Modelo de aprendizado de máquina e de base física para simulações de vazões de uma bacia hidrográfica da Amazônia

Autores

Kauê Feio Costa Raiol, Radijha Jennifer Nunes Da Silva, Amanda De Cássia Lobato Soares, Leonardo Melo De Mendonça, Josias Da Silva Cruz, Claudio Jose Cavalcante Blanco

Resumo

Foram comparadas modelagens de vazões de uma sub-bacia hidrográfica do rio Guamá, na Amazônia. O modelo de aprendizado de máquina desenvolvido foi uma Rede Neural Recorrente Autorregressiva Não Linear com Entradas Exógenas (RNN-NARX) e o modelo físico considerado foi o Hydrologic Modeling System (HEC-HMS). Dados diários de precipitação, vazão e temperatura foram utilizados para entrada, calibração e validação dos modelos. O desempenho dos modelos foi de -Bom- a -Excelente-, conforme classificação disponível na literatura. Entretanto, as vazões simuladas obtiveram maior desempenho com o modelo RNN-NARX, pois os valores de NSE e KGE aproximaram-se de 1,0. As simulações com o HEC-HMS, apesar de terem menor desempenho, foram importantes no estabelecimento da comparação entre um modelo físico e um modelo de aprendizagem de máquina. Assim, o modelo das RNN-NARX mostrou-se mais adequado para simular, com maior precisão, as vazões da sub-bacia hidrográfica do rio Guamá. Outro destaque, no melhor desempenho das redes neurais, é a menor quantidade de dados necessários para a modelagem, comparada ao volume de dados necessários para a modelagem com o HEC-HMS. Fato importante, em se tratando de Amazônia, onde a logística para coleta de dados, às vezes, torna-se impraticável devido às condições morfoclimáticas da região.

Palavras-chave

Modelagem Hidrológica; NARX; HEC-HMS; Rio Guamá; Amazônia.

Machine learning and physics-based model for streamflow simulations in an Amazonian basin

Authors

Kauê Feio Costa Raiol, Radijha Jennifer Nunes Da Silva, Amanda De Cássia Lobato Soares, Leonardo Melo De Mendonça, Josias Da Silva Cruz, Claudio Jose Cavalcante Blanco

Abstract

Streamflow modeling of a sub-watershed of the Guamá River in the Amazon were compared. The machine learning model developed was a Nonlinear Autoregressive Recurrent Neural Network with Exogenous Inputs (RNN-NARX), while the physical model considered was the Hydrologic Modeling System (HEC-HMS). Daily precipitation, streamflow, and temperature data were used for input, calibration, and validation of the models. Model performance ranged from -Good- to -Excellent,- based on classifications found in the literature. However, the RNN-NARX model generated superior streamflow simulation performance, with NSE and KGE values approaching 1.0. Although the HEC-HMS simulations showed lower performance, they were crucial for establishing a comparison between a physical model and a machine learning model. Thus, the RNN-NARX model proved more suitable for simulating streamflow in the Guamá River sub-basin with greater accuracy. Another notable advantage of the neural network-s superior performance is the smaller amount of data required for modeling compared to the volume needed for HEC-HMS. This is a significant factor in the Amazon context, where data collection logistics can sometimes become unfeasible due to the region-s morphoclimatic conditions.

Keywords

Hydrological Modeling; NARX; HEC-HMS; Guamá River; Amazon.