Modelagem de vazões máximas e mínimas com base em aprendizado de máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | LOCUS Repositório Institucional da UFV |
Texto Completo: | https://locus.ufv.br//handle/123456789/30528 https://doi.org/10.47328/ufvbbt.2023.028 |
Resumo: | O comportamento hidrológico de diversas bacias hidrográficas tem sido afetado por fatores como uso e cobertura da terra, demanda hídrica e mudanças climáticas, levando ao comprometimento da disponibilidade hídrica ou à ocorrência de eventos extremos de vazão. Esse comportamento pode ser avaliado por meio de testes não-paramétricos, que mostram a tendência de variáveis hidroclimatológicas de interesse para a gestão ambiental. Além dessa análise, em estudos hidrológicos tem-se a necessidade de aumentar os horizontes de previsão da vazão, principalmente em bacias com frequente ocorrência de eventos de alta magnitude. Assim, objetivou-se compreender o comportamento hidrológico e suas possíveis mudanças nos últimos anos na bacia hidrográfica do rio Muriaé, além de modelar a vazão com base em diferentes cenários de dias de antecedência na sua previsão. No Capítulo 1 foram aplicados testes não-paramétricos para a identificação de tendências de mudança no comportamento hidrológico em anos/meses em diferentes níveis de significância, bem como a investigação de fatores que poderiam estar associados às mudanças. Os testes não-paramétricos mostraram tendência negativa dos valores extremos de vazão, principalmente no período de estiagem, com destaque para o mês de outubro. Na análise dos fatores, a precipitação e a demanda hídrica apresentaram indicativos de influência no regime de vazões, diferentemente do uso e cobertura da terra. Os diferentes métodos estatísticos permitiram encontrar resultados satisfatórios sobre o comportamento hidrológico da bacia, enquanto as análises dos fatores climáticos e antrópicos possibilitaram conhecer as possíveis influências nas mudanças de tendência da vazão. No Capítulo 2 foi explorada a utilização de técnicas de Aprendizado de Máquina como o Modelo Linear Generalizado (GLM), as Splines de Regressão Adaptativa Multivariada (MARS) e o Random Forest (RF) na previsão da vazão considerando cenários de dados com um, dois e três dias de antecedência. A modelagem mostrou que todas as técnicas tiveram um desempenho muito bom na previsão das vazões com um dia de antecedência. Por outro lado, houve uma redução do desempenho com o aumento do horizonte de previsão, principalmente no cenário de três dias. Em todos os períodos de antecedência a técnica RF se mostrou superior às demais, mesmo que tenha apresentado subestimação das vazões máximas. A modelagem em diferentes cenários de previsão com Aprendizado de Máquina mostrou a aplicabilidade dos algoritmos na previsão da vazão, principalmente em bacias com ocorrência elevada de eventos máximos de vazão, com possibilidade de serem utilizados nos sistemas de alerta e, assim, reduzir os impactos socioambientais causados por esses eventos. Palavras-chave: Comportamento hidrológico. Modelagem hidrológica. Períodos de antecedência. |
id |
UFV_b317e529db04df564ca852d6cc375f80 |
---|---|
oai_identifier_str |
oai:locus.ufv.br:123456789/30528 |
network_acronym_str |
UFV |
network_name_str |
LOCUS Repositório Institucional da UFV |
repository_id_str |
2145 |
spelling |
Moreira, Michel CastroRodrigues, Jackson MartinsSilva, Carla Larissa Fonseca dahttp://lattes.cnpq.br/3166894229499099Silva, Demetrius David da2023-03-21T11:23:25Z2023-03-21T11:23:25Z2022-12-13SILVA, Carla Larissa Fonseca da. Modelagem de vazões máximas e mínimas com base em aprendizado de máquina. 2022. 137 f. Dissertação (Mestrado em Engenharia Agrícola) - Universidade Federal de Viçosa, Viçosa. 2022.https://locus.ufv.br//handle/123456789/30528https://doi.org/10.47328/ufvbbt.2023.028O comportamento hidrológico de diversas bacias hidrográficas tem sido afetado por fatores como uso e cobertura da terra, demanda hídrica e mudanças climáticas, levando ao comprometimento da disponibilidade hídrica ou à ocorrência de eventos extremos de vazão. Esse comportamento pode ser avaliado por meio de testes não-paramétricos, que mostram a tendência de variáveis hidroclimatológicas de interesse para a gestão ambiental. Além dessa análise, em estudos hidrológicos tem-se a necessidade de aumentar os horizontes de previsão da vazão, principalmente em bacias com frequente ocorrência de eventos de alta magnitude. Assim, objetivou-se compreender o comportamento hidrológico e suas possíveis mudanças nos últimos anos na bacia hidrográfica do rio Muriaé, além de modelar a vazão com base em diferentes cenários de dias de antecedência na sua previsão. No Capítulo 1 foram aplicados testes não-paramétricos para a identificação de tendências de mudança no comportamento hidrológico em anos/meses em diferentes níveis de significância, bem como a investigação de fatores que poderiam estar associados às mudanças. Os testes não-paramétricos mostraram tendência negativa dos valores extremos de vazão, principalmente no período de estiagem, com destaque para o mês de outubro. Na análise dos fatores, a precipitação e a demanda hídrica apresentaram indicativos de influência no regime de vazões, diferentemente do uso e cobertura da terra. Os diferentes métodos estatísticos permitiram encontrar resultados satisfatórios sobre o comportamento hidrológico da bacia, enquanto as análises dos fatores climáticos e antrópicos possibilitaram conhecer as possíveis influências nas mudanças de tendência da vazão. No Capítulo 2 foi explorada a utilização de técnicas de Aprendizado de Máquina como o Modelo Linear Generalizado (GLM), as Splines de Regressão Adaptativa Multivariada (MARS) e o Random Forest (RF) na previsão da vazão considerando cenários de dados com um, dois e três dias de antecedência. A modelagem mostrou que todas as técnicas tiveram um desempenho muito bom na previsão das vazões com um dia de antecedência. Por outro lado, houve uma redução do desempenho com o aumento do horizonte de previsão, principalmente no cenário de três dias. Em todos os períodos de antecedência a técnica RF se mostrou superior às demais, mesmo que tenha apresentado subestimação das vazões máximas. A modelagem em diferentes cenários de previsão com Aprendizado de Máquina mostrou a aplicabilidade dos algoritmos na previsão da vazão, principalmente em bacias com ocorrência elevada de eventos máximos de vazão, com possibilidade de serem utilizados nos sistemas de alerta e, assim, reduzir os impactos socioambientais causados por esses eventos. Palavras-chave: Comportamento hidrológico. Modelagem hidrológica. Períodos de antecedência.The hydrological behavior of several River basins has been affected by factors such as land use and land cover, water demand and climate change, leading to compromised water availability or the occurrence of extreme streamflow events. This behavior can be evaluated by means of non-parametric tests, which show the tendency of hydroclimatological variables of interest for environmental management. In addition to this analysis, in hydrological studies there is a need to increase the streamflow forecast horizons, especially in watersheds with frequent occurrence of high magnitude events. Thus, the objective was to understand the hydrological behavior and its possible changes in recent years in the Muriaé River basin, in addition to modeling the streamflow based on different scenarios of days in advance in its forecast. In Chapter 1, non- parametric tests were applied to identify trends of change in hydrological behavior in years/months at different levels of significance, as well as the investigation of factors that could be associated with the changes. The non-parametric tests showed a negative trend of extreme discharge values, mainly in the dry season, with emphasis on the month of October. In the factor analysis, precipitation and water demand showed influence on the streamflow regime, differently from land use and land cover. The different statistical methods made it possible to find satisfactory results on the hydrological behavior of the watershed, while the analysis of climatic and anthropic factors made it possible to know the possible influences on changes in streamflow trends. In Chapter 2, the use of Machine Learning techniques such as the Generalized Linear Model (GLM), Multivariate Adaptive Regression Splines (MARS) and Random Forest (RF) in the streamflow forecast considering scenarios of data with one, two and three days in advance. The modeling showed that all techniques performed very well in predicting streamflows one day in advance. On the other hand, there was a reduction in performance with the increase in the forecast horizon, mainly in the three-day scenario. In all periods of advance, the RF technique was superior to the others, even if it presented an underestimation of the maximum streamflows. Modeling in different prediction scenarios with Machine Learning showed the applicability of the algorithms in streamflow prediction, especially in River basins with a high occurrence of maximum streamflow events, with the possibility of being used in warning systems and, thus, reducing socio-environmental impacts caused by these events. Keywords: Hydrological behavior. Hydrological modeling. Advance periods.Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de ViçosaEngenharia AgrícolaBacias hidrográficas - Métodos estatísticosMuriaé, Rio (MG)Desenvolvimento de recursos hídricosExtremos climáticosAprendizado do computadorEngenharia de Água e SoloModelagem de vazões máximas e mínimas com base em aprendizado de máquinaModeling of maximum and minimum streamflows based on machine learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal de ViçosaDepartamento de Engenharia AgrícolaMestre em Engenharia AgrícolaViçosa - MG2022-12-13Mestradoinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVORIGINALtexto completo.pdftexto completo.pdftexto completoapplication/pdf4426175https://locus.ufv.br//bitstream/123456789/30528/1/texto%20completo.pdf8bd3d6f1ed9b3eaa32780805b8dadd92MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/30528/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/305282023-03-21 08:23:25.789oai:locus.ufv.br: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Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452023-03-21T11:23:25LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false |
dc.title.pt-BR.fl_str_mv |
Modelagem de vazões máximas e mínimas com base em aprendizado de máquina |
dc.title.en.fl_str_mv |
Modeling of maximum and minimum streamflows based on machine learning |
title |
Modelagem de vazões máximas e mínimas com base em aprendizado de máquina |
spellingShingle |
Modelagem de vazões máximas e mínimas com base em aprendizado de máquina Silva, Carla Larissa Fonseca da Bacias hidrográficas - Métodos estatísticos Muriaé, Rio (MG) Desenvolvimento de recursos hídricos Extremos climáticos Aprendizado do computador Engenharia de Água e Solo |
title_short |
Modelagem de vazões máximas e mínimas com base em aprendizado de máquina |
title_full |
Modelagem de vazões máximas e mínimas com base em aprendizado de máquina |
title_fullStr |
Modelagem de vazões máximas e mínimas com base em aprendizado de máquina |
title_full_unstemmed |
Modelagem de vazões máximas e mínimas com base em aprendizado de máquina |
title_sort |
Modelagem de vazões máximas e mínimas com base em aprendizado de máquina |
author |
Silva, Carla Larissa Fonseca da |
author_facet |
Silva, Carla Larissa Fonseca da |
author_role |
author |
dc.contributor.authorLattes.pt-BR.fl_str_mv |
http://lattes.cnpq.br/3166894229499099 |
dc.contributor.none.fl_str_mv |
Moreira, Michel Castro Rodrigues, Jackson Martins |
dc.contributor.author.fl_str_mv |
Silva, Carla Larissa Fonseca da |
dc.contributor.advisor1.fl_str_mv |
Silva, Demetrius David da |
contributor_str_mv |
Silva, Demetrius David da |
dc.subject.pt-BR.fl_str_mv |
Bacias hidrográficas - Métodos estatísticos Muriaé, Rio (MG) Desenvolvimento de recursos hídricos Extremos climáticos Aprendizado do computador |
topic |
Bacias hidrográficas - Métodos estatísticos Muriaé, Rio (MG) Desenvolvimento de recursos hídricos Extremos climáticos Aprendizado do computador Engenharia de Água e Solo |
dc.subject.cnpq.fl_str_mv |
Engenharia de Água e Solo |
description |
O comportamento hidrológico de diversas bacias hidrográficas tem sido afetado por fatores como uso e cobertura da terra, demanda hídrica e mudanças climáticas, levando ao comprometimento da disponibilidade hídrica ou à ocorrência de eventos extremos de vazão. Esse comportamento pode ser avaliado por meio de testes não-paramétricos, que mostram a tendência de variáveis hidroclimatológicas de interesse para a gestão ambiental. Além dessa análise, em estudos hidrológicos tem-se a necessidade de aumentar os horizontes de previsão da vazão, principalmente em bacias com frequente ocorrência de eventos de alta magnitude. Assim, objetivou-se compreender o comportamento hidrológico e suas possíveis mudanças nos últimos anos na bacia hidrográfica do rio Muriaé, além de modelar a vazão com base em diferentes cenários de dias de antecedência na sua previsão. No Capítulo 1 foram aplicados testes não-paramétricos para a identificação de tendências de mudança no comportamento hidrológico em anos/meses em diferentes níveis de significância, bem como a investigação de fatores que poderiam estar associados às mudanças. Os testes não-paramétricos mostraram tendência negativa dos valores extremos de vazão, principalmente no período de estiagem, com destaque para o mês de outubro. Na análise dos fatores, a precipitação e a demanda hídrica apresentaram indicativos de influência no regime de vazões, diferentemente do uso e cobertura da terra. Os diferentes métodos estatísticos permitiram encontrar resultados satisfatórios sobre o comportamento hidrológico da bacia, enquanto as análises dos fatores climáticos e antrópicos possibilitaram conhecer as possíveis influências nas mudanças de tendência da vazão. No Capítulo 2 foi explorada a utilização de técnicas de Aprendizado de Máquina como o Modelo Linear Generalizado (GLM), as Splines de Regressão Adaptativa Multivariada (MARS) e o Random Forest (RF) na previsão da vazão considerando cenários de dados com um, dois e três dias de antecedência. A modelagem mostrou que todas as técnicas tiveram um desempenho muito bom na previsão das vazões com um dia de antecedência. Por outro lado, houve uma redução do desempenho com o aumento do horizonte de previsão, principalmente no cenário de três dias. Em todos os períodos de antecedência a técnica RF se mostrou superior às demais, mesmo que tenha apresentado subestimação das vazões máximas. A modelagem em diferentes cenários de previsão com Aprendizado de Máquina mostrou a aplicabilidade dos algoritmos na previsão da vazão, principalmente em bacias com ocorrência elevada de eventos máximos de vazão, com possibilidade de serem utilizados nos sistemas de alerta e, assim, reduzir os impactos socioambientais causados por esses eventos. Palavras-chave: Comportamento hidrológico. Modelagem hidrológica. Períodos de antecedência. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-12-13 |
dc.date.accessioned.fl_str_mv |
2023-03-21T11:23:25Z |
dc.date.available.fl_str_mv |
2023-03-21T11:23:25Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
SILVA, Carla Larissa Fonseca da. Modelagem de vazões máximas e mínimas com base em aprendizado de máquina. 2022. 137 f. Dissertação (Mestrado em Engenharia Agrícola) - Universidade Federal de Viçosa, Viçosa. 2022. |
dc.identifier.uri.fl_str_mv |
https://locus.ufv.br//handle/123456789/30528 |
dc.identifier.doi.pt-BR.fl_str_mv |
https://doi.org/10.47328/ufvbbt.2023.028 |
identifier_str_mv |
SILVA, Carla Larissa Fonseca da. Modelagem de vazões máximas e mínimas com base em aprendizado de máquina. 2022. 137 f. Dissertação (Mestrado em Engenharia Agrícola) - Universidade Federal de Viçosa, Viçosa. 2022. |
url |
https://locus.ufv.br//handle/123456789/30528 https://doi.org/10.47328/ufvbbt.2023.028 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
dc.publisher.program.fl_str_mv |
Engenharia Agrícola |
publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
dc.source.none.fl_str_mv |
reponame:LOCUS Repositório Institucional da UFV instname:Universidade Federal de Viçosa (UFV) instacron:UFV |
instname_str |
Universidade Federal de Viçosa (UFV) |
instacron_str |
UFV |
institution |
UFV |
reponame_str |
LOCUS Repositório Institucional da UFV |
collection |
LOCUS Repositório Institucional da UFV |
bitstream.url.fl_str_mv |
https://locus.ufv.br//bitstream/123456789/30528/1/texto%20completo.pdf https://locus.ufv.br//bitstream/123456789/30528/2/license.txt |
bitstream.checksum.fl_str_mv |
8bd3d6f1ed9b3eaa32780805b8dadd92 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV) |
repository.mail.fl_str_mv |
fabiojreis@ufv.br |
_version_ |
1801212923847114752 |