Escolar Documentos
Profissional Documentos
Cultura Documentos
o
(
m
3
/
s
)
Permanncia (%)
Probabilidade
A curva de permanncia foi construda da seguinte forma:
1) Organiza-se as vazes com valores variando do mnimo ao mximo;
2) Calcula-se a frequncia de vezes que cada vazo pode ocorrer;
3) Calcula-se a probabilidade da vazo ocorrer.
Pode-se observar na Figura 1 que as grandes vazes tm baixa permanncia ou
baixa probabilidade de ocorrerem, pois dependem de eventos raros que so as chuvas muito
intensas. A vazo de 10 m
3
/s possui permanncia menor que 5%. Analogamente, percebe-se
tambm que os baixos valores de vazo possuem alta probabilidade de ocorrncia ou so
mais permanentes, pois so eventos independentes de fortes chuvas. A vazo de 1 m
3
/s
possui permanncia da ordem de 70%.
Vale ressaltar que a permanncia de uma vazo pode variar em funo do tempo,
e que o modelo, caso seja implementado, dever atualizar a curva de permanncia para cada
novo registro de vazo. A permanncia de uma determinada vazo tambm uma varivel
que reflete o grau de saturao do solo e contribui para o desempenho do modelo.
Para cada um dos trs atributos (chuva, vazo e permanncia) foram criadas 19
novas variveis, considerando 20 dias anteriores (t0 ao t-19) ao da previso (t+1). Tambm
foram criadas mais trs variveis para a vazo e permanncia considerando os valores
mnimo, mdio, e mximo para o perodo considerado de 20 dias, e duas variveis para a
chuva (mdio e mximo), pois em uma janela de 20 dias possivelmente o valor mnimo de
precipitao ser igual a zero. A nova matriz possui 68 variveis de entrada e uma varivel
de sada (vazo de amanh ou t+1).
Para a construo do modelo de classificao, todos os valores contnuos das
variveis foram transformados em valores categricos segundo dois critrios. Nas variveis
7
de entrada as classes foram subdivididas pelas mtricas estatsticas da mediana, 1, e 3
quartil. A transformao da varivel de sada (vazo em t+1) foi realizada atravs da consulta
ao grfico da curva chave. O grfico da curva chave mostra as medies simultneas de cota
do nvel dgua (eixo y) e vazo do rio (eixo x), realizadas para os nveis mximos
observados do rio Belm entre os anos de 1981 a 1997 (Fendrich, 2002b), conforme ilustra a
Figura 2.
Fendrich (2012, p. 9) relata que a partir da cota de 4,30m (aproximadamente na
elevao ou altitude de 882,69m em relao ao nvel do mar) o rio transborda. A vazo
respectiva do nvel de transbordamento (4,30m) observado na curva chave de
aproximadamente 20 m/s, ou seja, todas as vazes que forem maiores que 20,0m/s
tendero a causar enchente ou transbordamento da calha do rio.
Figura 2 - Grfico da curva chave para verificao da vazo.
1,5
2,0
2,5
3,0
3,5
4,0
4,5
5,0
5,5
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85
C
o
t
a
(
m
)
Vazo (m
3
/s)
Dados Medidos
NO TRANSBORDA
TRANSBORDA
Dessa forma, a varivel de sada recebeu o valor categrico igual a
TRANSBORDA para valores contnuos de vazo superiores a 20,0 m
3
/s e igual a NO
TRANSBORDA para valores contnuos iguais ou inferiores a 20,0 m
3
/s. Observou-se que
somente 65 registros (do total de 11.080 registros da varivel vazo) possuem valores de
vazo maiores que 20,0m/s. Portanto foi construda uma matriz com 130 registros de
grandes vazes, 65 registros de transbordamento e 65 outros valores que no causaram
transbordamento, mas que esto muito prximos a 20,0m/s. Todos os registros esto,
portanto, na zona confusa para o classificador que deve decidir a partir das condies de
chuva, vazo e permanncia nos ltimos 20 dias (incluindo hoje), se o rio vai ou no
transbordar.
2.3 DESCRIO DO MODELO
8
Para a construo do modelo de classificao, foi usada a tcnica de regras de
classificao. Para a construo do classificador foi adotado um suporte mnimo de 5% e um
valor mnimo de confiana de 85%. O classificador foi construdo com 22 regras, conforme
descrito na Tabela 1. As regras so compostas por vrios itens das variveis na forma
discreta, ou seja, representando um intervalo de valores que pode variar do mnimo a
mediana, e da mediana ao mximo para a maioria das variveis de chuva; ou do mnimo ao
1 quartil, do 1 quartil mediana, da mediana ao 3 quartil, e do 3 quartil ao mximo para
as variveis de permanncia e vazo.
Portanto, para interpretar as regras da Tabela 1 preciso identificar a seguinte
codificao: Ch=Chuva; Vaz = Vazo; Perm=Permanncia, min=mnima; med=mdia;
tn=tempo em dias anterior ao dia da previso, sendo t0 o dia da previso. Os valores de
chuva so dados em milmetros, ento Ch_t10_<_3_5 = chuva de 11 dias anterior ao
transbordamento menor que 3,5 mm; os valores de vazo em metros cbicos por segundo
(m
3
/s) e 1_<_Vaz_t2_<_1_5 = Y significa valores de vazo entre 1,0 e 1,5 m
3
/s; e os valores de
permanncia em percentual. importante observar que todas as 22 regras identificam a
classe TRANSBORDA na parte consequente da regra. Portanto, em uma situao real de
chuva intensa na cidade de Curitiba, o modelo primeiramente testaria se as condies
sugeridas pelas regras so encontradas e se a condio for verdadeira o modelo atribuiria a
classe TRANSBORDA. Posteriormente, caso no seja satisfeita nenhuma das 22 condies ou
regras geradas, o modelo atribuiria a classe NO_TRANSBORDA. Este tipo de informao
seria de grande relevncia para as autoridades, tais como Defesa Civil e Corpo de Bombeiros
para as operaes de resgate ou de mitigao dos efeitos catastrficos.
Tabela 1 Regras de Classificao
Regras de Classificao
Rule 1: SE Ch_t10_<_3_5 = Y
Vaz_t19_<_1 = Y
0_8_<_Ch_t1_<_7 = Y
ENTO -> Class = TRANSBORDA
(9.231% 100.000% 12 12 9.231%)
Rule 12: SE 1_<_Vaz_t2_<_1_5 = Y
Ch_t17_>_6 = Y
ENTO - >Class=TRANSBORDA
(6.154% 100.000% 8 8 6.154%)
Rule 2: SE Ch_t15_<_5_5 = Y
Vaz_t19_<_1 = Y
0_8_<_Ch_t1_<_7 = Y
ENTO -> Class = TRANSBORDA
(8.462% 100.000% 11 11 8.462%)
Rule 13: SE Perm_min_<_1 = Y
3_<_Ch_med_<_4_5 = Y
ENTO >Class = TRANSBORDA
(6.154% 100.000% 8 8 6.154%)
Rule 3: SE Ch_t16_<_3_5 = Y
1_<_Vaz_t16_<_1_5 =Y
Rule 14: SE Ch_t14_<_4 = Y
Perm_t13_<_25 = Y
9
Ch_t8_>_2_5 = Y
ENTO-> Class = TRANSBORDA
(8.462% 100.000% 11 11 8.462%)
Ch_t2_>_3_5 = Y
ENTO -> Class=TRANSBORDA
(6.154% 100.000% 8 8 6.154%)
Rule 4: SE 35_<_Perm_t1_<_70 = Y
Ch_t8_>_2_5 = Y
ENTO -> Class = TRANSBORDA
(7.692% 100.000% 10 10 7.692%)
Rule 15: SE Ch_t12_<_7_5 = Y
45_<_Perm_t7_<_70 = Y
Ch_t13_>_3_5 = Y
ENTO-> Class = TRANSBORDA
(6.154% 100.000% 8 8 6.154%)
Rule 5: SE 50_<_Perm_t14_<_80 = Y
45_<_Perm_t7_<_70 = Y
ENTO Class =TRANSBORDA
(6.923% 100.000% 9 9 6.923%)
Rule 16: SE Ch_t9_>_3_5 = Y
1_5_<_Vaz_t10_<_2 = Y
ENTO -> Class=TRANSBORDA
(5.385% 100.000% 7 7 5.385%)
Rule 6: SE Vaz_t14_<_1 = Y
1_<_Vaz_t11_<_1_5 = Y
ENTO -> Class = TRANSBORDA
(6.923% 100.000% 9 9 6.923%)
Rule 17: SE 1_5_<_Vaz_t4_<_2 = Y
1_<_Vaz_t15_<_1_5 = Y
ENTO->Class = TRANSBORDA
(5.385% 100.000% 7 7 5.385%)
Rule 7: SE Perm_t13_<_25 = Y
Ch_t12_>_7_5 = Y
Ch_t10_>_3_5 = Y
ENTO -> Class = TRANSBORDA
(6.923% 100.000% 9 9 6.923%)
Rule 18: SE Ch_t3_<_4 = Y
1_5_<_Vaz_t9_<_2 = Y
Ch_t11_>_5 = Y
ENTO ->Class= TRANSBORDA
(5.385% 100.000% 7 7 5.385%)
Rule 8: SE Ch_t7_<_2_5 = Y
Perm_t13_<_25 = Y
Ch_t10_>_3_5 = Y
ENTO -> Class=TRANSBORDA
(6.923% 100.000% 9 9 6.923%)
Rule 19: SE Ch_t15_<_5_5 = Y
1_<_Vaz_t10_<_1_5 = Y
Ch_t5_>_4_5 = Y
ENTO -> Class=TRANSBORDA
(8.462% 90.909% 11 10 7.692%)
Rule 9: SE Ch_t7_<_2_5 = Y
Vaz_t19_<_1 = Y
Ch_t12_>_7_5 = Y
ENTO -> Class=TRANSBORDA
(6.923% 100.000% 9 9 6.923%)
Rule 20: SE Ch_t17_>_6 = Y
20_<_Ch_max_<_35 = Y
ENTO -> Class=TRANSBORDA
(6.923% 88.889% 9 8 6.154%)
Rule 10: SE Ch_max_>_45 = Y
Ch_t8_>_2_5 = Y
ENTO-> Class=TRANSBORDA
(6.154% 100.000% 8 8 6.154%)
Rule 21: SE 1_5_<_Vaz_t17_<_2 = Y
25_<_Perm_t10_<_45 = Y
ENTO ->Class =TRANSBORDA
(6.923% 88.889% 9 8 6.154%)
Rule 11: SE 1_5_<_Vaz_t6_<_2 = Y
Ch_t10_>_3_5 = Y
ENTO -> Class=TRANSBORDA
(6.154% 100.000% 8 8 6.154%)
Rule 22: SE Perm_t3_>_70 = Y
Ch_t20_>_2_5 = Y
ENTO -> Class=TRANSBORDA
(6.154% 87.500% 8 7 5.385%)
3 RESULTADOS E DISCUSSO
10
O resultado da validao de um modelo de classificao usualmente
apresentado na forma de uma matriz de confuso, conforme ilustra a Tabela 2. Os
componentes da diagonal principal da matriz de confuso fornecem o nmero de exemplos
corretamente classificados para cada classe correspondente (TRANSBORDA / NO
TRANSBORDA). Por exemplo, para a classe TRANSBORDA, foram corretamente
classificados 63 exemplos, e para a classe NO TRANSBORDA foram corretamente
classificados 61 exemplos. Os valores da outra diagonal apresenta o nmero de registros
erroneamente classificados pelo modelo.
Tabela 2 Matriz de confuso do classificador na validao do modelo.
TRANSBORDA NO TRANSBORDA
TRANSBORDA 63 2
NO TRANSBORDA 4 61
A taxa de classificao correta (TCC) desse modelo a soma dos valores
classificados corretamente (63+61=124) divididos pelo nmero total de estimativas
(63+61+4+2=130). Portanto, o modelo possui uma TCC igual a 95,4%, que pode ser
considerada alta devida complexidade do estudo de vazes de enchentes.
importante ressaltar que a acurcia do modelo ainda poderia ser melhorada
pela insero de novos dados (variveis com as caractersticas do uso do solo da bacia
hidrogrfica do Rio Belm) e/ou por artifcios matemticos na construo dos modelos, tais
como as tcnicas de Bagging (Han e Kamber, 2001), Ponderao (Duda, 2001), e Boosting (Ting
e Zheng, 1998).
4 CONCLUSO E TRABALHOS FUTUROS
A previso de vazes de enchentes uma tarefa complexa que envolve um
grande nmero de taxonomias (climatolgicas, atmosfricas, uso e ocupao do solo,
topografia, densidade da rede de drenagem etc). O modelo de previso proposto neste
trabalho foi construdo com a utilizao de somente dois atributos monitorados (chuva e
vazo) e apresentou resultado satisfatrio com uma TCC igual a 95,4%.
Contudo, percebe-se que as regras geradas usaram um grande nmero de
variveis para a construo do classificador, o que indica um alto grau de complexidade do
fenmeno estudado. A insero de mais atributos deveria ser considerada na continuao
deste trabalho, tais como as variveis relacionadas ao uso e ocupao do solo, mapas
11
litolgicos, pedolgicos etc. O trabalho de Fendrich (2012, p. 7), por exemplo, descreve a
evoluo da impermeabilizao dos solos da bacia hidrogrfica do Rio Belm.
Os resultados deste trabalho potencializam o uso dessas ferramentas para a
previso de enchentes no rio Belm e em outras bacias hidrogrficas na cidade de Curitiba.
Deve-se ressaltar tambm que todo o conhecimento adquirido na metodologia
proposta foi obtido de dados monitorados; resta ainda a considerao do conhecimento dos
especialistas que em muito pode acrescentar em benefcio da qualidade das predies.
O conhecimento prvio da ocorrncia das enchentes, portanto, contribuiria para a
gesto de ambientes urbanos no Brasil. As ferramentas computacionais descritas nesse artigo
no se limitam ao estudo de enchentes, e poderiam tambm ser aplicadas em estudos de
qualidade das guas dos rios urbanos e sua relao espao temporal com as fontes de
poluio e a sade da populao, entre outros estudos correlacionados em transporte urbano
ou infraestrutura.
REFERNCIAS BIBLIOGRFICAS
BAKKER, M. H. N., 2006. Transboundary river floods: vulnerability of
continents, international river basins and countries. Corvallis, OR: Oregon State University.
CORANI, G., GUARISO, G., 2005. Coupling Fuzzy Modeling and Neural
Networks for River Flood Prediction. IEEE Transactions on Systems, Man, and Cybernetics
Part C: Applications and reviews, vol. 35, no. 3, August.
DUDA, R. O., HART, P. E., STORK, D. G., 2001, Pattern Classification, Wiley
Interscience, Second Edition.
DUNCAN, A. P. et al., 2011. Urban flood prediction in real-time from weather
radar and rainfall data using artificial neural networks. Weather Radar and Hydrology.
(Proceedings of a symposium held in Exeter, UK, April) (IAHS Publ. 351, 2012), 568-573.
FENDRICH, R., 2012. Relao de Permeabilidade Artificial dos solos Rp de
uma bacia hidrogrfica urbana: deteno distribuda das guas pluviais. Revista Tcnica do
IEP. Ano II, no. 4, Jan/Jun, PP. 5-14.
FENDRICH, R., 2002a. Diagnstico dos recursos hdricos da Bacia Hidrogrfica
do Rio Belm.
FENDRICH, R., 1997. Bacia Hidrogrfica Urbana do Rio Belm. INTEC/PUC-PR,
Curitiba.
12
FUQIANG, T., Heping, H., Jianzhong, G., 2002. An Urban Flood Simulation
Model based on Geographic Information System. International Commission on Irrigation
and Drainage. Eighteenth Congress. Montreal. Q. 51. P. 3.05.
HAN, J., KAMBER, H., 2001, Data Mining - Concepts and Techniques Chapters
6, 7 and 8.
HIDROWEB (2012). Plataforma de Dados Hidrolgicos. Agncia Nacional de
guas (ANA). Disponvel em http://hidroweb.ana.gov.br/
KUNDZEWICZ, Z.W., 2008. Flood risk and vulnerability in the changing climate.
Land Reclamation, 39, 2131.
LIU, B., HSU, W., CHEN, S., MA, Y., 1998. Integrating Classification and
Association Rule Mining, KDD-98, August, New York.
POMPO, C. A. 2000. Drenagem Urbana Sustentvel. RBRH - Revista Brasileira
de Recursos Hdricos, Volume 5, n.1 Jan/Mar, 15-23.
SCHELLART, A., 2011. Urban pluvial flood modelling with real time rainfall
information UK case studies. 12
nd
International Conference on Urban Drainage, Porto
Alegre/Brazil, 10-15, September 1.
SOUZA, FT., EBECKEN, N., 2012. A Data Based Model to Predict Landslide
Induced by Rainfall in Rio de Janeiro City. Geotechnical and Geological Engineering. 30, 85-
94.
SOUZA, F. T. (2004) Predio de Escorregamentos das Encostas do Municpio do
Rio de Janeiro atravs de Tcnicas de Minerao de Dados. Anexo I. Tese de Doutorado da
COPPE/UFRJ.
TING, K. M., ZHENG, Z., 1998, Boosting Trees for Cost-Sensitive
Classifications, Proceedings of the Tenth European Conference on Machine Learning,
LNAI-1398, Berlin: Springer-Verlag, pp. 190-195.
THIEMIG, V., Roo, A., Gadain, H., 2011. Current status on flood forecasting and
early warning in Africa, International Journal of River Basin Management, 9:1, 63-78.
UNESCO - United Nations Educational, Scientific and Cultural Organization,
2008. Floods. Available from: http://portal.unesco.org/science/en/ev.php-
URL_ID=6082&URL_DO=DO_PRINTPAGE&URL_SECTION=201.html [Accessed 10May
2010].
UNPD - United Nations Development Programme, 2004. A global report:
reducing disaster risk, a challenge for development. New York: United Nations
Development Programme.
13
VILLELA, S. M. e MATOS, A., 1975. Hidrologia Aplicada. Editora McGraw-Hill,
So Paulo.