Previsão de vazões totais para horizonte de médio prazo via modelagem guiada por dados
DOI:
https://doi.org/10.5902/2179460X87856Palavras-chave:
Previsão de afluências, Aprendizado de máquina, Weka, Operação de reservatórioResumo
Este trabalho apresenta a aplicação de redes neurais artificiais (RNA), algoritmo dos k-vizinhos mais próximos (KNN) e máquinas de regressão por vetores de suporte (SVR) para modelar a previsão de vazões afluentes ao reservatório de Sobradinho, na Bahia. Utilizando o software Weka, seis formulações foram testadas para previsões de 3 meses, com dados divididos em esquemas de validação cruzada e calibração-validação. A eficiência foi avaliada pelo coeficiente de Nash-Sutcliffe, destacando a superioridade da SVR. A inclusão de atributos como vazão média e precipitação melhorou as eficiências. O modelo usando KNN com 13 vizinhos foi incorporado à uma estratégia de otimização estocástica implícita aprimorada para a operação do reservatório. Este modelo foi comparado a outros métodos de operação, mostrando superioridade no índice de vulnerabilidade.
Downloads
Referências
Akbari, M., Overloop, P. J. v., & Afshar, A. (2010). Clustered k nearest neighbor algorithm for daily inflow forecasting. Water Resources Management, 25(5), 1341–1357. DOI: https://doi.org/10.1007/s11269-010-9748-z
Ávila, L., Mine, M. R. M., & Kaviski, E. (2020). Probabilistic long-term reservoir operation employing copulas and implicit stochastic optimization. Stochastic Environmental Research and Risk Assessment, 34(7), 931–947. DOI: https://doi.org/10.1007/s00477-020-01826-9
Celeste, A. B. & Billib, M. (2009). Evaluation of stochastic reservoir operation optimization models. Advances in Water Resources, 32(9), 1429–1443. DOI: https://doi.org/10.1016/j.advwatres.2009.06.008
Chiamsathit, C., Adeloye, A. J., & Bankaru-Swamy, S. (2016). Inflow forecasting using artificial neural networks for reservoir operation. Proceedings of the International Association of Hydrological Sciences, 373, 209–214. DOI: https://doi.org/10.5194/piahs-373-209-2016
Giuliani, M., Lamontagne, J. R., Reed, P. M., & Castelletti, A. (2021). A state-of-the-art review of optimal reservoir control for managing conflicting demands in a changing world. Water Resources Research, 57(12). DOI: https://doi.org/10.1029/2021WR029927
Khadr, M. & Schlenkhoff, A. (2021). GA-based implicit stochastic optimization and RNN-based simulation for deriving multi-objective reservoir hedging rules. Environmental Science and Pollution Research, 28(15), 19107–19120. DOI: https://doi.org/10.1007/s11356-020-12291-w
Maddu, R., Pradhan, I., Ahmadisharaf, E., Singh, S. K., & Shaik, R. (2022). Short-range reservoir inflow forecasting using hydrological and large-scale atmospheric circulation information. Journal of Hydrology, 612, 128153. DOI: https://doi.org/10.1016/j.jhydrol.2022.128153
Morettin, P. A. & Singer, J. M. S. (2023). Estatística e Ciência de Dados. LTC, Rio de Janeiro.
Moriasi, D. N., Arnold, J. G., Liew, M. W. V., Bingner, R. L., Harmel, R. D., & Veith, T. L. (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE, 50(3), 885–900. DOI: https://doi.org/10.13031/2013.23153
Nagy, I. V., Asante-Duah, K., & Zsuffa, I. (2002). Hydrological Dimensioning and Operation of Reservoirs: Practical Design Concepts and Principles. Springer Netherlands. DOI: https://doi.org/10.1007/978-94-015-9894-1
Nash, J. & Sutcliffe, J. (1970). River flow forecasting through conceptual models part I – A discussion of principles. Journal of Hydrology, 10(3), 282–290. DOI: https://doi.org/10.1016/0022-1694(70)90255-6
Refsgaard, J. C. (1990). Terminology, modelling protocol and classification of hydrological model codes. In Abbott, M. B. & Refsgaard, J. C., editors, Distributed Hydrological Modelling, pages 17–39. Springer Netherlands. DOI: https://doi.org/10.1007/978-94-009-0257-2_2
Santana, R. F. & Celeste, A. B. (2021). Stochastic reservoir operation with data-driven modeling and inflow forecasting. Journal of Applied Water Engineering and Research, 10(3), 212–223. DOI: https://doi.org/10.1080/23249676.2021.1964389
Shu, X., Ding, W., Peng, Y., Wang, Z., Wu, J., & Li, M. (2021). Monthly streamflow forecasting using convolutional neural network. Water Resources Management, 35(15), 5089–5104. DOI: https://doi.org/10.1007/s11269-021-02961-w
Solomatine, D. P. (2006). Data-driven modeling and computational intelligence methods in hydrology. In Anderson, M. G. & McDonnell, J. J., editors, Encyclopedia of Hydrological Sciences. Wiley. DOI: https://doi.org/10.1002/0470848944.hsa021
Solomatine, D. P., Maskey, M., & Shrestha, D. L. (2007). Instance-based learning compared to other data-driven methods in hydrological forecasting. Hydrological Processes, 22(2), 275–287. DOI: https://doi.org/10.1002/hyp.6592
Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, Amsterdam.
Wu, M.-C., Lin, G.-F., & Lin, H.-Y. (2012). Improving the forecasts of extreme streamflow by support vector regression with the data extracted by self-organizing map. Hydrological Processes, 28(2), 386–397. DOI: https://doi.org/10.1002/hyp.9584
Wu, W., Eamen, L., Dandy, G., Razavi, S., Kuczera, G., & Maier, H. R. (2023). Beyond engineering: A review of reservoir management through the lens of wickedness, competing objectives and uncertainty. Environmental Modelling & Software, 167, 105777. DOI: https://doi.org/10.1016/j.envsoft.2023.105777
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Ciência e Natura
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.
Diretrizes Éticas para Publicação de Revistas
A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.
A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.
Em particular,
Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.
Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.
Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.
