Você está na página 1de 11

Artigo Original

DOI:10.5902/2179460X13421

Cincia e Natura, Santa Maria, v. 36 n. 3 set - dez. 2014, p. 527 537


Revista do Centro de Cincias Naturais e Exatas - UFSM
ISSN impressa: 0100-8307
ISSN on-line: 2179-460X

Avaliao de Algoritmos de Otimizao e Funes Objetivo para Calibrao Automtica do Modelo Chuva-Vazo Tank Model
Evaluation of Optimization Algorithms and Objective Functions for Automatic
Calibration of the Rainfall-Runoff Tank Model
Alcigeimes B Celeste1, Vanessa Silva Chaves

Avaliao de Algoritmos
de Otimizao e Funes Objetivo para
Professor, Dep. Eng. Civil Universidade Federal de Sergipe, Brasil
Calibrao Automtica do Modelo Chuva-Vazo Tank Model
1

Evaluation of Optimization Algorithms and Objective Functions for Automatic


Calibration of the Rainfall-Runoff Tank Model

Resumo
Registros hidrolgicos apresentam, muitas vezes, falhas ou perodos curtos de medio. Uma vez que sries pluviomtricas so
tipicamente mais longas do que as fluviomtricas, modelos chuva-deflvio so frequentemente utilizados para preencher falhas
e alongar sries de vazo a partir de dados de precipitao. O Tank Model um modelo chuva-vazo simples, em que tanques
alinhados verticalmente representam os extratos do solo e necessita, apenas, de dados de chuva, vazo e evapotranspirao para
sua calibrao. Este trabalho aplica combinaes de sete algoritmos de otimizao matemtica e de oito funes objetivo (que
guiam a otimizao) para a calibrao automtica dos parmetros do Tank Model. A rea de estudo a bacia hidrogrfica do rio
Japaratuba, localizada no estado de Sergipe. Os resultados so comparados com os de pesquisa anterior que utilizou uma nica
combinao de otimizador e funo objetivo para calibrar o modelo. O desempenho do Tank Model confrontado tambm com
o do modelo conceitual MODHAC, aplicado nos estudos de elaborao do Plano Estadual de Recursos Hdricos do estado de
Sergipe. Os resultados encontrados indicam ajustes bastante satisfatrios entre vazes observadas e simuladas.
Palavras-chave: Modelagem chuva-vazo, Tank Model, otimizao.

Abstract
Hydrological records often have failures or short measurement periods. Since rainfall data are typically longer than streamflow
series, rainfall-runoff models are often used to fill gaps and lengthen streamflow records from rainfall series. The Tank Model
is a simple rainfall-runoff model in which vertically aligned tanks represent the extracts of soil. Only rainfall, runoff and
evapotranspiration data are needed for its calibration. This study applies combinations of seven mathematical optimization
algorithms and eight types of objective functions (which guide the optimization) for the automatic calibration of the Tank Model
parameters. The study area is the Japaratuba catchment, located in the state of Sergipe, Brazil. The results are compared
with those of a previous study that used a unique combination of optimizer and objective function to calibrate the model. The
performance of the Tank Model is also confronted with the one from conceptual model MODHAC used in studies for the Sergipe
State Water Resources Plan. The results indicate satisfactory fit between observed and simulated flows.
Keywords: Rainfall-runoff modeling, Tank Model, optimization.

Recebido: 04/04/2014 Aceito: 04/05/2014

Cincia e Natura, v. 36 n. 3 set-dez. 2014, p. 527 537


Cincia e Natura

Introduo

A disponibilidade de dados hidrolgicos, particularmente pluviomtricos e fluviomtricos, de fundamental importncia para o planejamento e manejo eficientes
e sustentveis de sistemas de recursos hdricos. Entretanto, em algumas regies, como no Nordeste brasileiro,
comum os registros histricos apresentarem perodos
curtos de medio e falhas, i.e., perodos sem informaes ou com dados incorretos ou duvidosos. Isso consequncia, por exemplo, de equipamentos danificados
ou por falta de monitoramento. Tipicamente, as sries de
vazes apresentam maiores problemas. Segundo Tucci
(1998), devido a facilidade de operao e custo, normal
existirem sries mais longas de precipitao do que de
vazo.
Uma das formas de preencher falhas e alongar sries
fluviomtricas curtas recorrer a mecanismos que relacionam os dados de vazo com os de precipitao, i.e.,
os chamados modelos chuva-vazo. Dois dos inmeros
modelos computacionais mais conhecidos so o pioneiro
stanford watershed model, desenvolvido na Universidade
de Stanford (EUA), e o SSARR (streamflow synthesis and
reservoir regulation), do Corpo de Engenheiros do Exrcito Americano (Beven, 2011). No Brasil, tambm j
foram concebidos vrios modelos com o mesmo propsito, como o SMAP (soil moisture accounting procedure)
(Lopes et al., 1982), o MOHTSAR (modelo hidrolgico
para o trpico semi-rido) (Filho e Lanna, 1986) e o
MODHAC (modelo hidrolgico auto-calibrvel) (Viegas
Filho et al., 1999).
Outro modelo bastante conhecido por sua simplicidade o japons Tank Model (Sugawara, 1995). Este
representa o sistema hidrolgico por uma sucesso de
tanques alinhados verticalmente, representando os diversos extratos do solo com as respectivas propriedades
de reteno e transferncia dgua (Silva, 1993). Uma
vantagem do Tank Model no precisar de informaes
mais elaboradas sobre a bacia em estudo tais como propriedades do solo, vegetao, etc. Os dados necessrios
so apenas precipitao, evapotranspirao e deflvio,
sendo, portanto, um modelo relativamente simples em
comparao com os demais. A calibrao dos parmetros do Tank Model geralmente conduzida atravs de
otimizao matemtica.
Este trabalho teve como objetivo principal a aplicao e comparao de vrias metodologias de otimizao
matemtica para a calibrao automtica do Tank Model a fim de modelar o processo chuva-vazo na bacia
hidrogrfica do rio Japaratuba, em Sergipe. A meta foi
analisar diferentes algoritmos otimizadores e funes objetivo (que guiam a calibrao) para o ajuste automtico
dos parmetros do modelo de forma a identificar a melhor combinao. Os resultados foram confrontados com

528
2

os obtidos no trabalho de Menezes (2013) que tambm


utilizou o Tank Model, porm com uma combinao
nica de otimizador e funo objetivo e com os dados
gerados pelo MODHAC em estudo realizado pela Secretaria de Estado de Meio Ambiente e Recursos Hdricos
de Sergipe (SEMARH-SE) para elaborao do Plano Estadual de Recursos Hdricos (PERH-SE) (SEMARH-SE,
2010).

2
2.1

Metodologia
Descrio do Tank Model

O princpio do Tank Model substituir a bacia de drenagem por um conjunto de tanques alinhados verticalmente que possuem orifcios laterais e de fundo a partir
dos quais a gua descarregada. As descargas laterais
representam os escoamentos superficial, sub-superficial
e subterrneo. As descargas de fundo representam infiltrao e percolao (Figura 1).
A precipitao P adicionada ao tanque superior e
a evapotranpirao ET subtrada de todos os tanques.
A vazo lateral q de cada um dos tanques assumida
proporcional altura dgua a partir da posio h do
orifcio lateral em relao ao fundo do tanque:
q = ( X h)
onde X o nvel de gua em relao ao fundo e a
constante de proporcionalidade.
A percolao z tambm proporcional ao nvel X,
sendo a constante de proporcionalidade:
z = X
Este trabalho utilizou a configurao final da Figura 1, com quatro tanques em srie, em que o tanque
superior possui dois orifcios laterais, os dois tanques
seguintes possuem apenas um orifcio lateral, e o tanque
inferior no apresenta orifcio de fundo (i.e., percolao profunda) nem seu orifcio lateral possui altura em
relao ao fundo.
A soma das vazes de todos os orifcios laterais dos
tanques equivale descarga Q a ser calculada que, neste
caso, :
Q=

qi

i =1

2.2

Calibrao do Tank Model

Quando o Tank Model foi desenvolvido e comeou a


ser utilizado, a calibrao de seus parmetros era realizada de forma manual por tentativa-e-erro, uma tarefa
bastante trabalhosa por causa da estrutura no linear
do modelo. Hoje, o ajuste manual deu lugar s tcnicas

529

Celeste e Chaves: Otimizadores para Calibrao do Tank Model

Autores: Otimizadores para Calibrao do Tank Model

ET

2
X1

h2

q 2 = 2 ( X1 h2 )
q1 = 1 ( X1 h1 )

h1
1
z1 = 1 X1

matemticas de otimizao que permitem a calibrao


automtica desses parmetros, facilitando seu uso.
Otimizao a busca do valor de uma varivel ou
de mltiplas variveis, que proporcionam o melhor resultado para uma funo dependente destas variveis,
representando o objetivo desejado e, portanto, chamada
de funo objetivo (Tucci, 1998).
A escolha da funo objetivo e do algoritmo de otimizao (otimizador) tem um papel determinante para
o desempenho do modelo. Este trabalho testou oito tipos de funes objetivo e sete algoritmos de otimizao
diferentes com o intuito de verificar a combinao mais
eficiente. As duas prximas sees detalham as funes
e otimizadores testados.
2.2.1

X2

q 3 = 3 ( X 2 h3 )

h3

Para modelos chuva-vazo o objetivo aproximar ao


mximo os valores de deflvio calculados e observados,
ou seja, a funo objetivo deve minimizar a diferena entre eles. As funes testadas neste trabalho so descritas
a seguir.
Critrio de Nash-Sutcliffe:
A eficincia E de Nash-Sutcliffe (Nash e Sutcliffe, 1970)
calculada por:

2
z2 = 2 X 2

X3

Funes Objetivo

h4

E = 1

q4

= 4 ( X 3 h4 )

3
z3 = 3 X3

tT=1 ( Qobs (t) Qsim (t))



2
tT=1 Qobs (t) Qobs

(1)

em que Qobs (t) e Qsim (t) so, respectivamente, as vazes


observadas e simuladas no perodo t, e Qobs a vazo
observada mdia ao longo do horizonte t = 1, . . . ,T.
A eficincia de Nash-Sutcliffe pode variar de a 1.
Uma eficincia de E = 1 corresponde a um ajuste perfeito da descarga modelada aos dados observados. Uma
eficincia de E = 0 indica que as previses do modelo
so to precisas quanto a mdia dos dados observados, enquanto que uma eficincia inferior a zero ocorre
quando a mdia observada um indicador melhor do
que o modelo.
Soma dos Quadrados dos Erros:
A soma dos quadrados dos erros (SSE: sum of squared
errors) calculada por:

X4

SSE =

(Qobs (t) Qsim (t))2

t =1

q5 = 5X4

Figura 1: Configurao do Tank Model utilizado.

A SSE d um peso maior para vazes maiores. Para


um perodo contnuo a tendncia ser um melhor ajuste
das enchentes (Tucci, 1998). Por exemplo, se Qobs =
1 m3 /s e Qsim = 2 m3 /s (diferena entre vazes de
100%), SSE = 1. Por outro lado, se Qobs = 100 m3 /s

Cincia e Natura, v. 36 n. 3 set-dez. 2014, p. 527 537


Cincia e Natura
e Qsim = 110 m3 /s (diferena entre vazes de 10%),
SSE = 100. Portanto, o modelo priorizar o ajuste dos
valores maiores para que a diferena quadrtica entre
eles torne-se menor. Quanto mais prximo de zero resultar a soma dos quadrados dos erros, mais preciso o
modelo.
Raiz do Erro Quadrtico Mdio:
O chamado erro quadrtico mdio (MSE: mean square
error) representa a mdia dos quadrados dos erros e
calculado dividindo-se SSE pelo perodo total T. Da
mesma forma que o SSE, sempre positivo e um valor
de MSE = 0 indica ajuste perfeito. A raiz quadrada do
MSE, ou raiz do erro quadrtico mdio (RMSE: root
mean square error) comumente usada para expressar
a acurcia dos resultados numricos com a vantagem
de que RMSE apresenta valores do erro nas mesmas
dimenses da varivel analisada. O RMSE calculado
por:

 T
1
RMSE =  ( Qobs (t) Qsim (t))2
T t =1
Erro Mdio (bias):
O erro mdio, tambm chamado de tendncia ou ainda
de vis (bias), calculado por:
bias =

1
T

(Qobs (t) Qsim (t))

t =1

Apesar de fornecer uma ideia da tendncia ou erro


sistemtico, o bias afetado pelo fato de que erros individuais positivos e negativos de mesma magnitude se
cancelam no somatrio, o que geralmente leva subestimao do erro (Hallak e Pereira Filho, 2011).
Raiz da Mdia da Diferena Quadrtica em Relao
ao bias:
basicamente o RMSE calculado retirando-se o bias das
diferenas:

 T
1

( Qobs (t) Qsim (t) bias)2
T t
=1
Soma da Razes Quadradas:
Calculada como o somatrio das razes quadradas dos
valores absolutos das diferenas entre vazes observadas
e simuladas:
T

t =1

| Qobs (t) Qsim (t)|

530
4

Soma dos Quadrados das Diferenas entre Razes Quadradas:


Calculada como o somatrio dos quadrados das diferenas entre as razes quadradas das vazes observadas e
simuladas:
2

T 
Qobs (t) Qsim (t)
t =1

Soma dos Valores Absolutos das Diferenas Logartmicas:


Calculada como o somatrio dos valores absolutos das
diferenas entre os logartmos das vazes observadas e
simuladas:
T

| log Qobs (t) log Qsim (t) |

t =1

2.2.2 Mtodos de Otimizao


Em geral, as ferramentas de otimizao matemtica se
dividem em mtodos de otimizao local e mtodos
de otimizao global. Os primeiros garantem pelo menos uma soluo tima local (que pode ser global) e
possuem, geralmente, processamento computacional rpido. Os segundos convergem para um timo global
mas necessitam de muito mais tempo de processamento.
Os mtodos de otimizao ultilizados nesta pesquisa so
descritos a seguir.
Algoritmo Gentico:
Algoritmos genticos aplicam regras heursticas na busca
do mnimo global de funes objetivo em problemas de
otimizao. Eles imitam o processo evolutivo de Darwin
implementando uma estratgia de "sobrevivncia dos
mais aptos". Em princpio, a busca comea com um
conjunto inicial de solues aleatrias chamado populao. Indivduos denominados cromossomos compem a
populao. Cada cromossomo representa uma soluo
potencial para o problema e descrito por uma cadeia de
smbolos (geralmente, mas no necessariamente, uma cadeia de nmeros binrios 0 e 1). Cada soluo avaliada
fornecendo uma medida de aptido. Em seguida, uma
nova populao formada pela seleo dos indivduos
mais aptos. Alguns membros dessa nova populao se
submetem a transformaes por meio de operadores genticos (crossover e mutao) para formar novas solues,
chamadas de prole. Depois de sucessivas iteraes, ou geraes, o algoritmo converge para o melhor cromossomo,
o qual esperado representar a soluo tima para o
problema. Em geral, os indivduos mais aptos tendem a
se reproduzir para a prxima gerao, desse modo melhorando as geraes sucessivas. Contudo, indivduos

531
5

Celeste e Chaves: Otimizadores para Calibrao do Tank Model


Autores: Otimizadores para Calibrao do Tank Model

inferiores podem, por acaso, sobreviver e tambm se


reproduzir (Celeste et al., 2001).
Busca Aleatria Uniforme:
A busca aleatria uniforme (uniform random search) baseiase na definio de um intervalo de variao para cada
varivel do modelo:
min max
Gerando N nmeros aletrios uniformemente distribudos possvel determinar N valores da funo
objetivo. O menor valor adotado como o mnimo global. Considerando que N muito grande a soluo
prxima do timo (Tucci, 1998).
Busca Padro:
A busca padro (pattern search) um mtodo de pesquisa
muito simples com a vantagem de ser rpido mas a desvantagem de poder encontrar timos locais ao invs de
globais. Isso particulamente o caso quando os problemas so altamente no lineares. O problema dos timos
locais pode ser mitigado com o uso de multi-start (vrios
pontos iniciais de busca). A busca comea com um valor
inicial e um incremento de busca. A cada iterao, o
algoritmo verifica um conjunto de pontos formados pelo
ponto atual multiplicado pelo incremento de busca em
vrias direes. A seguir, a funo objetivo avaliada
em cada um dos pontos gerados. Se for encontrado
um ponto para o qual a funo objetivo melhorou, este
ponto torna-se o ponto atual para a prxima iterao.
Mtodo de Rosenbrock:
O mtodo de Rosenbrock um mtodo de busca local
semelhante ao mtodo da busca padro com melhorias
que fazem com que a busca no pare em um ponto que
no seja de mnimo (Mateus e Luna, 1986). Assim como
a busca padro, para encontrar o timo global, pode-se
adicionar o multi-start busca.
Evoluo de Complexos Misturados:
O algoritmo Shuffled Complex Evolution University of
Arizona (SCE-UA) desenvolvido por Duan et al. (1994)
um algoritmo de otimizao global desenvolvido para
lidar com vrios problemas encontrados na calibrao de
modelos no lineares, particularmente com a multimodalidade das funes objetivo de modelos chuva-vazo
conceituais. O mtodo combina a estratgia de otimizao determinstica de Nelder-Mead (downhill simplex
method) com a estocstica dos algoritmos genticos.

Figura 2: Bacias hidrogrficas do estado de Sergipe.


Fonte: Atlas Digital Sobre Recursos Hdricos de Sergipe
(SEMARH-SE, 2012).

2.3

rea de Estudo

A rea de estudo utilizada foi a bacia hidrogrfica do rio


Japaratuba, em Sergipe (Figura 2), que possui boa disponibilidade de dados. A bacia tem uma rea de drenagem
de 1.735 km2 , equivalentes a 7,65% do territrio estadual
e abrange 20 municpios, com populao urbana e rural de 122.879 e 79.052 habitantes, respectivamente. A
bacia constituda pelo rio que lhe empresta o nome e
tem como principais afluentes os rios Japaratuba Mirim,
Lagartixo, Siriri, Cancelo e Riacho do Prata. Nascendo
na Serra da Boa Vista e desaguando no Oceano Atlntico, a bacia possui plancie aluvial muito larga, onde se
desenvolve o cultivo da cana de acar. As principais
atividades, em termos econmicos, so a explorao do
petrleo, gs natural, sal gema, potssio, calcrio, magnsio, turfa e areia, alm da irrigao e expanso da
cultura da cana de acar, tambm o turismo e lazer,
pesca e abastecimento humano e animal (SEMARH-SE,
2013).
O talvegue principal rio Japaratuba, que possui
extenso de 113,21 km e nasce em Feira Nova, municpio
de Sergipe (SEMARH-SE, 2010). A bacia localiza-se
entre os paralelos 10o 13 e 10o 47 de latitude sul e os
meridianos 36o 49 e 37o 19 de longitude oeste. Segundo
a classificao climtica de Kppen, h a predominncia
do clima tropical com estao seca de vero, com perodo
chuvoso compreendido entre abril e agosto, concentrado
nos meses de maio, junho e julho. A precipitao na

Cincia e Natura, v. 36 n. 3 set-dez. 2014, p. 527 537


Cincia e Natura

bacia apresenta valores anuais mdios de 1.270 mm, com


cerca de 900 mm/ano na sua poro noroeste e 1.500
mm/ano junto sua foz (Cruz, 2010).
O posto de Japaratuba a mais antiga estao fluviomtrica da bacia e possui rea de drenagem de 735,48
km2 . Foi instalado em 1943 pelo Departamento Nacional de Obras Contra as Secas (DNOCS) e hoje est sob
responsabilidade da Agncia Nacional de guas (ANA).
Por possuir o maior perodo de observao, este posto
(cdigo ANA: 50040000) foi selecionado para a calibrao e simulao do modelo chuva-deflvio MODHAC
no estudo realizado pelo PERH-SE (SEMARH-SE, 2010),
que obteve melhores resultados quando os dados do
posto fluviomtrico de Japaratuba foram correlacionados com os dos posto pluviomtrico de Capela (cdigo
ANA: 1037009).
A combinao dos postos de chuva-vazo Capela
Japaratuba tambm foi usada no presente estudo. Os
dados pluviomtricos, fluviomtricos e de evapotranspirao necessrios foram extrados do PERH-SE e do
HidroWeb Sistema de Informaes Hidrolgicas da
ANA (
).

2.4

Procedimento Metodolgico

Para a aplicao do Tank Model, utilizou-se o software


computacional conhecido como Rainfall Runoff Library
(RRL). O RRL (Podger, 2004) um software para modelagem do processo chuva-vazo de fcil instalao
e manuseio que dispe de cinco modelos hidrolgicos
incluindo o Tank Model. No RRL, a configurao de
tanques utilizada a mostrada na Figura 1.
O perodo de simulao escolhido, em escala diria,
foi de 1.o de janeiro de 1969 a 31 de dezembro de 1979
por apresentar maior consistncia nos dados. Depois de
informados os dados de entrada (chuva, vazo e evapotranspirao), o programa oferece a opo de escolher
os perodos de calibrao e validao. Foi utilizado um
perodo de calibrao de cinco anos (1.o de janeiro de
1969 a 31 de dezembro de 1973) e, consequentemente,
um perodo de validao de seis anos (1.o de janeiro de
1974 a 31 de dezembro de 1979) (Figura 3).
Para calibrao dos parmetros do modelo, o programa dispe de oito opes de funes objetivo e sete
opes de otimizadores, nomeadamente os descritos na
seo 2.2.2 (ambos os otimizadores busca padro e mtodo de Rosenbrock possuem a opo de multi-start alm
da verso sem multi-start).
Com estas quinze opes diferentes, foram conduzidas diversas simulaes combinando todas as funes
e otimizadores. As simulaes utilizam um ponto de
partida para realizar a busca do timo, que representa
valores iniciais para os parmetros do Tank Model. Para
uma comparao justa, foi utilizado o mesmo ponto
inicial empregado no trabalho de Menezes (2013).

532
6

O desempenho das calibraes foi medido pelo coeficiente de correlao de Pearson (Naghettini e Pinto,
2007) e pelo coeficiente de eficincia de Nash-Sutcliffe,
este ltimo dado por (1).
Como sada, o RRL fornece a srie de vazes simuladas, os coeficientes de correlao e eficincia, os valores
dos parmetros encontrados, os grficos de disperso
das vazes dirias e mensais e os grficos de comparao
entre os valores de vazo observados e simulados.

Resultados e Discusso

A Tabela 1 apresenta os ndices de desempenho (correlaco de Pearson e eficincia de Nash-Sutcliffe) para todas
as simulaces realizadas. Como pode ser observado,
alguns otimizadores e funes objetivo, por serem muito
simples, apresentaram resultados muito distantes do
ideal, ou seja, forneceram coeficiente de eficincia muito
longe de 1 e podem ter a maioria dos seus resultados
desprezados, como o caso do otimizador busca aleatria uniforme e as funes objetivos erro mdio (bias) e
soma dos valores absolutos das diferenas logartmicas.
Dentre todas as simulaes, as menores eficincias
de calibrao e validao mensais ocorreram no arranjo
com a busca aleatria uniforme e a soma das razes
quadradas (-29,45 e -13,27 de eficincias mensais na
calibrao e validao, respectivamente).
Com exceo da busca aleatria uniforme, todos os
otimizadores apresentaram bons resultados para determinadas funes, com destaque para a combinao entre
o mtodo de Rosenbrock e a soma dos quadrados dos
erros (0,86 e 0,75 de eficincias mensais na calibrao e
validao, respectivamente).
As funes objetivo critrio de Nash-Sutcliffe, soma
dos quadrados dos erros e raiz do erro quadrtico mdio
mostraram bons resultados para todos os otimizadores,
exceto para a busca aleatria uniforme.
O melhor ajuste aconteceu com a combinao entre
o mtodo de Rosenbrock com multi-start e o critrio
de Nash-Sutcliffe. Nesta combinao, foram encontrados os valores de 75% e 86% de eficincia na calibrao
diria e mensal, respectivamente. Para o perodo de
validao, os resultados encontrados foram de 65% e
75% de eficincia diria e mensal, respectivamente. Para
a correlao, esta combinao tambm apresentou bons
resultados: 86% para a correlao da calibrao diria
e 87% para a correlao da validao diria. Os parmetros ajustados por essa combinao so mostrados na
Tabela 2. A Figura 4 apresenta, para esta combinao, o
grfico comparativo entre vazes dirias observadas e
calculadas para todo o horizonte de simulao.
Com o intuito de avaliar o desempenho do Tank
Model calibrado pelo RRL, do Tank Model calibrado
no trabalho de Menezes (2013), e do modelo MODHAC

533
7

Celeste e Chaves: Otimizadores para Calibrao do Tank Model


Autores: Otimizadores para Calibrao do Tank Model

Figura 3: Captura de tela do software RRL mostrando escolha dos perodos de calibrao e validao.

Lmina Escoada (mm)

obs.
sim.

0
500

1000

1500

2000
Tempo (dias)

2500

3000

3500

4000

Figura 4: Comparao entre vazes dirias utilizando a melhor combinao entre otimizador (mtodo de Rosenbrock
com multi-start) e funo objetivo (critrio de Nash-Sutcliffe).

Cincia e Natura

Cincia e Natura, v. 36 n. 3 set-dez. 2014, p. 527 537

534

Tabela 1: ndices de desempenho para cada combinao entre otimizador e funo objetivo.
Funo Objetivo

Eficincia
Calibrao
Diria

Correlao
Calibrao
Diria

Eficincia
Validao
Diria

Correlao
Validao
Diria

Eficincia
Calibrao
Mensal

Eficincia
Validao
Mensal

Algoritmo
Gentico

Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas

0,73
0,72
0,72
0,66
-0,78
-68,90
0,68
-60,18

0,86
0,85
0,85
0,85
0,39
0,54
0,83
0,57

0,61
0,63
0,63
0,53
-0,18
-36,54
0,53
-32,85

0,86
0,86
0,85
0,82
0,49
0,55
0,81
0,58

0,84
0,86
0,86
0,80
0,12
-13,10
0,80
-13,80

0,69
0,73
0,73
0,56
0,34
-8,76
0,61
-9,04

Busca
Aleatria
Uniforme

Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas

-10,99
-10,87
-15,56
-15,13
-26,37
-29,45
-38,14
-71,33

0,73
0,77
0,47
0,65
0,55
0,44
0,32
0,37

-5,24
-4,19
-6,49
-6,32
-12,61
-13,27
-16,57
-34,20

0,76
0,79
0,53
0,70
0,59
0,49
0,38
0,41

-9,16
-12,68
-5,08
-18,63
-5,96
-29,45
-3,77
-6,12

-4,56
-5,79
-2,36
-8,21
-2,82
-13,27
-2,07
-4,16

Busca
Padro

Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas

0,63
0,70
0,51
-7,56
0,17
-141,99
-0,30
-158,02

0,79
0,85
0,82
0,81
0,70
0,37
0,17
0,37

0,54
0,56
0,64
-2,94
0,19
-66,14
-0,45
-72,64

0,81
0,83
0,81
0,77
0,64
0,41
0,01
0,41

0,73
0,80
0,60
-12,73
0,42
-16,29
-0,48
-21,42

0,57
0,61
0,74
-5,53
0,33
-9,77
-0,79
-12,38

Busca
Padro com
Multi-Start

Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas

0,14
0,59
0,65
-2,10
-0,30
0,67
0,69
-116,74

0,61
0,80
0,81
0,78
0,40
0,82
0,84
0,45

0,42
0,44
0,56
-0,49
0,07
0,56
0,54
-57,19

0,70
0,76
0,77
0,72
0,48
0,81
0,81
0,48

0,40
0,75
0,76
-3,70
0,18
0,79
0,82
-20,76

0,71
0,51
0,68
-1,12
0,29
0,64
0,64
-11,86

Mtodo de
Rosenbrock

Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas

0,74
0,74
0,74
-1,72
-0,23
-50,04
0,69
0,66

0,86
0,86
0,86
0,83
0,56
0,33
0,84
0,82

0,64
0,65
0,65
-0,21
-0,09
-24,32
0,52
0,55

0,87
0,87
0,87
0,78
0,51
0,39
0,81
0,80

0,86
0,86
0,86
-3,14
-0,09
-2,54
0,81
0,78

0,74
0,75
0,75
-0,73
-0,01
-2,29
0,60
0,60

Mtodo de
Rosenbrock
com
Multi-Start

Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas

0,75
0,74
0,74
-1,70
-3,03
0,11
0,69
0,63

0,86
0,86
0,86
0,83
0,64
0,64
0,84
0,79

0,65
0,65
0,65
-0,21
-2,01
-0,06
0,55
0,54

0,87
0,87
0,87
0,78
0,64
0,63
0,84
0,81

0,86
0,86
0,86
-3,11
-0,31
0,17
0,81
0,73

0,75
0,75
0,75
-0,72
-0,66
-0,12
0,62
0,57

SCE-UA

Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas

0,61
0,71
0,67
-1,21
-15,13
0,36
0,58
-43,30

0,81
0,84
0,82
0,83
0,40
0,67
0,77
0,64

0,59
0,60
0,56
-0,02
-8,65
0,17
0,38
-23,94

0,77
0,83
0,80
0,77
0,46
0,63
0,67
0,64

0,70
0,84
0,82
-2,29
-0,95
0,46
0,82
-12,98

0,71
0,71
0,68
-0,37
-0,94
0,18
0,55
-8,37

Otimizador

535
9

Celeste e Chaves: Otimizadores para Calibrao do Tank Model


Autores: Otimizadores para Calibrao do Tank Model

Tabela 2: Parmetros timos do Tank Model ajustados


pela melhor combinao entre otimizador (mtodo de
Rosenbrock com multi-start) e funo objetivo (critrio
de Nash-Sutcliffe).
Parmetro

Valor timo

1
2
3
4
5
1
2
3
h1
h2
h3
h4

0
0
0,0411
0,0056
0
0,3219
0,5
0,0155
6,7339
30,1916
2,4151
100

calibrado no PERH-SE (SEMARH-SE, 2010), foi feita a


comparao entre as lminas mensais1 de escoamento
observadas e simuladas pelos trs modelos para um
mesmo horizonte de simulao (19691979). Tabela 3
apresenta os ndices de desempenho obtidos enquanto
que as figuras 57 mostram a comparao entre lminas
observadas e simuladas.
Os resultados indicam que, para o perodo comum
de comparao, a calibrao do RRL foi mais eficiente
do que a realizada em Menezes (2013) e do que a do
MODHAC (SEMARH-SE, 2010). Ambas as calibraes
do Tank Model apresentaram correlao e eficincia melhores do que a do MODHAC.
Na pesquisa de Menezes (2013) foi utilizada uma
combinao nica do algoritmo SCE-UA com a funo
objetivo da soma dos quadrados dos erros e foram encontrados resultados superiores a mesma combinao
realizada no presente trabalho. Isso pode ser explicado
devido as limitaes dos software RRL, que apresentou
ineficincia de memria e alm disso exigia a informao
de um nmero mximo de iteraes, o que no aconteceu na pesquisa de Menezes (2013), onde o prprio
programa criado convergia para o resultado. A informao de um limite mximo de iteraes pode ter feito
com que o RRL convergisse antes de encontrar o timo
global da funo.

4 Concluso
O objetivo desta pesquisa foi aplicar e comparar vrias
metodologias de otimizao para a calibrao automtica do modelo chuva-vazo Tank Model na bacia do
1 Os dados simulados pelo MODHAC s esto disponveis em
escala mensal.

rio Japaratuba, Sergipe. Alm disso, buscou-se comparar os resultados obtidos com os da pesquisa de Menezes (2013) e com os ajustes realizados pelo MODHAC
(SEMARH-SE, 2010) para a elaborao do Plano Estadual de Recursos Hdricos de Sergipe. Corroborando
com os resultados de Menezes (2013), verificou-se o bom
desempenho do Tank Model na simulao do processo
chuva-vazo na bacia do rio Japaratuba.
Alguns resultados obtidos, como as combinaes que
envolviam o otimizador busca aleatria uniforme e as
funes objetivo erro mdio e soma dos valores absolutos das diferenas logartmicas, ficaram muito distantes
do ideal, ou seja, com coeficientes de eficincia muito
baixos, e mostram que certos otimizadores e funes
objetivo no so indicados para a calibrao dos parmetros do Tank Model.
Entretanto, pode-se afirmar que, com exceo dos
apontados acima, os parmetros do modelo podem ser
calibrados por vrios arranjos de otimizadores e funes objetivo, particularmente pela combinao entre o
mtodo de Rosenbrock com multi-start e o critrio de
Nash-Sutcliffe, que ofereceram o melhor ajuste nos testes
conduzidos.

Referncias
Beven, K. J., 2011. Rainfall-runoff modelling: the primer.
John Wiley & Sons.
Celeste, A. B., Suzuki, K., Watanabe, M., 2001. Genetic
algorithms for automatic calibration of Tank Model.
In: Proc. 7th JSCE Congress of Civil Engineering
Shikoku Division. Japan Society of Civil Engineers
(JSCE), Matsuyama, Japan, pp. 150151.
Cruz, M. A. S., 2010. Avaliao de sries histricas de
vazo monitoradas em duas sub-bacias do rio Japaratuba em Sergipe com auxlio de algoritmos genticos,
embrapa Tabuleiros Costeiros. Boletim de Pesquisa e
Desenvolvimento.
Duan, Q., Sorooshian, S., Gupta, V. K., 1994. Optimal
use of the SCE-UA global optimization method for
calibrating watershed models. Journal of Hydrology
158 (3), 26584.
Filho, P. M., Lanna, A. E. L., 1986. MOHTSAR: Um modelo hidrolgico para o trpico semi-rido. Caderno
de Recursos Hdricos da Revista Brasileira de Engenharia 4 (1), 95118.
Hallak, R., Pereira Filho, A. J., 2011. Metodologia para
anlise de desempenho de simulaes de sistemas
convectivos na regio metropolitana de So Paulo
com o modelo ARPS: sensibilidade a variaes com os
esquemas de adveco e assimilao de dados. Revista
Brasileira de Meteorologia 26, 591608.

Cincia e Natura, v. 36 n. 3 set-dez. 2014, p. 527 537

536

Cincia e Natura

10

Tabela 3: Desempenho dos modelos (em escala mensal) para o perodo 19691979.
Tank Model
Menezes (2013)

RRL

SEMARH-SE (2010)

0,89
0,71

0,92
0,78

0,78
0,50

Correlao
Eficincia

120

MODHAC

obs.
sim.

Lmina Escoada (mm)

100

80

60

40

20

0
20

40

60
Tempo (meses)

80

100

120

Figura 5: Comparao entre vazes mensais observadas e simuladas para o perodo 19691979 pelo Tank Model
calibrado por Menezes (2013).
Fonte: Grfico dos autores com base nos dados de Menezes (2013).
120

obs.
sim.

Lmina Escoada (mm)

100

80

60

40

20

0
20

40

60
Tempo (meses)

80

100

120

Figura 6: Comparao entre vazes mensais observadas e simuladas para o perodo 19691979 pelo MODHAC
calibrado em SEMARH-SE (2010).
Fonte: Grfico dos autores com base nos dados de SEMARH-SE (2010).

537

Celeste e Chaves: Otimizadores para Calibrao do Tank Model

11

Autores: Otimizadores para Calibrao do Tank Model

120

obs.
sim.

Lmina Escoada (mm)

100

80

60

40

20

0
20

40

60
Tempo (meses)

80

100

120

Figura 7: Comparao entre vazes mensais observadas e simuladas para o perodo 19691979 pelo RRL utilizando o
mtodo de Rosenbrock com multi-start e o critrio de Nash-Sutcliffe.
Lopes, J. E. G., Braga, B. P. F., Conejo, J. G. L., 1982.
SMAP a simplified hydrological model. In: Singh,
V. P. (Ed.), Applied Modelling in Catchment Hydrology. Proceedings of the International Symposium on
Rainfall-Runoff Modelling. Water Resources Publications.
Mateus, G., Luna, H., 1986. Programao No Linear. V
Escola de computacao. UFMG.
Menezes, T. L. A., 2013. Tank Model para modelagem do
processo chuva-vazo no estado de Sergipe, Trabalho
de Concluso de Curso (Graduao em Engenharia
Civil) Universidade Federal de Sergipe.
Naghettini, M., Pinto, E., 2007. Hidrologia Estatstica.
CPRM.
Nash, J. E., Sutcliffe, J. V., 1970. River flow forecasting
through conceptual models part 1 a discussion of
principles. Journal of Hydrology 10, 282290.
Podger, G., 2004. RRL Rainfall Runoff Library Users
Guide. Cooperative Research Centre for Catchment
Hydrology.
SEMARH-SE, 2010. Elaborao do plano estadual de
recursos hdricos: RE-6, Volume 1, Tomo I (bacia
hidrogrfica do Rio Japaratuba).
SEMARH-SE, 2012. Atlas digital sobre recursos hdricos
de sergipe. CD-ROM.
SEMARH-SE, 2013. As bacias hidrogrficas em Sergipe.
Acesso em set/2013.

URL
Silva, W. d. A., 1993. Avaliao de alguns modelos chuvadeflvio para o estado da Paraba. Dissertao de
Mestrado, Universidade Federal da Paraba.
Sugawara, M., 1995. Tank model. In: Singh, V. P. (Ed.),
Computer Models of Watershed Hydrology. Water
Resources Publications, Highlands Ranch, pp. 165
214.
Tucci, C. E. M., 1998. Modelos Hidrolgicos. UFRGS.
Viegas Filho, J. S., Lanna, A. E. L., Pereira, J. S., Troger,
F. H., Conceio, A., 1999. MODHAC modelo hidrolgico auto-calibrvel, verso 98 para Windows. In:
Anais do Congresso Brasileiro de Engenharia Agrcola.
Pelotas.