Modelos de Aprendizado na Predição de Nível de Rios para Detecção de Falhas em Estações Hidrotelemétricas

• Roni Rodrigues UFMT
• Claudia Aparecida Martins UFMT

DOI: https://doi.org/10.5753/wcama.2025.9371

Resumo

Este trabalho realizou uma análise comparativa dos modelos Prophet, Random Forest, Suport Vector Regression (SVR), XGBoost na previsão de níveis hidrométricos para detecção de falhas em sensores. Utilizando dados do SNIRH (2022-2025) das estações do Rio M, os modelos foram retroalimentados diariamente com a média dos valores observados e avaliados pelas métricas padrão MAE, MSE, RMSE, MAPE e R². Os resultados mostraram que o XGBoost teve melhor desempenho, capturando melhor as variações. Neste trabalho, os modelos de aprendizado de máquina tiveram um melhor desempenho para essa aplicação, com potencial para aprimorar a manutenção preditiva de estações hidrotelemétricas.

Referências

ANA (2016). Manual de Procedimentos para Estações Hidrológicas. ANA, Brasília, Brasil.

ANA (2021). Relatório Conjuntura dos Recursos Hídricos - 2021. ANA, Brasília, Brasil.

ANA (2022). Manual de Instalação de Estações Fluviométricas. Agência Nacional de Águas e Saneamento Básico.

Barzegar, R., Aalami, M. T., and Adamowski, J. (2021). Coupling a hybrid cnn-lstm deep learning model with a boundary corrected maximal overlap discrete wavelet transform for multiscale lake water level forecasting. Journal of Hydrology.

EPAGRI/CIRAM-ANA (2024). Manual de Operação da Sala de Situação. EPAGRI/CIRAM e ANA.

Flyrank, A. R. T. (2023). How to use random forest for regression. Online.

Jaimes Campos, D. L. and López Zúñiga, E. (2021). Modelo de forecast para predecir la demanda semanal de alimentos y bebidas de consumo masivo.

Manandhar, P., Rafiq, H., Rodriguez-Ubinas, E., and Palpanas, T. (2024). New forecasting metrics evaluated in prophet, random forest, and long short-term memory models for load forecasting. Energies.

Niazkar, M., Shamshirband, S., Kisi, O., and Choubin, B. (2024). Applications of xgboost in water resources engineering: A systematic literature review (dec 2018–may 2023). Environmental Modelling and Software, 174:105971.

Sharma, B. and Goel, N. K. (2024). Streamflow prediction using support vector regression machine learning model for tehri dam. Applied Water Science, 14(99).

Shearer, C. (2000). The crisp-dm model: The new blueprint for data mining.

SNIRH (2021). Manual de Operação do Sistema de Telemetria. Agência Nacional de Águas e Saneamento Básico.