Modelo de monitoramento hidrológico pelo método Inteligência Artificial apresenta precisão dos cenários de risco de inundação
Inspirado pela rede neural do método de inteligência artificial, o modelo ensina computadores a processar dados de uma forma semelhante ao cérebro humano, utilizando interconexões em uma estrutura de camadas. O modelo utilizou dados diários de nível e variações pluviométricas de 18 estações hidrométricas da Bacia do Rio Negro (transfronteira entre o Uruguai e o Brasil). Compartilhe: Compartilhe por Facebook Compartilhe por Twitter Compartilhe por LinkedIn Compartilhe por WhatsApp link para Copiar para área de transferência
Publicado em
29/05/2024 09h45
A Figura ilustra um Diagrama de espaço de fase com atraso, termo comum na área de Sistemas Dinâmicos. A ideia por trás da ilustração é demonstrar a complexidade da dinâmica hidrológica.
Um modelo hidrológico baseado em dados, inspirado em uma rede neural MLP ( Multi Layer Perceptron), foi usado para prever séries temporais diárias do nível do rio na bacia do Rio Negro. Utilizou dados diários de nível e variações pluviométricas de 18 estações hidrométricas para fornecer níveis de rios para diferentes cenários de escalada sub-bacia.
O modelo apresentou desempenho promissor na previsão do nível dos rios para barragens e estações hidrométricas selecionadas, capturando com precisão as tendências primárias e pequenas flutuações observadas em cenários de risco de inundação e reservatórios.
O estudo examina a eficiência da abordagem baseada em dados em diferentes escalas de sub-bacias e períodos de tempo de previsão, fornecendo informações avançadas sobre a dinâmica dos sistemas fluviais.
Compreender suas causas e estabelecer metodologias para a prevenção de riscos é um desafio crítico para sistemas de alerta eficazes. Sistemas complexos como bacias hidrológicas são modelados através de modelos hidrológicos que têm sido utilizados para entender a recarga de água de aquíferos, o volume disponível de barragens e as inundações em diversas regiões. Esse é o foco do artigo intitulado "Nonlinear hydrological time series modeling to forecast river level dynamics in the Rio Negro Uruguay basin" (Modelagem de séries temporais hidrológicas não lineares para previsão da dinâmica do nível do rio Negro na bacia do Rio Negro Uruguai), publicado no jornal de ciência não linear internacional Chaos: An Interdisciplinary Journal of Nonlinear Science, periódico revisado por pares fundado em 1991, da editora AIP, publicação do Instituto Americano de Física.f
Os autores usam técnicas matemáticas para analisar dados hidrológicos de diferentes estações na bacia do Rio Negro (Uruguai) - bacia transfronteiriça, que nasce no Brasil e segue para o Uruguai. É empregado um modelo de I.A. (Inteligência Artificial) para previsão de nível do rio, com base nas ferramentas matemáticas analisadas. Os resultados mostram a possibilidade de dinâmica caótica nos dados e o impacto na previsibilidade dos modelos.
“A aquisição de dados hidrometeorológicos, em tempo real, de bacias e rios é vital para o estabelecimento de modelos baseados em dados como ferramentas para a previsão da dinâmica do nível dos rios e para a compreensão de seu comportamento não linear.”, enfatiza o físico Leonardo Bacelar Santos, pesquisador do Centro Nacional de Monitoramento e Alertas de Desastres Naturais (Cemaden)- unidade de pesquisa do Ministério da Ciência, Tecnologia e Inovação (MCTI), participante do estudo, liderado por Johan Duque, seu orientando em Doutorado.
A pesquisa é o resultado de colaboração entre pesquisadores do Brasil (Cemaden e o Inpe - Instituto de Pesquisas Espaciais), do Uruguai e Estados Unidos.
"A internacionalização é muito bem-vinda em diversos aspectos, ainda mais no caso de estudos em hidrologia, onde as bacias hidrográficas não respeitam fronteiras políticas. O compartilhamento de dados e conhecimento entre os países é benéfico a todas as partes", afirma o pesquisador do Cemaden, Leonardo Santos.
Os pesquisadores envolvidos no artigo estão na equipe do projeto iFAST (Intelligent Flood Alert Surveillance Tools), com financiamento CNPq (projeto 446053/2023-6).
O artigo na integra pode ser acessado pelo link:
Fonte: Ascom/Cemaden
Categoria Ciência e Tecnologia
