Previsão de nível e vazão de água de um rio usando rede Perceptron Multi-Camada: um estudo de caso do Rio Itapemirim
Resumo
Este artigo apresenta um estudo sobre o uso de modelos de séries temporais para prever o nível ou a vazão da água do Rio Itapemirim no Brasil. Foram usadas duas bases de dados nos experimentos, uma em que a variável alvo é o nível do rio através de dados de vazão de 3 estações fluviométricas ("Sensores e Nível") e outra em que a variável alvo é a vazão de uma estação próxima da área urbana através dos dados de vazão das mesmas 3 estações da primeira base ("Somente Sensores"). Foram criados modelos do tipo Perceptron Multi-Camadas (MLP) com o uso de algoritmo de Neural Architecture Search (NAS) para encontrar a melhor arquitetura para cada base de dados. Foi realizada a comparação dos resultados, baseados no coeficiente R², dos modelos MLP com o modelo matemático de regressão usado no Sistema de Alerta do Rio Itapemirim (SARI), que é um sistema que monitora e prevê o nível da água do rio. A conclusão é que o resultado com a base de dados "Somente Sensores" obteve R² similar ao modelo matemático, podendo ser usado como um segundo método de acompanhamento do Rio Itapemirim, através de sua vazão.
Referências
Bof, L. (2022). Sari - sistema de alerta do rio itapemirim. [link]. Acesso em: 10 out. 2023.
Brandao, J., Correa, F., and Guedes, E. (2023). A comparative analysis of artificial neural networks on river level forecasting for the Rio Madeira Basin. In Anais do XX Encontro Nacional de Inteligencia Artificial e Computacional, pages 141–155, Porto Alegre, RS, Brasil. SBC.
De Souza, A. C. and dos Santos, C. T. (2018). Identificação dos problemas de alagamento na cidade de Cachoeiro de Itapemirim-ES: estudo de caso sobre a área central. In 16º Congresso Brasileiro de Geologia de Engenharia e Ambiental.
Elsken, T., Metzen, J.-H., and Hutter, F. (2017). Simple and efficient architecture search for convolutional neural networks. arXiv preprint arXiv:1711.04528.
Farias, A. and Mendonça, F. (2022). Riscos socioambientais de inundação urbana sob a perspectiva do sistema ambiental urbano. Sociedade & Natureza, 34(1).
Feurer, M. and Hutter, F. (2019). Hyperparameter optimization. In Automated machine learning, pages 3–33. Springer, Cham.
Haykin, S. S. (2001). Redes neurais: princípios e prática.
Hutter, F., Kotthoff, L., and Vanschoren, J. (2019). Automated machine learning: methods, systems, challenges. Springer Nature.
Lima, P., Marques, F., and Orth, S. (2023). Predição do nível de água utilizando os modelos ARIMA e random forest: Um estudo de caso da barragem eclusa do São Gonçalo. In Anais do L Seminário Integrado de Software e Hardware, pages 24–35, Porto Alegre, RS, Brasil. SBC.
Miikkulainen, R., Liang, J., Meyerson, E., Rawal, A., Fink, D., Francon, O., Raju, B., Shahrzad, H., Navruzyan, A., Duffy, N., et al. (2019). Evolving deep neural networks. In Artificial Intelligence in the Age of Neural Networks and Brain Computing, pages 293–312. Elsevier.
Morettin, P. A. and Toloi, C. M. (2018). Análise de séries temporais – Vol. 1. Editora Blucher, São Paulo, Brasil, 3 edition.
Morettin, P. A. and Toloi, C. M. (2020). Análise de séries temporais – Vol. 2. Editora Blucher.
Neves, M., Ferreira, R., Da, M., Trigo, S., Serri, M., Oliveira, M., Pessoa, A., Luis, and Mancini, L. (2016). Assinatura isotópica das Águas pluviais e subterrâneas na bacia hidrográfica do Rio Itapemirim, estado do Espírito Santo. In XIX Congresso Brasileiro de Águas Subterrâneas.
Oliveira, V. M. (2022). Previsão do consumo de gás no processo de pelotização através de séries temporais multivariadas. PhD thesis, Mestrado em Computação Aplicada, Instituto Federal do Espírito Santo (IFES).
Oliveira, V. M., Komati, K. S., and Andrade, J. O. (2021). Seleção de características de séries temporais multivariadas do consumo de gás na pelotização de minério de ferro. In Anais do XXVIII SIMPEP (Simpósio Brasileiro de Engenharia de Produção 2021). UNESP.
Saito, S. M., Dias, M. C. d. A., Alvala, R. C. d. S., Stenner, C., Franco, C. d. O., Ribeiro, J. V. M., Souza, P. A. d., and Santana, R. A. S. d. M. (2023). População urbana exposta aos riscos de deslizamentos, inundações e enxurradas no Brasil. Sociedade & Natureza, 31:e46320.
Telikani, A., Tahmassebi, A., Banzhaf, W., and Gandomi, A. H. (2021). Evolutionary machine learning: A survey. ACM Comput. Surv., 54(8).
Zoph, B. and Le, Q. V. (2016). Neural architecture search with reinforcement learning. arXiv preprint arXiv:1611.01578.
