Modelagem hidrossedimentológica em escala espacial e temporal na bacia do Alto Paraguai utilizando redes neurais artificiais

Abstract

A estimativa da concentração de sedimentos em suspensão (CSS) em bacias hidrográficas é uma importante ferramenta de auxílio à elaboração de projetos de engenharia e na gestão dos recursos hídricos. A natureza complexa verificada nas relações hidrossedimentológicas pode ser modelada por meio de técnicas capazes de ajustar relações altamente não lineares, tais como a redes neurais artificias (RNA), que são um tipo de inteligência artificial bastante explorado no âmbito das ciências ambientais. Neste estudo, objetivou-se desenvolver diversas RNAs para predizer a CSS na bacia do Alto Paraguai, a partir de duas abordagens de modelagem, sendo elas: espacial e temporal, e que deram origem a dois artigos. No primeiro artigo, foi empregada uma abordagem espacial para contornar a escassez de dados observados na bacia do Alto Paraguai, utilizando 23 estações com dados de CSS. Foram testados como entradas do modelo dados de turbidez, vazão, tipo de solo, uso e ocupação do solo, área de drenagem, declividade média da bacia, chuva e médias móveis ponderadas exponencialmente das chuvas passadas (EWMA). O modelo em que nenhuma variável de entrada foi descartada (M01) obteve um coeficiente de Nash-Sutcliffe (NS) igual a 0,835 no treinamento e 0,794 na verificação. O modelo alternativo (M19), porém, em que foram desconsideradas as variáveis cuja correlação com sedimentos não foi significativa, considerando o nível de significância de 5%, obteve o melhor desempenho (NS igual a 0,856 no treinamento e 0,832 na verificação). No segundo artigo, as RNAs foram utilizadas para estimar a CSS, de forma temporal e pontual, na estação fluviométrica de Cuiabá. Utilizou-se como entradas dos modelos dados de níveis da própria estação fluviométrica, dados de chuvas pontuais oriundos da estação pluviométrica de Cuiabá e dados de chuvas totais na bacia, obtidos do produto de precipitações MERGE, que agrega informações de diversos postos pluviométricos, acrescido de informações obtidas por satélites. Todas as variáveis de entrada são diárias, assim, as estimativas da CSS feitas pelos modelos pontuais desenvolvidos também são diárias, possibilitando a obtenção de séries mais longas da CSS na estação fluviométrica de Cuiabá, que, atualmente, dispõe de 80 registros desta variável. A baixa disponibilidade de dados de CSS na estação fluviométrica de Cuiabá inviabiliza o uso da validação cruzada, e, por isso, os modelos de RNA do segundo artigo foram treinados com uma técnica de validação por reamostragem, na qual menos registros são necessários para evitar o superajustamento da rede. Os resultados dos modelos foram satisfatórios, sendo que o melhor modelo, cujas entradas foram selecionadas a partir de um critério de exclusão de variáveis redundantes, baseado nas correlações de Spearman maior que 0,99, obteve o melhor desempenho, com coeficiente de Nash-Sutcliffe de NS = 0,777 no treinamento e NS = 0,776 na verificação. Verificou-se nesta pesquisa que é possível estabelecer uma relação entre a CSS e as ocorrências recentes de chuvas e de níveis, para uma seção fluvial com dados suficientes. Quando não existem dados suficientes em uma única seção, porém, ainda é possível produzir modelos para a estimativa de CSS, a partir da abordagem regional, desde que se disponha de dados de turbidez, e inserindo características físicas do ponto de interesse.

The estimation of suspended sediment concentration (SSC) in hydrographic basins is an important tool to support engineering projects and the management of water resources. The complex nature of hydrosedimentological relationships can be modeled by techniques capable of fitting highly nonlinear relationships, such as artificial neural networks (ANNs), which are a type of artificial intelligence that is widely exploited in the environmental sciences. In this study, we aimed to develop several ANNs to predict SSC in the Upper Paraguay basin, based on two modeling approaches: spatial and temporal, which gave rise to two articles. In the first, a spatial approach was used to overcome the scarcity of data observed in the Alto Paraguay River Basin, using 23 stations with CSS data. The variables turbidity, flow rate, soil type, soil use and occupation, drainage area, mean basin slope, rainfall and exponentially weighted moving rainfall averages (EWMA) were tested as inputs of the model. The model in which no input variable was discarded (M01) obtained a Nash-Sutcliffe (NS) coefficient equal to 0.835 in the training and 0.794 in the verification. The alternative model (M19), however, in which the variables whose correlation with sediments was not significant, considering the significance level of 5%, obtained the best performance (NS equal to 0.856 in training and 0.832 in the verification). In the second article, the RNAs were used to estimate the CSS, in a punctual basis, in the fluviometric station of Cuiabá. Considering as input for the models, series of levels of the fluviometric station itself, series of rainfall from Cuiabá pluviometric station and data of total rainfall in the basin, obtained from the MERGE precipitation product, which aggregates information from several pluviometric stations, plus information obtained by satellites. All the input variables are daily, so the CSS estimates made by the developed point models are also daily, making it possible to obtain longer CSS series at the Cuiabá fluviometric station, which currently has 80 records of this variable. The low availability of CSS data in the Cuiabá fluviometric station makes the use of cross validation unfeasible and, therefore, the RNA models of the second article were trained with a resampling validation technique, in which fewer records are needed to avoid network overfitting. The results of the models were satisfactory, and the best model, whose inputs were selected from a redundant variables exclusion criterion, based on Spearman correlations higher than 0.99, obtained the best performance, with Nash-Sutcliffe coefficient of NS = 0.777 in training and NS = 0.766 in the verification. This research verified that it is possible to establish a relationship between CSS and recent occurrences of rainfall and levels for a fluvial section with sufficient data. When there is not enough data in a single section, however, it is still possible to produce models for the estimation of CSS from the regional approach, if it has turbidity data, and inserting physical characteristics of the point of interest.