Traduzido do Inglês para o Português - www.onlinedoctranslator.

com

Revista de Ciências Hidrológicas

ISSN: 0262-6667 (Impresso) 2150-3435 (Online) Página inicial da revista:https://www.tandfonline.com/loi/thsj20

Uma abordagem de entropia para otimização do espaçamento de

seções transversais para modelagem de rios

Elena Ridolfi, Leonardo Alfonso, Giuliano Di Baldassarre, Francesco Dottori,

Fabio Russo e Francesco Napolitano

Para citar este artigo:Elena Ridolfi, Leonardo Alfonso, Giuliano Di Baldassarre, Francesco Dottori, Fabio
Russo e Francesco Napolitano (2014) Uma abordagem de entropia para a otimização do espaçamento de
seção transversal para modelagem de rios, Hydrological Sciences Journal, 59:1, 126-137, DOI:
10.1080/02626667.2013.822640

Para vincular a este artigo:https://doi.org/10.1080/02626667.2013.822640

Publicado on-line: 28 de novembro de 2013.

Envie seu artigo para esta revista

Visualizações de artigos: 1296

Ver artigos relacionados

Ver dados do Crossmark

Citando artigos: 6 Ver artigos que citaram

Os Termos e Condições completos de acesso e uso podem ser encontrados em

https://www.tandfonline.com/action/journalInformation?journalCode=thsj20
126 Revista de Ciências Hidrológicas – Journal des Sciences Hydrologiques,59 (1) 2014
http://dx.doi.org/10.1080/02626667.2013.822640

Uma abordagem de entropia para otimização do espaçamento de seções transversais para

modelagem de rios
Elena Ridolfi1,2,Leonardo Afonso3, Giuliano Di Baldassarre3, Francesco Dottori4, Fábio Russo1
e Francisco Napolitano1
1Dipartimento di Ingegneria Civile, Edile e Ambientale, Sapienza Università di Roma, Roma, Itália
elena.ridolfi@uniroma1.it
2H2CU-Centro de Honras das Universidades Italianas, Sapienza Università di Roma, Roma, Itália

3Departamento de Sistemas Integrados de Água e Governança – Hidroinformática, Instituto UNESCO-IHE para Educação Hídrica, Delft,
Holanda
4Dipartimento di Scienze Biologiche, Geologiche e Ambientali, Università di Bologna, Bolonha, Itália

Recebido em 11 de outubro de 2012; aceito em 31 de maio de 2013; aberto para discussão até 1º de julho de 2014

editorD. Koutsoyiannis

CitaçãoRidolfi, E., Alfonso, L., Di Baldassarre, G., Dottori, F., Russo, F., e Napolitano, F., 2013. Uma abordagem de entropia para a otimização do
espaçamento de seções transversais para modelagem de rios.Revista de Ciências Hidrológicas,59 (1), 126–137.

AbstratoUma definição precisa da geometria do rio é essencial para implementar modelos hidráulicos unidimensionais (1D) e, em
particular, o espaçamento adequado entre secções transversais é fundamental para capturar o comportamento hidráulico de um rio. Este
trabalho explora o potencial de uma abordagem baseada em entropia, como um método complementar às diretrizes existentes, para
determinar o número ideal de seções transversais para apoiar a modelagem hidráulica 1D. Para este fim, dada uma coleção redundante
de seções transversais existentes, um subconjunto de localização é selecionado minimizando a correlação total (como medida de
redundância) e maximizando a entropia conjunta (como medida de conteúdo de informação). O problema é apresentado como um
problema de otimização multiobjetivo e resolvido usando um algoritmo genético: o Algoritmo Genético de Classificação Não Dominada
(NSGA)-II. O método proposto é aplicado a um trecho do rio Pó (Itália) e comparado com diretrizes padrão para modelagem hidráulica
1D. Descobriu-se que as seções transversais selecionadas por meio da metodologia proposta fornecem uma descrição precisa do perfil
da água da enchente, ao mesmo tempo em que otimizam a eficiência computacional.
Palavras-chavecruzamentos; entropia heurística; modelagem hidráulica; fluxo unidimensional; otimização de rede; algoritmo
genético; NGSA-II

Uma abordagem fundada sobre a entropia para otimizar o espaçamento entre seções transversais para
modelar ao longo da costa
RetomarUma definição precisa da geometria do rio é essencial para medir–criar modelos hidráulicos
unidimensionais (1D). O espaço apropriado entre as seções através da ribanceira é um elemento clé para
reproduzir seu comportamento hidráulico. Este trabalho é para fornecer um método baseado na entropia,
complementar aos guias existentes e permitir fornecer informações complementares para a otimização
dos modelos hidráulicos 1D e o gerenciamento dos jogos de dados nas seções transversais. Além disso,
especificamente, na base de uma coleção redonda de sites de seções através dos existentes, um
subconjunto de sites é selecionado para minimizar a correlação total (como medida de redundância) e
maximizar a entropia conjunta (como medida de conteúdo em informação). O problema é colocado sob a
forma de uma otimização multi-objetivo, resolvido usando um algoritmo genético (NSGA-II). Aplicamos o
método proposto aux données de seções atravessando o Po, na Itália, e comparamos os métodos
existentes usando um modelo hidráulico 1D. Os jogos de seções selecionados pela metodologia proposta
fornecem uma descrição precisa do perfil das águas cruas, otimizando a eficácia do cálculo.

Claves motsseções em travessias; heurística de entropia; modelização hidráulica; fluxo unidimensional; otimização de
rede, algoritmo genético; NGSA-II

© 2013 IAHS Imprensa

 Uma abordagem de entropia para a otimização do espaçamento entre seções transversais 127

1. INTRODUÇÃO uma medida baseada em entropia para o diagnóstico do

modelo chuva-escoamento, e Pechlivanidise outros. (2012)
A modelagem hidráulica de inundações fluviais tornou-se um passo
ampliou o trabalho avaliando as informações não
importante na maioria dos estudos de risco de inundação (Cunge2003,
dinâmicas contidas na análise de vazões; Montesarchioe
Abidae outros.2005, Di Baldassarree outros.2009b,2010). Neste
outros. (2011) e Ridolfie outros. (2013) definiram valores
contexto, o espaçamento ideal das secções transversais do rio é
limite de precipitação minimizando uma função de risco
fundamental para descrever minuciosamente o comportamento
baseada no conceito de entropia.
hidráulico de um rio. A abordagem usual na modelagem hidráulica é a
Weijse outros. (2010) propuseram um arcabouço teórico
utilização de um grande número de seções transversais, o que implica
baseado na entropia relativa envolvendo a análise de uma
não apenas um tempo significativo de modelagem computacional, mas
medida de pontuação de divergência para avaliar a qualidade
também um esforço considerável de trabalho de campo para coleta e
das previsões hidrológicas. Weijs e van de Giesen (2011)
atualização de dados. Portanto, é muito importante conhecer o
generalizou a decomposição da divergência de Kullback-
número mínimo de seções transversais necessárias (e suas
Leibler para o caso em que a observação é incerta.
localizações) para produzir uma precisão aceitável dos resultados da
A entropia informativa tem sido utilizada de forma
modelagem, identificando dados úteis e não redundantes. Em
eficaz como ferramenta para otimizar, projetar e gerenciar
particular, nos países em desenvolvimento e em áreas inacessíveis, a
redes. Husain (1989) usou a entropia para escolher as
optimização dos dados do modelo tem um grande impacto no
estações pluviométricas ótimas de uma rede densa e para
desenvolvimento de modelos, porque os dados podem ser de
expandir a rede de maneira ótima. Kristanowicz e Singh (
disponibilidade limitada ou de má qualidade.
1992) redes de chuva otimizadas que descrevem a
Apesar da relevância de estimar o número ideal de secções
precipitação com funções de distribuição contínua, e Yooe
transversais na modelação hidráulica, apenas algumas
outros. (2008) comparou isso a um método misto
orientações foram apresentadas sobre esta questão (por exemplo,
contínuo-discreto. Usando a abordagem apresentada por
Samuels1990, Castellarinoe outros.2009). Neste trabalho,
Krstanowicz e Singh (1992), Ridolfie outros. (2011)
apresentamos uma abordagem de entropia para determinar o
descobriram que a informação não redundante de uma
número ideal de seções transversais de rios e suas localizações. O
rede Rainauge tem um comportamento invariante à
objetivo é fornecer um método complementar às diretrizes
escala. Usando quantidades da Teoria da Informação
existentes, a fim de fornecer informações adicionais para
como funções objetivo, Alfonsoe outros. (2010a,2010b)
otimização e gerenciamento de conjuntos de dados transversais
otimizou a localização dos monitores de nível de água. No
de modelos unidimensionais (1D).
domínio da avaliação e concepção de redes de
A chamada entropia heurística foi definida por Shannon (
monitorização da qualidade da água, Ozkul e outros. (2000
1948) como a medida da incerteza sobre o conhecimento do
), Mogheir e Singh (2002) e Mogheir e outros. (2003,2004)
estado de um determinado sistema. Nos últimos anos, a
utilizou a entropia como principal ferramenta para liderar
entropia heurística teve uma ampla gama de aplicações em
decisões ótimas.
hidrologia e recursos hídricos; uma extensa revisão dessas
Neste trabalho, o problema de encontrar o número
aplicações é relatada por Singh (1997a,2000). Na análise
ótimo de seções transversais e suas posições é colocado como
estatística, o princípio da entropia máxima (ME; Jaynes1957)
um problema de otimização multiobjetivo (MOOP). Dado um
forneceu a estimativa menos tendenciosa de distribuições de
conjunto redundante de secções transversais, a sua correlação
probabilidade com base em conhecimento parcial, abrindo
total (C)e sua entropia conjunta (JH) podem ser usadas como
caminho para aplicações em diversos campos. Koutsoyiannis (
medidas de redundância e conteúdo de informação conjunta,
2005a, 2005b,2006) demonstraram que o princípio da ME
respectivamente. O MOOP consiste em minimizar a correlação
pode ser aplicado para derivar a distribuição apropriada de
total e maximizar a entropia conjunta de um determinado
uma variável estudada e avaliar as propriedades de
conjunto de localizações transversais. Da mesma forma que
dependência do processo de ocorrência de chuvas como
Afonsoe outros. (2010b), o MOOP é resolvido por meio do
comportamento de agrupamento e persistência. Papalexiou e
Algoritmo Genético de Classificação Não Dominada (NSGA)-II,
Koutsoyiannis (2012) utilizaram esse princípio para construir
que produz coleções de soluções que evoluem em direção a
uma distribuição de probabilidade apropriada para processos
um conjunto de soluções frontais Paretoótimas (Debe outros.
de chuva.
2002).
No contexto da análise de mapeamento de inundações,
Primeiramente, é apresentada uma visão geral sobre o
Horritt (2006) aplicou uma metodologia baseada em entropia
método da entropia e diretrizes existentes na literatura;
para avaliar a incerteza e avaliar a precisão de mapas
segundo, o MOOP é colocado e as duas funções objetivo são
probabilísticos de inundação. No campo da análise de chuva e
formalmente introduzidas. Então, a frente de Pareto
escoamento, Pechlivanidise outros. (2010) proposto
128 Elena Ridolfi et al.
do melhor conjunto de soluções é apresentado. Por fim, a
metodologia é aplicada a um trecho fluvial do rio Pó (Itália)
e os resultados são comparados com as diretrizes
apresentadas por Samuels (1990) e com resultados
propostos por Castellarine outros. (2009).
2 UMA VISÃO GERAL DA ENTROPIA E
CONCEITOS DE CORRELAÇÃO TOTAL
A entropia heurística pode ser definida como a medida da
incerteza sobre a ocorrência de um determinado evento
(Papoulis1991). Amorocho e Espildora (1973) forneceu uma
das primeiras aplicações do conceito de entropia à
hidrologia para avaliar a transferência de informação
hidrológica entre pontos fluviais.
Formalmente, para qualquer vetor aleatório discreto (RV)X,
entropia é definida como:
Xn
HðXÞ ¼ - pðxeuºregistro2½pðxeuº-
eu¼1
ondep(xeu) é a probabilidade de queXassume o valorxeu
ené o comprimento deX (Shannon1948). As unidades de entropia
dependem da base do logaritmo utilizado; se for adotada a base 2,
a entropia é medida em bits. Para qualquer distribuição de
probabilidade é possível definir uma quantidade, chamada
entropia, que mede a quantidade de informação contida em um
RV. Esta quantidade pode ser usada como resposta a perguntas
em diversas áreas, como comunicação, estatística e hidrologia.
Uma introdução totalmente abrangente à entropia pode ser
encontrada em Cover e Thomas (1991).
Se todas as componentes do vetor forem diferentes, a
incerteza sobre o resultado da seleção aleatória de uma
componente será máxima: esta incerteza é a entropia do
RV. No entanto, se todos os componentes do RV forem
iguais, não há incerteza sobre o resultado da seleção
aleatória de um componente, e a entropia do RV é igual a
zero (Koutsoyiannis2005a). Por esta razão, a entropia pode
ser considerada como uma medida da informação que
está potencialmente contida no VR.
Tomemos agoraMVRs discretos. Sua entropia
conjunta é (Papoulis1991):
JH¼HðX1;X2; :::XMº
Xn1 XnM
¼- ::: peu ;:::;euregistro
M
1 2ðpeu ;:::;euº
M
1 aglomeraçãoXeSéA = [ab, cc, ba].Este procedimento
eu1¼1 euM¼1
ondepeu1:::eu M
eu
é a probabilidade conjunta doMvariáveis.
Neste artigo, a correlação total é usada para
avaliar a quantidade de informações redundantes entre
dois ou mais RVs, fornecendo uma estimativa do não-
dependência linear e de múltiplas ordens entre as
variáveis. É definida como a diferença entre a soma das
entropias marginais dos RVs e sua entropia conjunta
(Watanabe1960):
XM
CðX1;X2; :::XMÞ ¼ HðXeuº -HðX1;X2; :::XMº
eu¼1
(3)
ondeH(Xeu) é a entropia marginal doeuo trailer e H(X1,X
2,...,XM)
é a entropia conjunta doMAutocaravanas.
Para estimar a entropia marginal e conjunta deMPara
os VRs, é necessário avaliar suas probabilidades marginais
e conjuntas, o que não é trivial. Neste artigo, a entropia
conjunta do conjunto considerado de RVs é determinada
usando a propriedade de agrupamento de informações
mútuas (Kraskove outros.2005). Em particular, para
avaliar probabilidades marginais e conjuntas, um método não para-
(1)
a estimativa métrica é adotada por meio de um procedimento de
classificação de dados. Este método também é utilizado na análise
univariada para construção de histogramas. Portanto, considerando
dois RVs discretos,XeSim,vamos subdividir seus valores em caixas.
Vários autores exploraram a questão da definição do tamanho do
compartimento: Chapman (1986) estudaram as diferenças no uso de
turmas de diferentes tamanhos; Singh (1997b) estudaram o efeito da
largura do intervalo de classe; Mogheir e outros. (2003) definiram os
intervalos de classe em função do comprimento do VD; Knuth (2006)
propuseram um método baseado em Bayesian para determinar o
tamanho ideal dos compartimentos. Aumentando o número de
partições bin de um RV, sua entropia também aumenta. Por esta razão,
o número de caixas precisa ser definido com precisão.
Neste artigo, os valores de RV são profundidades
de água; para evitar uma seleção subjetiva, cada valor
de RV é dividido em caixas com largura de 0,20 m,
correspondendo à sensibilidade do modelo hidráulico
(ou seja, HEC-RAS, ver Seção 4). A probabilidade
marginal de cada caixa é determinada avaliando o
número de componentes que caem em cada caixa e
dividindo-o pelo comprimento total do vetor. Para
avaliar a probabilidade conjunta dos dois VRs, é
necessário aglomerar seus valores, obtendo-se assim
um novo VR. Por exemplo, se dois RVs foremX = [a, c, b]
e Y = [b, c, a],o vetor resultanteAobtido por
(2)
garante que a entropia marginal da nova variávelAé
equivalente à entropia conjunta dos dois RVsXeSim,ou
sejaH(A) = H(X,Y).
Para avaliar a entropia conjunta de três RVs (X, Y e
Z)é preciso aglomerarAcomZ,obter uma nova variável
(por exemploB),com entropia marginalH(B) = H
 Uma abordagem de entropia para a otimização do espaçamento entre seções transversais 129

(A,Z) = H(X,Y,Z).Graças à propriedade de agrupamento de ondeFé o número de Froude adimensional,D (m) é a

informação mútua (Kraskove outros.2005), a entropia conjunta profundidade total do fluxo eéé a inclinação da superfície
deMOs VRs podem ser facilmente avaliados aglomerando-os (ou canal principal).
em pares, sem a necessidade de estimar sua probabilidade Para condições instáveis, o perfil da onda deve ser
conjuntap(x1,...xM). representado. S90 destaca que a onda é razoavelmente
representada por vários pontos da gradeNGP
de 30 a 50, e recomenda:
3 OTIMIZAÇÃO DO ESPACIAL
DISTÂNCIA ENTRE SEÇÕES TRANSVERSAIS TC
Δx3< (6)
NGP
3.1 Abordagens hidráulicas

Na literatura existem apenas algumas diretrizes sobre a
seleção de espaçamentos convenientes entre seções
transversais de rios na modelagem hidráulica 1D; eles foram
propostos por Samuels (1990) e Castellarinoe outros. (2009),
doravante denominados S90 e C09, respectivamente. Estas
diretrizes foram derivadas pelo S90 através da aplicação da
teoria hidráulica e foram verificadas pelo C09 por meio de
experimentos numéricos com estudos de caso do mundo real.
S90 apresentou algumas sugestões para a localização das
seções transversais:
– no início e no final do alcance considerado;
– em ambos os lados das estruturas (por exemplo, pontes);
– em cada ponto de interesse;
– em local correspondente a cada bitola
localizada no perfil do rio.
Além destas recomendações simples, S90 forneceu
uma equação para determinar a distância entre
secções transversais:
Δx1 KB
ondeB (m) é a largura total da superfície do canal
principal eké uma constante adimensional, escolhida
no intervalo 10–20. Em caso de remanso no final do
alcance do rio:
ð1 -F2ºD D da série (ou seu conteúdo informativo) pode ser representado
Δx2<0:2 0:2 paraF2! 0
é é
ondec (EM-1) é a velocidade de propagação da onda e
T(s)é o período da onda de inundação (seu produto
representa o comprimento de onda). Após alguns
testes preliminares, neste estudo de caso o valor médio
de 40 forneceu uma representação aceitável do perfil
da onda. Finalmente, uma distância mínima:
10DP
Δx4> (7)
é"é
leva em consideração o efeito do erro de
arredondamento. Na equação (7),pé o número de dígitos
numéricos de precisão,dsão os dígitos perdidos devido ao
cancelamento dos dígitos iniciais dos valores do estágio,éé
a inclinação média da superfície, εéé o erro relativo na
superfície que pode ser tolerado no cálculo.
Emtabela 1os espaçamentos entre secções transversais,
obtidos aplicando as equações (5) e (6), são apresentados para
o estudo de caso do Rio Pó (Secção 4.1). As duas equações são
resolvidas usando os valores dos parâmetros informados na
própria tabela.
(4)
3.2 A abordagem proposta baseada na entropia
Para explicar o conceito de localização de seções transversais
ótimas de rios através do conceito de entropia, consideremos os
diagramas de Venn emFigura 1. Supondo que as séries temporais
de alto nível de água produzidas em uma seção transversal
específica possam ser tratadas como um RV, a entropia
(5)
pela área de um círculo. Se um número grande (M)

tabela 1Valores médios e máximos dos parâmetros do Rio Pó, Itália:Dé a largura total da margem,éé a inclinação,Fé o número de
Froude calculado pelo modelo HEC-RAS,cé a celeridade da onda eTé o período da onda de inundação. Usando as equações (5) e (6),
o espaçamento entre as seções transversais Δx2e Δx3são avaliados. Cada número ideal de seções transversaisneué avaliado
dividindo o comprimento do alcance pelo espaçamento Δxeu.

Parâmetro D (m) S F c (EM-1) T(s) Δx2(km) n2 Δx3(km) n3

Valor médio 14h00 14×10-5 0,12 2,46 7,74 × 105 20 4 47,62 2

Valor máximo 21.82 14×10-5 0,18 4.41 7,74 × 105 30 3 85,46 1
130 Elena Ridolfi et al.
Figura 1 (a) Diagrama de Venn ilustrando o problema de
otimização multiobjetivo de seleção de três círculos entre oito
com a área coberta máxima (JH) e a área mínima de
sobreposição multiordem (C); (b) duas soluções possíveis; (c)
JH de cada solução, representando a quantidade de conteúdo
informacional do conjunto; e (d)Cde cada solução,
representando as informações redundantes multi-ordem do
conjunto. Adaptado de Afonsoe outros. (2013).
de seções transversais estiverem disponíveis e todas elas forem
consideradas para modelagem, elas forneceriam informações
redundantes, de modo que seus círculos correspondentes se
sobreporiam,Figura 1(a).
Consideremos agora a tarefa de selecionar os três
melhores locais de seção transversal dentre osMsites.
Voltando aos diagramas de Venn, isso se traduz na seleção
de um conjunto de três círculos deFigura 1(a), de modo
que a área contida pelos três seja maximizada e,
simultaneamente, que sua área sobreposta seja
minimizada. Duas soluções possíveis estão representadas
emFigura 1. Para cada uma dessas soluções, a entropia
marginal (área de cada círculo), a entropia conjunta (a área
total inscrita) e a correlação total (a área total sobreposta)
para os três RVs são mostradas emFigura 1 (b), (c) e (d),
respectivamente. Deve-se notar queC soma todas as
dependências de múltiplas ordens, o que implica que para
um grande número de variáveis (ou seja, círculos), o
resultadoCpode ser maior que JH. Por exemplo, a opção à
esquerda deFigura 1(d)mostra duas dependências de
segunda ordem, enquanto à direita há três dependências
de segunda ordem e uma de três ordens
dependência. A partir do diagrama de Venn, o conjunto de
localizações ótimas para seções transversais deve ter correlação
total mínima e entropia conjunta máxima, portanto, uma
abordagem de otimização multiobjetivo é considerada:
MínimoðCÞ ¼MínimofCðX1;X2; :::;XMÞg
(8)
Máx.ðJHÞ ¼Máx.fHðX1;X2; :::;XMÞg
ondeCé a correlação total eJHé a entropia conjunta de
MAutocaravanas.
Desta forma, o conjunto ótimo de seções transversais
possui o mínimo de informação redundante e o máximo de
informação conjunta. Ambos os objectivos são necessários
porque a simples minimização da correlação total resultaria
num conjunto de RVs não redundantes que não forneceriam
necessariamente conteúdo de informação suficiente. Da
mesma forma, apenas a maximização da entropia conjunta
resultaria em um conjunto de RVs muito informativos, mas
altamente redundantes. Aqui, cada RVXeué a série de estágios
máximos de água noeuª seção transversal, obtida usando
diferentes combinações de coeficientes de Manning na
calibração do modelo (ver Seção 4).
3.3 Solução MOOP através do algoritmo genético
NSGA-II
Para resolver o MOOP, o NSGA-II, proposto por Debe
outros. (2002), é usado. O NSGA-II cria um pool de
acasalamento combinando a população parental e
descendente, selecionando a melhor solução. A próxima
geração é povoada com a melhor frente não dominada até
que o tamanho da população seja atingido (Farmani e
outros.2006). Procura a melhor solução de frente de
Pareto entre todas as soluções mutuamente não
dominadas determinadas, identificando o melhor trade-off
entre conjuntos de objetivos competitivos (Olsson e
outros.2009). Neste estudo de caso, os dois objetivos
competitivos são representados pela minimização da
correlação total e maximização da entropia conjunta doM
variáveis consideradas (equação (8)). As melhores
soluções são encontradas pelo algoritmo e então plotadas
em uma frente de Pareto. Cada ponto representa o melhor
compromisso no cumprimento das duas condições. Um
melhor desempenho em um dos dois objetivos é
alcançado em detrimento do outro objetivo.
4 ESTUDO DE CASO: RIO PO, ITÁLIA
Os métodos descritos na Secção 3 foram
aplicados ao trecho de 98 km do rio Pó entre
Cremona e Borgoforte (Itália),Figura 2. A várzea é