A hybrid ARIMA and ANN model for synthetic streamflow generation

Abstract

Resumo: Estudos das características das séries de vazão são de grande importância no campo da hidrologia, representando uma ferramenta útil para a previsão de cheias, mitigação de danos em catástrofes, projeto e operação de reservatórios, geração hidroelétrica, projetos de barragens e vertedouros, dentre outros. Os dados históricos nem sempre estão completos ou corretos e isso tem efeito direto na confiabilidade dos resultados. Séries sintéticas são consideradas um excelente dispositivo de extrapolação para a solução de problemas complexos. Nesse sentido, o grupo de modelos Box & Jenkins (i.e., ARIMA) vem sendo usado com esse propósito por décadas, destacando-se por sua capacidade de calcular e replicar a estrutura de persistência da série histórica. Contudo, esses modelos são lineares, ao passo que o comportamento dos corpos hídricos é não-linear. As redes neurais artificiais (i.e., ANN) vêm como alternativas não-lineares a este grupo de modelos lineares clássicos. Esta dissertação propõe o acoplamento entre os modelos ANN e ARIMA para a geração de séries sintéticas de vazão. O objetivo do acoplamento é melhor computar a as estruturas de persistência e não-linearidade juntando um modelo estocástico linear com um modelo não-linear do tipo "black-box". O modelo foi testado para seis estações fluviométricas do rio Iguaçu, na região sul do Brasil. Em seguida, estatísticas de longo e curto termo foram usadas para verificar a adequação do modelo para a geração de séries sintéticas de vazão. Uma análise comparativa foi feita considerando um modelo ARIMA tradicional ajustado às mesmas estações. Por fim, os dois modelos reproduziram com sucesso as estatísticas históricas, contudo, o modelo híbrido foi superior na preservação do coeficiente de assimetria e das vazões mínimas. Palavras-chave: Hidrologia Estocástica. Séries Sintéticas de Vazão. ARIMA. Redes Perceptron Multicamadas. Modelo Híbrido.

Abstract: Streamflow characteristics studies are of great importance in the hydrology field, representing a resourceful tool in procedures such as flood forecasting, damages mitigation in catastrophes, reservoir design and operation, hydroelectricity generation, dam and spillway design, among others. The recorded data are not usually complete or corrected; it can damage the study reliability. The synthetic series generation is suggested as a resourceful extrapolation device for the solution of complex problems. Thus, the Box & Jenkins (i.e. ARIMA) models are being used on this purpose for decades and are especially good in computing and replicating the persistence structure of the historical. However, these models are linear, whereas catchments behaviors are non-linear. The artificial neural network (ANN) models come as non-linear alternatives to the classic linear ensemble of models. This master thesis proposed a coupling between an ANN and an ARIMA model for synthetic streamflow series generation. The purpose is to better address both persistence and non-linear patterns by joining a stochastic linear and a black-box non-linear models. The model was performed for six gauging stations within the Iguaçu river, on the South region of Brazil. Furthermore, long- and short-term statistics are used to verify the adequacy of the model for synthetic streamflow generation. A comparative analysis considering a single ARIMA model at the same condition. Finally, both models successfully reproduced the historical statistics, the hybrid model, however, better preserved the skewness and streamflow minimum values. Key-words: Stochastic Hydrology. Synthetic Streamflow Series. ARIMA. Multilayer Perceptron. Hybrid Model.