio Grande do Sul. From elevation and flow data measured between 2001 and 2020, artificial neural networks (ANNs) were used to estimate flows from river stage, and compare with three traditional rating curve methodologies: linear, potential and polynomial. ANNs consist of machine learning, widely accepted and used around the world, through which it is possible to model phenomena and achieve goals from a set of known data. The ANN was trained using the back-propagation algorithm, and overfitting was avoided through cross-validation. The performance statistics and plotted graphs indicate that the ANNs make a better approximation to the observed data, in relation to the other three rating curve equations. The results obtained show a lower mean absolute error for the ANN in the value of 0.322; 0.355 for linear; 0.343 for the potential and 0.329 for the polynomial. NS coefficient for ANN and polynomial in the value of 0.985 and 0.984 for linear and potential. The NS coefficient was practically the same for all the rating curves tested and also for the ANN. The graphical analysis with the three equations and the ANN showed that at the lower end for elevations <32 cm and <34 cm the polynomial and linear equations resulted in negative values for the flows. The potential equation did not result in negative values for low elevations, but had a path that distanced more from the behavior of the measurements and the other key curves. With this information, it is concluded that the ANN described better graphically and resulted in lower values of the errors analyzed. Therefore, it is recommended to use the ANN for the elaboration of the rating curve.