Predição do nível de água utilizando os modelos ARIMA e Random Forest: Um Estudo de Caso da Barragem Eclusa do São Gonçalo

• Paulo Ricardo B. Dutra Lima UFPEL
• Felipe Marques UFPEL
• Sabrina Orth IFFAR

DOI: https://doi.org/10.5753/semish.2023.229531

Resumo

Modelos de inteligência artificial tem sido aplicados com sucesso em hidrologia em diversos estudos. A previsão do nível da água nas bacias e rios é de importância significativa para as estratégias de prevenção de inundações, navegação interior e abastecimento doméstico de água. A comparação abrangente de sua aplicabilidade, em particular para previsão de nível de água, tem sido pouco explorada, bem como em conjuntos de dados com excesso de informações. No presente estudo, Artificial Neural Network (ANN), Recurrent Neural Networks (RNN), Random Forest (RF) e Support Vector Regression (SVR) foram selecionadas para a previsão do nível de água. Posteriormente foi proposto um algoritmo híbrido para a previsão do nível de água. Como caso de estudo foi utilizado o Canal São Gonçalo. Os atributos foram comparados em relação ao nível da água, no total são 14369 registros. Conforme os resultados gerados, o modelo Random Forest teve um melhor desempenho preditivo, utilizado como base para o algoritmo proposto. Os resultados mostram que o este modelo supera as técnicas convencionais de aprendizagem de máquina.

Referências

Birylo, M., Rzepecka, Z., Kuczynska-Siehien, J., and Nastula, J. (2018). Analysis of water budget prediction accuracy using arima models. Water Science and Technology: Water Supply, 18(3):819–830.

Box, G. E., Jenkins, G. M., and Reinsel, G. C. Time series analysis.

Ghimire, B. N. (2017). Application of arima model for river discharges analysis. Journal of Nepal Physical Society, 4(1):27–32.

Hrnjica, B. and Bonacci, O. (2019). Lake level prediction using feed forward and recurrent neural networks. Water Resources Management, 33(7):2471–2484.

James, G., Witten, D., Hastie, T., and Tibshirani, R. (2013). An introduction to statistical learning, volume 112. Springer.

Joo, T. W. and Kim, S. B. (2015). Time series forecasting based on wavelet filtering. Expert Systems with Applications, 42(8):3868–3874.

Kirchgässner, G., Wolters, J., and Hassler, U. (2012). Introduction to modern time series analysis. Springer Science & Business Media.

Nguyen, X. H. et al. (2020). Combining statistical machine learning models with arima for water level forecasting: The case of the red river. Advances in Water Resources, 142:103656.

Wang, Q. and Wang, S. (2020). Machine learning-based water level prediction in lake erie. Water, 12(10):2654.

Xie, Y. and Lou, Y. (2019). Hydrological time series prediction by arima-svr combined model based on wavelet transform. In Proceedings of the 2019 3rd International Conference on Innovation in Artificial Intelligence, pages 243–247.

Xu, G., Cheng, Y., Liu, F., Ping, P., and Sun, J. (2019a). A water level prediction model based on arima-rnn. In 2019 IEEE Fifth International Conference on Big Data Computing Service and Applications (BigDataService), pages 221–226. IEEE.

Xu, G., Cheng, Y., Liu, F., Ping, P., and Sun, J. (2019b). A water level prediction model based on arima-rnn. In 2019 IEEE Fifth International Conference on Big Data Computing Service and Applications (BigDataService), pages 221–226.

Yu, Z., Lei, G., Jiang, Z., and Liu, F. (2017). Arima modelling and forecasting of water level in the middle reach of the yangtze river. In 2017 4th International Conference on Transportation Information and Safety (ICTIS), pages 172–177. IEEE.

Zhang, J., Zhang, Z., Weng, Y., Gosling, S., Yang, H., Yang, C., Li, W., and Ma, Q. (2020). Using recurrent neural network for intelligent prediction of water level in reservoirs. In 2020 IEEE 44th Annual Computers, Software, and Applications Conference (COMPSAC), pages 1125–1126. IEEE.