Preenchimento de falhas de dados horários de precipitação utilizando redes neurais artificiais

Abstract

A disponibilidade de séries contínuas de chuva pode viabilizar a execução de muitos estudos que não seriam possíveis com séries falhadas, porém estas normalmente fazem parte da realidade dos dados disponíveis, devido a dificuldades técnicas, operacionais e orçamentários. O objetivo desta pesquisa é testar uma metodologia com redes neurais artificiais (RNAs) para o preenchimento de falhas em séries horárias de dados de precipitação. Utilizou-se uma série de dados pluviométricos horários de nove estações, em uma bacia de 78 km², localizada na região noroeste do Rio Grande do Sul, a qual possui clima temperado com quatro estações climáticas anuais bem definidas. Foram experimentadas três diferentes alternativas, com respeito à extensão e disposição das séries horárias utilizadas: 1. Séries longas de treinamento e verificação, com aproximadamente 365 dias; 2. Séries curtas de treinamento com aproximadamente 12 a 30 dias, e várias séries também curtas de verificação, independentes da estação climática; 3. Séries curtas (também de 12 a 30 dias), semelhantemente à alternativa anterior, porém com verificação do preenchimento somente em períodos próximos ao treinamento (menos de 30 dias de diferença). Obteve-se os melhores resultados com a terceira alternativa, cujos coeficientes de Nash-Sutcliffe (NS) foram superiores a 0,9, tanto no treinamento quanto na verificação, em todos os postos analisados, reproduzindo bem os picos de verão. Isto demonstra que, mesmo em bacias onde as precipitações são consideradas homogêneas, as relações entre postos pluviométricos não são constantes, requerendo treinamento para cada processo atmosférico específico, para preenchimento de falhas em períodos curtos e sucessivos ao treinamento.

The availability of continuous rainfall time series can enable the execution of many studies that were not possible using series with gaps, but these are usually part of the reality of the data available due to technical, operational and budget difficulties. The objective of this research is to test a methodology with artificial neural networks (ANN) to fill gaps in hourly series of rainfall data. We used a series of rainfall data from nine stations in a 78 km² basin, located in the northwestern region of Rio Grande do Sul, which has a temperate climate with four clearly defined annual seasons. Three different alternatives have been tried with regard to the length and the arrangement of the time series used: 1. Long series, with approximately 365 days, for training and verification; 2. Short training series, with approximately 12 to 30 days, and also several verification series, each one independent of the weather station; 3. Short series (also 12-30 days), similarly to the previous alternative, except that the verification is done only in periods close to training. The best results were obtained with the third alternative, whose Nash-Sutcliffe (NS) coefficients were higher than 0.9, with both the training and verification series. This demonstrates that even in basins where rainfall is considered homogeneous, relations between rain gauges are not constant, requiring training for each specific atmospheric process to fill the gaps in short, successive periods.