Modelagem híbrida de vazões fluviais com MGB-IPH e redes neurais artificiais
Data
2026-06-29
Autores
Silva, André Rodrigues da
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
A modelagem hidrológica é imprescindível para o planejamento e gestão dos recursos hídricos, para a previsão de vazões em hidrelétricas e para o controle de inundações em cidades e mitigação de secas que afetam a agricultura. As técnicas de inteligência artificial têm ganhado destaque por sua capacidade de identificar padrões complexos em grandes volumes de dados, mesmo quando a formulação física dos processos é incerta ou incompleta. Este trabalho teve como objetivo propor, desenvolver e avaliar um modelo híbrido integrando o Modelo de Grandes Bacias (MGB-IPH) a Redes Neurais Artificiais do tipo Multilayer Perceptron (MLP) para aprimorar a previsão de vazões diárias, aliado a um framework de quantificação de incertezas. A área de estudo foi a bacia hidrográfica do rio Ivaí (Paraná, Brasil), utilizando uma série temporal de 45 anos (1975 a 2019), sendo 1975 a 2011 o período de calibração e 2012 a 2019 o período de validação. O MGB-IPH foi calibrado e teve sua incerteza avaliada por meio do desenvolvimento de uma rotina computacional baseada no algoritmo SUFI-2, e suas saídas serviram de entrada para a rede neural. A incerteza da rede neural foi quantificada pelo método de Monte Carlo Dropout com até 10.000 simulações, gerando o envelope probabilístico 95PPU (95% Prediction Uncertaint). Foram avaliadas duas arquiteturas: MGB-ANN-1 (vazões de 11 sub-bacias como entrada) e MGB-ANN-2 (vazões de 11 sub-bacias e 83 séries de precipitação). Os resultados confirmaram a hipótese da pesquisa: o modelo híbrido MGB-ANN-1 superou o MGB-IPH isolado, aumentando a Eficiência de Nash-Sutcliffe (NSE) de 0,69 para 0,84 e a Eficiência de Nash-Sutcliffe Logarítmica (NSlog) de 0,89 para 0,90 na validação, e reduzindo o viés percentual (PBIAS) de -8,08% para -5,20%. Constatou-se que a inserção da precipitação (MGB-ANN-2) não resultou em ganhos significativos e ampliou a largura da banda de incerteza (com aumento do d-factor de 0,46 para 0,58 no teste com 10.000 simulações de Monte Carlo Dropout) devido ao ruído inerente aos dados pluviométricos. Apesar da melhora, a arquitetura MLP demonstrou dificuldade em reduzir a incerteza durante as cheias históricas (como as de 1983 e 2013) em virtude da escassez de eventos dessa magnitude para o treinamento do algoritmo.
Descrição
Palavras-chave
Análise de incerteza, Modelagem hidrológica, Eventos extremos, Recursos hídricos, Modelo de Grandes Bacias, Redes neurais artificiais