Classificação neural com dados hidrometeorológicos descontínuos para alerta antecipado de enxurradas

Autores

Glauston Roberto Teixeira De Lima, Pedro Ruiz Pereira Lopes, Rochane De Oliveira Caram, Layrson De Jesus Menezes Goncalves

Resumo

Este estudo apresenta o desenvolvimento de um modelo hidrológico orientado por dados para a previsão do nível d-água com antecedência de uma hora, utilizando uma rede neural do tipo Perceptron Multicamadas. O modelo foi treinado com dados de nível d-água e precipitação provenientes de 12 estações de monitoramento localizadas em uma pequena bacia hidrográfica de resposta rápida, suscetível a inundações repentinas. Os dados de treinamento abrangem o período de 2020 a 2023, enquanto um conjunto de dados independente de 2024 foi utilizado para teste. Inicialmente, a MLP foi implementada como um modelo de regressão; contudo, seu desempenho mostrou-se limitado pela presença de lacunas nos registros históricos de precipitação. Para contornar essa limitação, o problema foi reformulado como uma tarefa de classificação, na qual os níveis d-água previstos foram agrupados em três classes hidrologicamente significativas, representando condições não críticas, intermediárias e de alerta. Uma sequência de experimentos de classificação foi conduzida para refinar o modelo, incluindo o tratamento explícito de dados de precipitação ausentes e uma estratégia alternativa de definição de classes que incorpora níveis d-água antecedentes e acúmulo de precipitação para representar condições de pré-alerta. O classificador proposto apresentou desempenho estável e maior consistência na identificação de situações de alerta, oferecendo um arcabouço robusto e operacionalmente relevante para sistemas de alerta antecipado de inundações em curto prazo em ambientes com dados limitados.

Palavras-chave

modelagem hidrológica orientada por dados; redes neurais; previsão de nível d?água; alerta antecipado de enxurradas.

Neural classification under discontinuous hydrometeorological data for flash flood early warning

Authors

Glauston Roberto Teixeira De Lima, Pedro Ruiz Pereira Lopes, Rochane De Oliveira Caram, Layrson De Jesus Menezes Goncalves

Abstract

This study presents the development of a data-driven hydrological model for one-hour-ahead water-level forecasting using a Multi-Layer Perceptron (MLP) neural network. The model was trained with water level and rainfall data from 12 monitoring stations located in a small, fast-responding watershed prone to flash floods. Training data span the period from 2020 to 2023, while an independent dataset from 2024 was used for testing. The MLP was initially implemented as a regression model, but its performance was limited by gaps in historical rainfall records. To overcome this limitation, the problem was reformulated as a classification task, in which forecasted water levels were grouped into three hydrologically meaningful classes representing non-critical, intermediate, and alert conditions. A sequence of classification experiments was conducted to refine the model, including the explicit treatment of missing rainfall data and an alternative class-definition strategy incorporating antecedent water levels and rainfall accumulation to represent pre-alert conditions. The proposed classifier achieved stable performance and improved consistency in identifying alert situations, providing a robust and operationally meaningful framework for short-term flood early-warning systems in data-limited environments.

Keywords

data-driven hydrological modeling; neural networks; water level forecasting; flash flood early warning.