Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/49081 |
Resumo: | A previsão de longo prazo de vazões mínimas é de grande relevância num cenário provocado mudanças nos padrões de precipitação, ocorrência de secas mais severas e prolongadas. Num cenário de mudanças de tendências, medidas regulatórias de controle baseadas em vazões de referência estáticas ou baseadas na climatologia das vazões serão ineficazes, podendo ser permissivas em períodos críticos e restritivas em períodos favoráveis. De um lado, é crescente a disponibilização de dados em escala global e produtos derivados de sensoriamento remoto com alta resolução temporal e espacial. De outro, os modelos gerados por algoritmos de aprendizado estatístico (machine learning) têm se mostrado cada vez mais acurados e robustos no processo de aprendizado e previsão. Entretanto, seu uso ainda é incipiente no campo das ciências hidrológicas. Neste trabalho foram utilizados três algoritmos de aprendizado de máquina: Support Vector Machine (SMV), Random Forest (RF) e Extreme Gradient Boosting (XGBoost) para realizar previsões de vazões mínimas com 6-9 meses de antecedência, em cinco bacias localizadas no Cerrado e Mata-Atlântica. Como preditores foram utilizados os índices Temperature Condition Index (TCI), Vegetation Condition Index (VCI), Palmer meteorológico (PDSI), vazões observadas (Q) e precipitação obtida pelo Climate hazards infrared precipitation with stations (CHIRPS). Foram investigadas as performances de aprendizado dos algoritmos no período de extrema seca não utilizada no treinamento, o grau de importância dada aos preditores, a influência da variabilidade espacial na performance e a capacidade de generalização. A habilidade do índice Palmer como substituto da vazão observada também foi investigada. Os modelos obtidos pelo algoritmo SVM apresentaram desempenho drasticamente superior aos demais, com grande poder de generalização, especialmente quando aplicados de forma cruzada em bacias localizadas em biomas, região climática, altura pluviométrica e capacidade de recarga distintas. Os resultados mostraram que a previsibilidade de vazões mínimas em locais com baixos índices pluviométricos e precipitação irregular é controlada fortemente por uma componente interanual. Através da vazão observada, associada a técnicas de suavização na escala temporal adequada e diferenciação do sinal, o algoritmo SVM conseguiu realizar o aprendizado sobre o balanço hidrológico, sendo essa variável fundamental no processo de previsão. |
id |
UFPE_55334bff8d15330a458f76a903fcad83 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/49081 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
REIS, Luis Gustavo de Mourahttp://lattes.cnpq.br/8975250339944389http://lattes.cnpq.br/7831378362627809MONTENEGRO, Suzana Maria Gico Lima2023-02-13T12:43:26Z2023-02-13T12:43:26Z2022-07-27REIS, Luis Gustavo de Moura. Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global. 2022. Tese (Doutorado em Engenharia Civil) – Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/49081A previsão de longo prazo de vazões mínimas é de grande relevância num cenário provocado mudanças nos padrões de precipitação, ocorrência de secas mais severas e prolongadas. Num cenário de mudanças de tendências, medidas regulatórias de controle baseadas em vazões de referência estáticas ou baseadas na climatologia das vazões serão ineficazes, podendo ser permissivas em períodos críticos e restritivas em períodos favoráveis. De um lado, é crescente a disponibilização de dados em escala global e produtos derivados de sensoriamento remoto com alta resolução temporal e espacial. De outro, os modelos gerados por algoritmos de aprendizado estatístico (machine learning) têm se mostrado cada vez mais acurados e robustos no processo de aprendizado e previsão. Entretanto, seu uso ainda é incipiente no campo das ciências hidrológicas. Neste trabalho foram utilizados três algoritmos de aprendizado de máquina: Support Vector Machine (SMV), Random Forest (RF) e Extreme Gradient Boosting (XGBoost) para realizar previsões de vazões mínimas com 6-9 meses de antecedência, em cinco bacias localizadas no Cerrado e Mata-Atlântica. Como preditores foram utilizados os índices Temperature Condition Index (TCI), Vegetation Condition Index (VCI), Palmer meteorológico (PDSI), vazões observadas (Q) e precipitação obtida pelo Climate hazards infrared precipitation with stations (CHIRPS). Foram investigadas as performances de aprendizado dos algoritmos no período de extrema seca não utilizada no treinamento, o grau de importância dada aos preditores, a influência da variabilidade espacial na performance e a capacidade de generalização. A habilidade do índice Palmer como substituto da vazão observada também foi investigada. Os modelos obtidos pelo algoritmo SVM apresentaram desempenho drasticamente superior aos demais, com grande poder de generalização, especialmente quando aplicados de forma cruzada em bacias localizadas em biomas, região climática, altura pluviométrica e capacidade de recarga distintas. Os resultados mostraram que a previsibilidade de vazões mínimas em locais com baixos índices pluviométricos e precipitação irregular é controlada fortemente por uma componente interanual. Através da vazão observada, associada a técnicas de suavização na escala temporal adequada e diferenciação do sinal, o algoritmo SVM conseguiu realizar o aprendizado sobre o balanço hidrológico, sendo essa variável fundamental no processo de previsão.Long-term low-flow predictions are of great importance in a scenario marked by changes in precipitation patterns and increasing drought frequency, severity, and duration. In the presence of significative hydrological trends, water permit limitations based on permanent low flow quantiles may not work out, leading to incompatible restrictions during the wet or dry season. On one side is the increasing availability of climatic data on a global scale and satellite-derived data, with high spatial and temporal resolution. On another, data-driven models derived from machine learning algorithms have shown powerful skill in dealing with loads of data and delivering accurate results in prediction tasks. Nevertheless, its application in hydrology sciences is still underused. This work employed machine learning algorithms associated with satellite-derived and reanalysis data to forecast low streamflows in the dry season with 6- and 9-months lead time. Global drought indexes: Temperature Condition Index - TCI and Vegetation Condition Index - VCI provided from NOAA/AVHRR-VIIRS, and Palmer Severity Drouth Index – PDSI were employed as predictors. Climate hazards infrared precipitation with stations – CHIRPS was considered as input. We also investigate the skill PDSI as a proxy to observed streamflows. The skill of machine learning algorithms: SVM (support vector machine), RF (random forest), and XGBoost (Extreme Gradient Boosting) were also investigated. The experiment was carried out in five watersheds located in Brazilian Atlantic Forest and Cerrado Biome (Brazilian Savana). Algorithms’ performance, generalization ability, and skill of predictors were tested during the most severe drought period registered. Influences of spatial variability were investigated by the extraction of covariation modes and EOFs. Our experiments showed that an inter-annual low- frequency signal controls the predictability of low streamflows. The lower the annual rainfall, the higher interannual variability. Machine Learning models derived from the SVM-Linear algorithm drastically outperformed RF and XGBoost and showed great skill in predicting low flows with a six-month lead time. SVM showed great generalization skills when the models were submitted to a proxy basin test. Observed streamflows play an essential role in the prediction, when associated with smoothing and differentiation technics can drastically improve algorithm’s learning about hydrologic water balance.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Engenharia CivilUFPEBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessEngenharia civilPrevisão de longo-prazoPrevisão de vazões mínimasAprendizado de máquinaAprendizado estatísticoSVMRFXGBoostAprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala globalinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisdoutoradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALTESE Luis Gustavo de Moura Reis.pdfTESE Luis Gustavo de Moura Reis.pdfapplication/pdf3191821https://repositorio.ufpe.br/bitstream/123456789/49081/1/TESE%20Luis%20Gustavo%20de%20Moura%20Reis.pdfb45e5bddebe9c0adf83f25d25e4acd7dMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/49081/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/49081/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53TEXTTESE Luis Gustavo de Moura Reis.pdf.txtTESE Luis Gustavo de Moura Reis.pdf.txtExtracted texttext/plain227405https://repositorio.ufpe.br/bitstream/123456789/49081/4/TESE%20Luis%20Gustavo%20de%20Moura%20Reis.pdf.txtdb75d7cadb1287a62f115be27a7084d9MD54THUMBNAILTESE Luis Gustavo de Moura Reis.pdf.jpgTESE Luis Gustavo de Moura Reis.pdf.jpgGenerated Thumbnailimage/jpeg1286https://repositorio.ufpe.br/bitstream/123456789/49081/5/TESE%20Luis%20Gustavo%20de%20Moura%20Reis.pdf.jpg579bcf2bc9ef952987dca0b59285daa4MD55123456789/490812023-02-14 02:20:46.331oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212023-02-14T05:20:46Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global |
title |
Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global |
spellingShingle |
Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global REIS, Luis Gustavo de Moura Engenharia civil Previsão de longo-prazo Previsão de vazões mínimas Aprendizado de máquina Aprendizado estatístico SVM RF XGBoost |
title_short |
Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global |
title_full |
Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global |
title_fullStr |
Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global |
title_full_unstemmed |
Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global |
title_sort |
Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global |
author |
REIS, Luis Gustavo de Moura |
author_facet |
REIS, Luis Gustavo de Moura |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/8975250339944389 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/7831378362627809 |
dc.contributor.author.fl_str_mv |
REIS, Luis Gustavo de Moura |
dc.contributor.advisor1.fl_str_mv |
MONTENEGRO, Suzana Maria Gico Lima |
contributor_str_mv |
MONTENEGRO, Suzana Maria Gico Lima |
dc.subject.por.fl_str_mv |
Engenharia civil Previsão de longo-prazo Previsão de vazões mínimas Aprendizado de máquina Aprendizado estatístico SVM RF XGBoost |
topic |
Engenharia civil Previsão de longo-prazo Previsão de vazões mínimas Aprendizado de máquina Aprendizado estatístico SVM RF XGBoost |
description |
A previsão de longo prazo de vazões mínimas é de grande relevância num cenário provocado mudanças nos padrões de precipitação, ocorrência de secas mais severas e prolongadas. Num cenário de mudanças de tendências, medidas regulatórias de controle baseadas em vazões de referência estáticas ou baseadas na climatologia das vazões serão ineficazes, podendo ser permissivas em períodos críticos e restritivas em períodos favoráveis. De um lado, é crescente a disponibilização de dados em escala global e produtos derivados de sensoriamento remoto com alta resolução temporal e espacial. De outro, os modelos gerados por algoritmos de aprendizado estatístico (machine learning) têm se mostrado cada vez mais acurados e robustos no processo de aprendizado e previsão. Entretanto, seu uso ainda é incipiente no campo das ciências hidrológicas. Neste trabalho foram utilizados três algoritmos de aprendizado de máquina: Support Vector Machine (SMV), Random Forest (RF) e Extreme Gradient Boosting (XGBoost) para realizar previsões de vazões mínimas com 6-9 meses de antecedência, em cinco bacias localizadas no Cerrado e Mata-Atlântica. Como preditores foram utilizados os índices Temperature Condition Index (TCI), Vegetation Condition Index (VCI), Palmer meteorológico (PDSI), vazões observadas (Q) e precipitação obtida pelo Climate hazards infrared precipitation with stations (CHIRPS). Foram investigadas as performances de aprendizado dos algoritmos no período de extrema seca não utilizada no treinamento, o grau de importância dada aos preditores, a influência da variabilidade espacial na performance e a capacidade de generalização. A habilidade do índice Palmer como substituto da vazão observada também foi investigada. Os modelos obtidos pelo algoritmo SVM apresentaram desempenho drasticamente superior aos demais, com grande poder de generalização, especialmente quando aplicados de forma cruzada em bacias localizadas em biomas, região climática, altura pluviométrica e capacidade de recarga distintas. Os resultados mostraram que a previsibilidade de vazões mínimas em locais com baixos índices pluviométricos e precipitação irregular é controlada fortemente por uma componente interanual. Através da vazão observada, associada a técnicas de suavização na escala temporal adequada e diferenciação do sinal, o algoritmo SVM conseguiu realizar o aprendizado sobre o balanço hidrológico, sendo essa variável fundamental no processo de previsão. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-07-27 |
dc.date.accessioned.fl_str_mv |
2023-02-13T12:43:26Z |
dc.date.available.fl_str_mv |
2023-02-13T12:43:26Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
REIS, Luis Gustavo de Moura. Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global. 2022. Tese (Doutorado em Engenharia Civil) – Universidade Federal de Pernambuco, Recife, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/49081 |
identifier_str_mv |
REIS, Luis Gustavo de Moura. Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global. 2022. Tese (Doutorado em Engenharia Civil) – Universidade Federal de Pernambuco, Recife, 2022. |
url |
https://repositorio.ufpe.br/handle/123456789/49081 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Engenharia Civil |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/49081/1/TESE%20Luis%20Gustavo%20de%20Moura%20Reis.pdf https://repositorio.ufpe.br/bitstream/123456789/49081/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/49081/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/49081/4/TESE%20Luis%20Gustavo%20de%20Moura%20Reis.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/49081/5/TESE%20Luis%20Gustavo%20de%20Moura%20Reis.pdf.jpg |
bitstream.checksum.fl_str_mv |
b45e5bddebe9c0adf83f25d25e4acd7d e39d27027a6cc9cb039ad269a5db8e34 5e89a1613ddc8510c6576f4b23a78973 db75d7cadb1287a62f115be27a7084d9 579bcf2bc9ef952987dca0b59285daa4 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310693346607104 |