Modelagem hidrológica para previsão de vazões baseada em agrupamento de eventos de cheia

Abstract

Resumo: O processo de previsão de vazões contém incertezas inerentes que se propagam pelo sistema, tornando difícil a determinação dos mecanismos de formação de descargas e fazendo com que características distintas entre os eventos extremos sejam negligenciadas, apesar da existência de alternativas que buscam melhorar a acurácia dos resultados. Neste contexto, ferramentas da Inteligência Artificial (AI) vêm sendo utilizadas como opções aos modelos hidrológicos tradicionais, dando margem às aplicações de algoritmos baseados na lógica difusa e nas Máquinas de Vetores de Suporte. Contudo, o que se observa na literatura é que o enfoque das pesquisas, em geral, está na comparação de técnicas e na identificação das melhores ferramentas para as diversas aplicações hidrológicas, e não especificamente no desenvolvimento de novas formas de modelagem. Portanto, o presente estudo propõe uma nova abordagem de modelagem hidrológica para previsão de vazões, que se baseia no agrupamento prévio de eventos, e que foi demonstrada por meio da aplicação na área de estudo que compreende a Estação Fluviométrica União da Vitória, em União da Vitória, Paraná, Brasil, a partir das vazões médias diárias de 1964 a 2015, subdivididas entre os períodos de ajuste (até 2004) e previsão (de 2005 a 2015). Para a obtenção de três grupos de cheia, aplicou-se o algoritmo fuzzy c-means (FCM), que evidenciou características similares entre eventos de um mesmo grupo. As cheias pertencentes a cada grupo deram origem às três séries de eventos por grupo, que, juntamente com a série completa de vazões e a série contendo todos os eventos de cheia, permitiram o treinamento de cinco modelos de previsão, por meio do algoritmo de Regressão por Vetores de Suporte (SVR). Os modelos individuais apresentaram melhor desempenho ao prever vazões de mesma categoria para as quais foram treinados, bem como, desempenhos similares para a previsão de todas as séries para um horizonte de previsão de um dia. A partir dos três modelos por grupo, foram criadas, ainda, quatro configurações de previsão: (i) média; (ii) por grupo de pertencimento; (iii) ponderada por distâncias Euclidianas dos eventos aos grupos; e (iv) ponderada por graus de pertencimento dos eventos aos grupos. As configurações apresentaram desempenhos distintos para o referido horizonte de previsão, com melhor performance, em geral, para a previsão média, ponderada pelas distâncias Euclidianas, ponderada pelos graus de pertencimento e por grupo, nesta ordem

Abstract: Streamflow forecasting process contains inherent uncertainties that propagate through the system, making it difficult to determine the mechanisms of discharge generation and leading to the potential oversight of distinct characteristics between extreme events. This occurs despite the existence of alternatives aimed at improving result accuracy. In this context, Artificial Intelligence (AI) tools have emerged as alternatives to traditional hydrological models, leading to the application of algorithms based on fuzzy logic and Support Vector Machines. However, a review of the literature shows that research generally focuses on comparing techniques and identifying the best tools for various hydrological applications, rather than specifically developing new modeling approaches. Therefore, this study proposes a new hydrological modeling approach for flow forecasting, based on the previous clustering of events. This approach was demonstrated through its application to the study area encompassing the União da Vitória Gauging Station in União da Vitória, Paraná State, Brazil. The study used mean daily discharge data from 1964 to 2015, divided into an adjustment period (up to 2004) and a forecast period (2005 to 2015). To obtain three flood clusters, the fuzzy c-means (FCM) algorithm was applied, revealing similar characteristics between events within the same group. The floods in each group resulted in three event series per group. These, along with the complete series of discharges and the series containing all flood events, enabled the training of five forecasting models using the Support Vector Regression (SVR) algorithm. The individual models performed best when predicting flows within the same category for which they were trained and showed similar performance when predicting all series one-day ahead. Based on the three models per group, four forecast configurations were created: (i) average; (ii) by group assignment; (iii) weighted by the Euclidean distances of events to the groups; and (iv) weighted by the degrees of belonging of events to the groups. These configurations performed differently for the one-day forecast horizon, with the average forecast generally performing best, followed by the forecasts weighted by Euclidean distances, degrees of belonging, and group assignment, in that order