Previsão de vazões na hidrovia do rio Paraguai com aplicação do filtro de Kalman

Abstract

Resumo: O aumento da eficiência e da confiabilidade do transporte hidroviário ao longo do Rio Paraguai depende da adoção de medidas não-estruturais de previsão de níveis em condições críticas de estiagem. A previsão dos níveis d'água, em conjunto com informações batimétricas detalhadas, permitem que se estime a submergência máxima do comboio, ou seja, o carregamento máximo para que a navegação prossiga nos trechos críticos. O foco desse trabalho é a implementação de um modelo dinâmico-estocástico robusto para a previsão de vazões e níveis na Bacia do Alto Paraguai, mais especificamente nas sub-bacias de Cáceres/MT (32.393 km²) e Amolar/MS (234.472 km²). O modelo hidrológico dinâmico adotado é concentrado e realiza previsões com base na parametrização dos processos de evapotranspiração e percolação em grandes bacias. O componente estocástico, com o uso do Filtro de Kalman, consiste em um modelo de atualização de estados, que assimila as observações de vazão em tempo real, para minimizar os erros das previsões. Modelos chuva-vazão-propagação já desenvolvidos para a Bacia do Alto Paraguai obtiveram coeficiente de correlação (R) entre as vazões observadas e previstas da ordem de 0,88 e coeficiente Nash-Sutcliffe (NS) de 0,67. O modelo dinâmico-estocástico implementado neste trabalho melhorou os índices de acerto das previsões: R=0,99 e NS=0,87. As principais inovações para se atingir esse objetivo foram: (1) desenvolvimento de um sistema de atualização de estados com assimilação das vazões observadas para correção do estado do modelo hidrológico; (2) adoção de uma função objetivo para a calibração do modelo hidrológico que minimiza as diferenças entre vazões simuladas e observadas; (3) calibração dos parâmetros do Filtro de Kalman em relação às incertezas dos dados de entrada, das observações e dos parâmetros do modelo hidrológico. Palavras-chave: modelos hidrológicos; modelo dinâmico-estocástico; previsão de vazões; estimador de estado; Filtro de Kalman.

Abstract: The efficiency and reliability improvement for the Paraguai River Waterway depend on nonstructural actions such as the implementation of streamflow prediction systems to support navigation during dry periods. The availability of both water levels and detailed bathymetric surveys are the input data for the barge convoy submergence estimation. Once the maximum submergence is known, then one can estimate the convoy's maximum payload restriction for the navigation through the waterway critical reaches. This work's aim is the implementation of a reliable dynamic-stochastic model for both streamflow and water-level forecasting for the Upper Paraguai River Basin; the selected sub-basins were at two different spatial scales: Cáceres/MT (32.393 km²) and Amolar/MS (234.472 km²). The hydrologic dynamic selected model is concentrated and the streamflow is estimated through the parameterization of evapotranspiration, percolation and routing on large basins. The model stochastic component, applies the Extended Kalman Filter for the state-space hydrologic dynamic model, in order to update the model states, through the assimilation of streamflow real-time observations. The objective function is the minimization of the streamflow forecasting squared errors. Previous rainfall-runoff-routing model implementations for the Upper Paraguai River Basin yielded 0.88 correlation between observed and simulated daily streamflow, and a 0.67 Nash-Sutcliffe Index. The dynamic-stochastic model implemented in this study, improved the streamflow forecast accuracy, yielding 0.99 correlation and 0.87 Nash-Sutcliffe index. The main innovation activities, for the forecasting accuracy enhancement, were: (1) development of an automatic state updating procedure, with real-time streamflow observation assimilation; (2) choice of an objective function for the hydrologic model parameter calibration that minimizes both the error mean and standard deviation; (3) choice of two parameters for the state updating procedures, which weights both input data and model parameter uncertainties. Keywords: hydrologic model; dynamic-stochastic model; streamflow prediction; state estimator; Kalman Filter.