Escolar Documentos
Profissional Documentos
Cultura Documentos
Determinação dos
Determinação e divisão do banco de dados parâmetros e
variáveis do modelo
Banco de dados Banco de dados
(Treinamento) (Validação) Etapa I
Treinamento da RNA
(validação em simultâneo) Etapa II
Resultados NÃO
aceitáveis?
SIM
Modelo chuva-vazão
Etapa III
Figura 1: Localização da bacia do Rio Jangada (KAN, 2006) Figura 2: Etapas do processo de modelagem via RNA’s
Etapa I – Determinação dos dados e parâmetros do modelo: esta etapa corresponde a coleta de dados referentes a seis postos
pluviométricos (Jangada, São Sebastião, Matos Costa, Faxinal dos Ribeiros, Rio Farias e Iratim) e a um posto fluviométrico (Jangada), os
dados dizem respeito a séries históricas com 20 anos de registro (ANA, 2016), período relevante segundo a Organização Meteorológica
Mundial (MATA-LIMA et al., 2005). Os dados são subdivididos em dois subconjuntos, sendo 70% do total de dados alocados no subconjunto
de treinamento e os outros 30% alocados no subconjunto de validação, essa separação permite analisar a robustez (accuracy) do
mapeamento realizado pela rede e elimina a ocorrência de um overfitting (treinamento excessivo da rede). A fim de garantir resultados
satisfatórios, é necessário determinar qual a taxa de aprendizagem α (0,0 ≤ α ≤ 1,0) a ser utilizada (devido à experiência em diferentes
situações recomenda-se o uso de α =0,4). Outro parâmetro necessário é a definição do erro máximo permitido (Emax ≤ 10% da vazão
máxima), o que informa ao processo de treinamento quando o mesmo pode ser finalizado.
Etapa II – Determinação da arquitetura e treinamento: para a determinação das arquiteturas das redes utiliza-se a combinação das
variáveis de entrada (precipitação (t) dos seis postos pluviométricos, vazão (t-1), vazão (t-2) e média Thiessen (t)), sendo (t) o tempo atual. As
camadas intermediárias são arranjadas em uma ou duas camadas, com o número de neurônios variando de 1 até 9 em cada uma. Desta
forma, determina-se para cada arranjo entrada-saída 18 redes, totalizando assim, 72 redes visto que existem quatro combinações diferentes
de entradas 4x18. O treinamento foi realizado por intermédio do pacote computacional project-yapy implementado no âmbito de um projeto
anterior (KONZEN; FELIX, 2011).
Etapa III – Validação e seleção do melhor modelo: o desemprenho das RNA’s é analisado por meio de indicadores estatísticos, tais
como coeficiente de correlação (R²), erro máximo (Emax) e erro em volume (Evol). Tais indicadores são analisados tanto na fase de
treinamento quanto na de validação visando selecionar o melhor modelo.
Resultados e discussões
As Figuras 3 e 4 apresentam os Hidrogramas (observado e calculado) referentes ao melhor modelo para a chuva-vazão mensal da bacia do
Rio Jangada. Verificou-se que o erro máximo encontrado foi de 17,2 e 17,6 m³/s no treinamento e na validação, respectivamente. Tais
resultados representam uma correlação entre as vazões calculadas e as observadas de 89,6% no treinamento e 90,1% na validação.
O melhor modelo possui como arquitetura (ver Figura 3) a tipologia [3:4:5:1], o qual simboliza três neurônios na camada de entrada, quatro na
primeira camada intermediária, cinco neurônios na segunda camada intermediária e um na camada de saída. Mais detalhes sobre a
arquitetura são apresentados na Figura 5.
Emax : 17,2 m³/s Emax : 17,6 m³/s Camada Camada Camada Camada
R²: 90,1 % 1 2 3 4
R²: 89,6 %
Evol: 0,038 Evol: 0,073
Vazão mensal (m³/s)
Vazão mensal (m³/s)
Vazão (t-1)
Vazão (t-2)
Vazão (t)
Média de
Thiessen (t)
Nº de Meses Nº de Meses
Figura 3: Hidrogramas da fase de treinamento Figura 4: Hidrogramas da fase de validação Figura 5: Melhor RNA
Observou-se, durante o processo de modelagem, que existe uma dificuldade de aprendizado das RNA’s quanto ao mapeamento das vazões
de pico, situação que pode estar relacionada com o fato das vazões representarem acontecimentos esporádicos, muitas vezes
condicionados às elevadas precipitações, diferentes teores de umidade do solo (parcial ou totalmente saturados), bruscas mudanças
climatológicas, entre outras. Porém, com a inserção das vazões de períodos anteriores (vazão (t-1) e vazão (t-2)) como neurônios de
entradas, reduziu-se o erro nas vazões nos picos (Figura 3); a minimização da diferença entre a vazão calculada e a observada nestes casos
pode ser explicada pelo simples fato de se considerar os acontecimentos anteriores as vazões de pico, esta observação remete a existência
relações entre eventos sucessivos de vazão.
O modelo [3:4:5:1] apresentou resultados satisfatórios, tanto na fase de treinamento quanto na de validação da rede, demonstrando que a
modelagem do processo chuva-vazão empregando RNA’s representa uma alternativa eficiente para contornar as dificuldades existentes no
estudo do comportamento hidrológico de bacia hidrográfica.
Conclusões
O conhecimento sobre o processo de transformação chuva-vazão é de vital relevância para a resiliência e sustentabilidade de áreas urbanas,
pois conhecendo esta relação é possível estabelecer medidas estruturais e não estruturais adequadas no âmbito de prevenção de desastres
resultantes de eventos hidrometeorológicos, assim como garantir uma melhor gestão de recursos hídricos. Sendo assim, o presente trabalho
demonstra a aplicabilidade das RNA’s frente a modelagem de problemas não lineares e complexos (FELIX, 2015), a exemplo do
comportamento hidrológico de bacias hidrográficas que tradicionalmente envolve grande quantidade de parâmetros que não podem ser
medidos diretamente, de forma simples e otimizada.
É possível ainda verificar que as redes representam satisfatoriamente a transformação chuva-vazão na bacia do Rio Jangada com uma
redução significativa de variáveis envolvidas (vazão e precipitação), quando da disponibilidade de séries hidrológicas com longos períodos de
registro, caso contrário faz-se necessário adotar mais variáveis climáticas como sinais de entrada (e.g., temperatura, umidade relativa).
Referências bibliográficas
Mata-Lima, H. et al.; 2007. Comportamento hidrológico de bacias hidrográficas: integração de métodos e aplicação a um estudo de caso. REM: Revista Escola
de Minas, v.60, n.3, pp.525-536.
ASCE; 2000. Artificial neural network in hydrology. I: preliminary concepts. Journal of Hydrologic Engineering, v.5, n.2, pp.115-123.
Silva, B.C.; Tucci, C.E.M.; Collischonn, W.; 2006. Previsão de vazão com modelos hidroclimáticos. RBRH. v.11, n.3, pp.15-29.
Celeste, A. B. et al.; 2014. Modelagem do processo chuva-vazão pelo Tank Model e por redes neurais artificiais na bacia do rio Japaratuba, Sergipe. Scientia
Plena, v.10, n.7, pp.1-13.
Sedki, A. et al.; 2009. Evolving neural network using real coded genetic algorithm for daily rainfall-runoff forecasting. Expert Syst App,v. 36, n.3, pp.4523-4527.
Souza, W. S.; Souza, F. A. S.; 2010. Rede neural artificial aplicada à previsão de vazão da Bacia Hidrográfica do Rio Piancó. Revista Brasileira de Engenharia
Agrícola e Ambiental, v.14, n.2, pp.173-180.
Riad, S. et al.; 2004. Rainfall-runoff model using an artificial neural network approach. Mathematical and Computer Modelling, v.40, n.7-8, pp.839-846.
Minss, A. W.; Hall, M. J.; 1996. Artificial neural networks as rainfall-runoff models. HSJ-Journal des Sciences Hydrologiques, v.41, n.3, pp.399-417.
Maier, H.R.; Dandy, G.C.; 2000. Neural networks for the prediction and forecasting of water resources variables: a review of modeling issues and applications.
Environmental Modelling & Software, v.15, pp.101-124.
Kan, A.; 2006. Análise comparativa entre evapotranspiração real e variáveis meteorológicas, radiação líquida e evapotranspiração potencial de Penman,
Priestley-Taylor e Thornthwaite. In: XIV Congresso Brasileiro de Meteorologia. Florianópolis: 2006. Anais... Florianópolis: XIV cbmet.
Agência Nacional das Águas - ANA; 2016. Disponível em: <http://hidroweb.ana.gov.br/HidroWeb.asp?TocItem=1080&TipoReg=7&MostraCon=true&CriaArq=
false&TipoArq=0&SerieHist=true>. Acesso em 10 fev.
Mata-Lima, H.; Mata, I.P.; Lima, A.V.F.; 2005. Aplicação e validação de um simulador estocástico de variáveis climáticas. O caso da precipitação. Ingeniería del
Agua, v.12, n.1, pp.27-37.
Konzen, P. H. A.; Felix, E. F.; 2011. Pacote computacional de RNA’s orientado-a-objetos project-yapy. Disponível em: <https://code.google.com/archive/p/project-
yapy>.
Felix, E. F.; 2015. Desenvolvimento de software para a estimativa da profundidade de carbonatação, vida útil de projeto e captura de CO2 em estruturas de
concreto empregando NRA,s. Trabalho de Conclusão de Curso (Graduação em Engenharia Civil de Infraestrutura) - Universidade Federal da Integração Latino-
Americana.