Quantificação das Incertezas em Curvas de Descarga de Postos Fluviométricos Utilizando Inferência Bayesiana

Detalhes bibliográficos
Autor(a) principal: Ribeiro, Alana Renata
Data de Publicação: 2019
Outros Autores: Gobbi, Maurício Felga, Leite, Eduardo Alvim, Kleina, Mariana
Tipo de documento: Artigo
Idioma: por
Título da fonte: Anuário do Instituto de Geociências (Online)
Texto Completo: https://revistas.ufrj.br/index.php/aigeo/article/view/25347
Resumo: O objetivo deste artigo é apresentar a construção de uma região de confiabilidade probabilística em torno de curvas de descarga previamente definidas para diferentes postos fluviométricos, com o intuito de considerar as incertezas na obtenção de valores de vazão fluviométrica calculados por meio da utilização destas curvas. Modelos Bayesianos com algoritmos de amostragem MCMC (Monte Carlo via Cadeias de Markov) são construídos e aplicados às distribuições de probabilidade dos erros obtidos com a comparação de valores de vazão fluviométrica previstas (resultantes da aplicação das curvas de descarga) e observadas (por meio de métodos convencionais). Para este estudo registros de três postos hidrológicos monitorados pela COPEL (Companhia Paranaense de Energia) e de dez postos hidrológicos monitorados pela CEMIG (Companhia Energética de Minas Gerais) foram analisados e utilizados. Os resultados demonstraram que a abordagem Bayesiana revelou-se adequada aos objetivos propostos, permitindo a construção da região de confiabilidade e, com ela, a avaliação das incertezas associadas à utilização das curvas de descarga.
id UFRJ-21_9d5c5ba6cc860adc7a33a2da01612f36
oai_identifier_str oai:www.revistas.ufrj.br:article/25347
network_acronym_str UFRJ-21
network_name_str Anuário do Instituto de Geociências (Online)
repository_id_str
spelling Quantificação das Incertezas em Curvas de Descarga de Postos Fluviométricos Utilizando Inferência BayesianaDados fluviométricos; confiabilidade probabilística; MCMCO objetivo deste artigo é apresentar a construção de uma região de confiabilidade probabilística em torno de curvas de descarga previamente definidas para diferentes postos fluviométricos, com o intuito de considerar as incertezas na obtenção de valores de vazão fluviométrica calculados por meio da utilização destas curvas. Modelos Bayesianos com algoritmos de amostragem MCMC (Monte Carlo via Cadeias de Markov) são construídos e aplicados às distribuições de probabilidade dos erros obtidos com a comparação de valores de vazão fluviométrica previstas (resultantes da aplicação das curvas de descarga) e observadas (por meio de métodos convencionais). Para este estudo registros de três postos hidrológicos monitorados pela COPEL (Companhia Paranaense de Energia) e de dez postos hidrológicos monitorados pela CEMIG (Companhia Energética de Minas Gerais) foram analisados e utilizados. Os resultados demonstraram que a abordagem Bayesiana revelou-se adequada aos objetivos propostos, permitindo a construção da região de confiabilidade e, com ela, a avaliação das incertezas associadas à utilização das curvas de descarga.Universidade Federal do Rio de JaneiroFAPEMIGCEMIGCOPELRibeiro, Alana RenataGobbi, Maurício FelgaLeite, Eduardo AlvimKleina, Mariana2019-05-13info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://revistas.ufrj.br/index.php/aigeo/article/view/2534710.11137//2017_2_266_277Anuário do Instituto de Geociências; Vol 40, No 2 (2017); 266-277Anuário do Instituto de Geociências; Vol 40, No 2 (2017); 266-2771982-39080101-9759reponame:Anuário do Instituto de Geociências (Online)instname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJporhttps://revistas.ufrj.br/index.php/aigeo/article/view/25347/13773/*ref*/Alfaki, M. 2008. Improving effi ciency in parameter estimation using the Hamiltonian Monte Carlo algorithm. University of Bergen, Norway, Dissertação de Mestrado, 85p. Bonat, W.H.; Krainski, E.T.; Ribeiro, J.R & Zeviani, W.M. 2012. Métodos computacionais para inferência com aplicações em R. In: SIMPOSIO BRASILEIRO DE PROBABILIDADE E ESTATÍSTICA, SINAPE, 20, CD-ROM. Di Baldassarre, G. & Montanari, A. 2009. Uncertainty in river discharge observations: a quantitative analysis. Hydrology and Earth System Sciences, 13: 913-921. Domeneghetti, A.; Castellarin, A. & Brath, A. 2012. Assessing rating-curve uncertainty and its effects on hydraulic calibration. Hydrology and Earth System Sciences, 16: 1191-1202. Duane, S.; Kennedy, A.D.; Pedleton, B.J. & Roweth, D. 1987. Hybrid Monte Carlo. Physics Letters B, 195: 216-222. Gelfand, A.E. & Smith, A.F.M. 1990. Sampling based approaches to calculating marginal densities. Journal of the American Statistical Association, 85: 398-409. Gelman, A.; Carlin, J.B.; Stern, H.S. & Rubin, D.B. 2003. Bayesian data analysis – 2ª ed. London, Chapman and Hall, 689p. Gelman, A.; Carlin, J.B.; Stern, H.S.; Rubin, D.B.; Dunson, D. & Vehtari, A. 2013. Bayesian data analysis – 3ª ed. London, Chapman and Hall, 639p. Geman, S. & Geman, D. 1984. Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images. IEEE Trans. on pattern analysis and machine intelligence, 6: 721-741. Hastings, W.K. 1970. Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57: 97-10. Le Coz, J.; Renard, B.; Bonnifait, L.; Branger, F.; Le Boursicaud, R. 2014. Combining hydraulic knowledge and uncertain gaugings in the estimation of hydrometric rating curves: a Bayesian approach. Journal of Hydrology, 509: 573-587. McMillan, H.; Freer, J.; Pappenberger F.; Krueger, T. & Clark, M. 2010. Impacts of uncertain river flow data on rainfall-runoff model calibration and discharge predictions. Hydrological Processes, 24: 1270-1284. Metropolis, N.; Rosenbluth, A.W.; Rosenbluth, M.N.; Teller, A.H. & Teller, E. 1953. Equations of state calculations by fast computing machines. The Journal of Chemical Physics, 21: 1087-1091. Montanari, A. & Brath, A. 2004. A stochastic approach for assessing the uncertainty of rainfall-runoff simulations. Water Resour, 40: W01106. Montanari, A. & Grossi, G. 2008. Estimating the uncertainty of hydrological forecasts: A statistical approach. Water Resour, 44: W00B08. Moyeed, R.A. & Clarke, R.T. 2005. The use of Bayesian methods for fitting rating curves, with case studies. Advances in Water Resources, 28: 807-818. Overleir, A.P. 2004. Accounting for heteroscedasticity in rating curve estimates. Journal of Hydrology, 292: 173-181. R Core Team. 2012. R: a language and environment for statistical computing. R Fundation for Statistical Computing, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org/. Rantz, S.E. 1982. Measurement and computation of streamflow: Volume 2. Computation of discharge. Geological Survey Water-Supply Paper 2175. Washington, United States Government Printing Office, 118p. Schmidt, A.R. 2002. Analysis of stage-discharge relations for open-channel flows and their associated uncertainties. University of Illinois, Urbana-Champaign, Tese de Doutorado, 329p. Silva, F.E.; Naghettini, M. & Fernandes, W. 2014. Avaliação bayesiana das incertezas nas estimativas dos parâmetros de um modelo chuva-vazão conceitual. Revista Brasileira de Recursos Hídricos, 19: 148-159. Westerberg, I.; Guerrero, J.L.; Seibert, J.; Beven, K.J. & Halldin, S. 2011. Stage-discharge uncertainty derived with a non-stationary rating curve in the Choluteca River. Hydrological Process, 25: 603-613.Copyright (c) 2019 Anuário do Instituto de Geociênciashttp://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccess2019-05-13T18:35:04Zoai:www.revistas.ufrj.br:article/25347Revistahttps://revistas.ufrj.br/index.php/aigeo/indexPUBhttps://revistas.ufrj.br/index.php/aigeo/oaianuario@igeo.ufrj.br||1982-39080101-9759opendoar:2019-05-13T18:35:04Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.none.fl_str_mv Quantificação das Incertezas em Curvas de Descarga de Postos Fluviométricos Utilizando Inferência Bayesiana
title Quantificação das Incertezas em Curvas de Descarga de Postos Fluviométricos Utilizando Inferência Bayesiana
spellingShingle Quantificação das Incertezas em Curvas de Descarga de Postos Fluviométricos Utilizando Inferência Bayesiana
Ribeiro, Alana Renata
Dados fluviométricos; confiabilidade probabilística; MCMC
title_short Quantificação das Incertezas em Curvas de Descarga de Postos Fluviométricos Utilizando Inferência Bayesiana
title_full Quantificação das Incertezas em Curvas de Descarga de Postos Fluviométricos Utilizando Inferência Bayesiana
title_fullStr Quantificação das Incertezas em Curvas de Descarga de Postos Fluviométricos Utilizando Inferência Bayesiana
title_full_unstemmed Quantificação das Incertezas em Curvas de Descarga de Postos Fluviométricos Utilizando Inferência Bayesiana
title_sort Quantificação das Incertezas em Curvas de Descarga de Postos Fluviométricos Utilizando Inferência Bayesiana
author Ribeiro, Alana Renata
author_facet Ribeiro, Alana Renata
Gobbi, Maurício Felga
Leite, Eduardo Alvim
Kleina, Mariana
author_role author
author2 Gobbi, Maurício Felga
Leite, Eduardo Alvim
Kleina, Mariana
author2_role author
author
author
dc.contributor.none.fl_str_mv FAPEMIG
CEMIG
COPEL
dc.contributor.author.fl_str_mv Ribeiro, Alana Renata
Gobbi, Maurício Felga
Leite, Eduardo Alvim
Kleina, Mariana
dc.subject.por.fl_str_mv Dados fluviométricos; confiabilidade probabilística; MCMC
topic Dados fluviométricos; confiabilidade probabilística; MCMC
description O objetivo deste artigo é apresentar a construção de uma região de confiabilidade probabilística em torno de curvas de descarga previamente definidas para diferentes postos fluviométricos, com o intuito de considerar as incertezas na obtenção de valores de vazão fluviométrica calculados por meio da utilização destas curvas. Modelos Bayesianos com algoritmos de amostragem MCMC (Monte Carlo via Cadeias de Markov) são construídos e aplicados às distribuições de probabilidade dos erros obtidos com a comparação de valores de vazão fluviométrica previstas (resultantes da aplicação das curvas de descarga) e observadas (por meio de métodos convencionais). Para este estudo registros de três postos hidrológicos monitorados pela COPEL (Companhia Paranaense de Energia) e de dez postos hidrológicos monitorados pela CEMIG (Companhia Energética de Minas Gerais) foram analisados e utilizados. Os resultados demonstraram que a abordagem Bayesiana revelou-se adequada aos objetivos propostos, permitindo a construção da região de confiabilidade e, com ela, a avaliação das incertezas associadas à utilização das curvas de descarga.
publishDate 2019
dc.date.none.fl_str_mv 2019-05-13
dc.type.none.fl_str_mv

dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://revistas.ufrj.br/index.php/aigeo/article/view/25347
10.11137//2017_2_266_277
url https://revistas.ufrj.br/index.php/aigeo/article/view/25347
identifier_str_mv 10.11137//2017_2_266_277
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://revistas.ufrj.br/index.php/aigeo/article/view/25347/13773
/*ref*/Alfaki, M. 2008. Improving effi ciency in parameter estimation using the Hamiltonian Monte Carlo algorithm. University of Bergen, Norway, Dissertação de Mestrado, 85p. Bonat, W.H.; Krainski, E.T.; Ribeiro, J.R & Zeviani, W.M. 2012. Métodos computacionais para inferência com aplicações em R. In: SIMPOSIO BRASILEIRO DE PROBABILIDADE E ESTATÍSTICA, SINAPE, 20, CD-ROM. Di Baldassarre, G. & Montanari, A. 2009. Uncertainty in river discharge observations: a quantitative analysis. Hydrology and Earth System Sciences, 13: 913-921. Domeneghetti, A.; Castellarin, A. & Brath, A. 2012. Assessing rating-curve uncertainty and its effects on hydraulic calibration. Hydrology and Earth System Sciences, 16: 1191-1202. Duane, S.; Kennedy, A.D.; Pedleton, B.J. & Roweth, D. 1987. Hybrid Monte Carlo. Physics Letters B, 195: 216-222. Gelfand, A.E. & Smith, A.F.M. 1990. Sampling based approaches to calculating marginal densities. Journal of the American Statistical Association, 85: 398-409. Gelman, A.; Carlin, J.B.; Stern, H.S. & Rubin, D.B. 2003. Bayesian data analysis – 2ª ed. London, Chapman and Hall, 689p. Gelman, A.; Carlin, J.B.; Stern, H.S.; Rubin, D.B.; Dunson, D. & Vehtari, A. 2013. Bayesian data analysis – 3ª ed. London, Chapman and Hall, 639p. Geman, S. & Geman, D. 1984. Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images. IEEE Trans. on pattern analysis and machine intelligence, 6: 721-741. Hastings, W.K. 1970. Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57: 97-10. Le Coz, J.; Renard, B.; Bonnifait, L.; Branger, F.; Le Boursicaud, R. 2014. Combining hydraulic knowledge and uncertain gaugings in the estimation of hydrometric rating curves: a Bayesian approach. Journal of Hydrology, 509: 573-587. McMillan, H.; Freer, J.; Pappenberger F.; Krueger, T. & Clark, M. 2010. Impacts of uncertain river flow data on rainfall-runoff model calibration and discharge predictions. Hydrological Processes, 24: 1270-1284. Metropolis, N.; Rosenbluth, A.W.; Rosenbluth, M.N.; Teller, A.H. & Teller, E. 1953. Equations of state calculations by fast computing machines. The Journal of Chemical Physics, 21: 1087-1091. Montanari, A. & Brath, A. 2004. A stochastic approach for assessing the uncertainty of rainfall-runoff simulations. Water Resour, 40: W01106. Montanari, A. & Grossi, G. 2008. Estimating the uncertainty of hydrological forecasts: A statistical approach. Water Resour, 44: W00B08. Moyeed, R.A. & Clarke, R.T. 2005. The use of Bayesian methods for fitting rating curves, with case studies. Advances in Water Resources, 28: 807-818. Overleir, A.P. 2004. Accounting for heteroscedasticity in rating curve estimates. Journal of Hydrology, 292: 173-181. R Core Team. 2012. R: a language and environment for statistical computing. R Fundation for Statistical Computing, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org/. Rantz, S.E. 1982. Measurement and computation of streamflow: Volume 2. Computation of discharge. Geological Survey Water-Supply Paper 2175. Washington, United States Government Printing Office, 118p. Schmidt, A.R. 2002. Analysis of stage-discharge relations for open-channel flows and their associated uncertainties. University of Illinois, Urbana-Champaign, Tese de Doutorado, 329p. Silva, F.E.; Naghettini, M. & Fernandes, W. 2014. Avaliação bayesiana das incertezas nas estimativas dos parâmetros de um modelo chuva-vazão conceitual. Revista Brasileira de Recursos Hídricos, 19: 148-159. Westerberg, I.; Guerrero, J.L.; Seibert, J.; Beven, K.J. & Halldin, S. 2011. Stage-discharge uncertainty derived with a non-stationary rating curve in the Choluteca River. Hydrological Process, 25: 603-613.
dc.rights.driver.fl_str_mv Copyright (c) 2019 Anuário do Instituto de Geociências
http://creativecommons.org/licenses/by/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Copyright (c) 2019 Anuário do Instituto de Geociências
http://creativecommons.org/licenses/by/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
dc.source.none.fl_str_mv Anuário do Instituto de Geociências; Vol 40, No 2 (2017); 266-277
Anuário do Instituto de Geociências; Vol 40, No 2 (2017); 266-277
1982-3908
0101-9759
reponame:Anuário do Instituto de Geociências (Online)
instname:Universidade Federal do Rio de Janeiro (UFRJ)
instacron:UFRJ
instname_str Universidade Federal do Rio de Janeiro (UFRJ)
instacron_str UFRJ
institution UFRJ
reponame_str Anuário do Instituto de Geociências (Online)
collection Anuário do Instituto de Geociências (Online)
repository.name.fl_str_mv Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv anuario@igeo.ufrj.br||
_version_ 1797053543383826432

Registros relacionados