The short-term streamflow forecast is an important parameter in studies related to energy generation and the prediction of possible floods. Flowing through three Brazilian states, the Paraíba do Sul river is responsible for the supply and energy generation in several municipalities. Machine learning techniques have been studied with the aim of improving these predictions through the use of hydrological and hydrometeorological parameters. Furthermore, the predictive performance of the machine learning techniques are directly related to the quality of the training base and, moreover, to the set of hyperparameters used. The present study explores the combination of the Gradient Boosting technique coupled with a Genetic Algorithm to found the best set of hyperparameter to maximize the predicting performance of the Paraíba do Sul river streamflow.
O rio Paraíba do Sul flui através da mais importante região industrial do Brasil, entre as cidades do Rio de Janeiro e de São Paulo. De acordo com a Agência Nacional de Águas, a bacia do rio Paraíba do Sul é caracterizada por conflitos de usos múltiplos de recursos hídricos (abastecimento urbano, diluição de esgotos, irrigação e geração de energia hidrelétrica). Em função de sua importância, o desenvolvimento de modelos precisos de previsão de vazão pode assumir valor estratégico para a gestão da quantidade e da qualidade de água nesta bacia. Estes modelos podem apoiar a tomada de decisão de gestores públicos sobre alertas para condições extremas de inundação ou seca e pode se tornar um elemento-chave para proteger a sociedade e favorecer uma reação oportuna, reduzindo efetivamente danos socioeconômicos. Os modelos baseados na inteligência artificial têm sido aplicados com sucesso para resolver problemas não-lineares em hidrologia. Nas últimas duas décadas, a transformada wavelet, uma técnica de pré-processamento de dados, tem sido estudada para uso em análise de séries temporais e tem se mostrado muito eficaz em dados não estacionários. A transformada wavelet divide as séries temporais originais em subcomponentes que servem como entradas para modelos de inteligência artificial. Assim, fornecem uma representação de tempo-frequência de um sinal em diferentes períodos no domínio do tempo, além de informações sobre a estrutura física de dados. Esta pesquisa visa contribuir com o fornecimento de uma metodologia de desenvolvimento de dois tipos de modelos híbridos chamados WANNone e WANNmulti acoplando redes neurais artificiais com uma técnica de pré-processamento de dados baseada em transformada wavelet À T rous. Os modelos desenvolvidos são aplicados para previsão de vazão natural média diária de 1, 3, 5 e 7 dias à frente em 8 estações fluviométricas localizadas na bacia do rio Paraíba do Sul. O desempenho dos modelos baseados em wavelets e redes neurais artificiais é comparado com o dos modelos convencionais de redes neurais artificiais (ANN). Os resultados revelam que o desempenho dos modelos WANNone e WANNmulti são significativamente superiores aos modelos ANN em termos de medidas de eficiência da previsão MAPE, RMSE e R2 em todos os horizontes de previsão testados para todas as estações modeladas. Em termos de aplicabilidade a determinados cenários, o modelo WANNmulti consegue representar melhor os ciclos de vazões baixas, em cenários de seca, ao passo em que WANNone consegue acompanhar melhor a magnitude das vazões extremas altas, em situações de risco de inundação.
The Paraíba do Sul river flows through the most important industrial region of Brazil and its basin is characterized by conflicts of multiple uses of its water resources. The prediction of its natural flow has strategic value for water management in this basin. This research investigates the applicability of the two machine learning methods (Random Forest and Artificial Neural Networks) for daily streamflow forecasting of the Paraíba do Sul River at lead times of 1-7 days. The impact of fluviometric and pluviometric data from other basin sites on the quality of the forecast is also evaluated.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.