Acoplamento de técnicas lineares e não-lineares a redes neurais artificiais para modelagem chuva-vazão

Abstract

Avaliar o processo chuva-vazão de forma precisa permite gerenciar melhor diversos recursos de água. Para modelar o processo chuva-vazão utiliza-se tanto modelos conceituais, que consideram os processos físicos envolvidos, como modelos empíricos obtidos de técnicas de análises lineares e não lineares multi - variadas. O objetivo geral deste trabalho é avaliar o desempenho de modelos empíricos lineares multivari - ados para descrever a correlação chuva-vazão. Ainda, espera-se avaliar o acoplamento de tal modelo com Redes Neurais Artificiais (RNAs) buscando o desenvolvimento de uma metodologia robusta e acurada para a modelagem chuva-vazão em rios. Mais especificamente, buscamos estabelecer a relação: Q=PU (1) Onde, Q é o vetor n-dimensional das vazões observadas, P é a matriz (n x m)-dimensional das n medidas dos m parâmetros climáticos observados (por exemplo, precipitações) e, U é o vetor incógnita m-dimensi - onal que relaciona os parâmetros climáticos observados e as precipitações medidas. Note que a existência de U não é garantida, pois a relação entre Q e P pode ser não linear. Ainda, P não é, em geral, uma matriz quadrada invertível. Assim, empregamos o método dos mínimos quadrados para determinar U. Como es- tudo de caso, estudamos a correlação chuva-vazão diária (entre os anos 2000-2011) no Rio Ibicuí, locali - zado do Rio Grande do Sul, com extensão de 385 km, que corre na direção leste/oeste, nascendo no en - contro do Rio Toropi com o Rio Ibicuí-Mirim e desembocando (com foz) no Rio Uruguai. Os dados flu - viométricos e pluviométricos foram organizados em dois conjuntos. O primeiro conjunto (com cerca de 2/3 do total de dados) foi utilizado para calcular U resolvendo (1) via mínimos quadrados. O segundo conjunto foi utilizado para validar o modelo obtido. Ainda, o modelo linear (1) foi comparado com resul - tados obtidos da modelagem com RNAs do tipo perceptron multicamadas. Observou-se que ambas as téc - nicas produziram modelos com correlação de 97\% entre os dados observados e os calculados. Entretanto, utilizando RNAs foi possível obter um modelo mais preciso. Isto reforça a ideia de acoplar o modelo (1) as RNAs, que propomos como sequência deste trabalho.