Assimilação de dados de vazão na previsão de cheias em tempo-real com o modelo hidrológico MGB-IPH

Abstract

Nesse trabalho é descrito um método empírico de assimilação de dados em conjunto com a modelagem hidrológica distribuída, para previsão de cheias em tempo real em uma bacia hidrográfica de médio porte na região sudeste do Brasil, a bacia do rio Piracicaba. Para avaliar o desempenho do método de assimilação proposto são realizadas previsões de cheia, tendo como chuva prevista a chuva observada na bacia, simulando um cenário de previsão em tempo real ideal. São ainda simulados outros cenários de previsão, que incluem chuva futura igual a zero, previsão com base na persistência do último valor observado de vazão e previsão sem assimilação de dados. As previsões são realizadas com intervalo de tempo horário, frequência de 6 horas e horizonte de 48 horas, para a condição de cheias no local das previsões. Os resultados mostram que o método de assimilação tem impactos positivos nos resultados das previsões. Em termos do coeficiente de Nash-Sutcliffe, o uso do procedimento de assimilação promove uma melhora de 10% nas antecedências iniciais, diminuindo para cerca de 3% para o horizonte da previsão.

This paper presents an empirical data assimilation method applied to a real-time flood forecasting hydrological model based on the MGB-IPH hydrological model. A medium-size basin located in Southeastern Brazil was selected as a case study, primarily because of the availability of hourly hydrologic information. Streamflow forecasts were calculated with lead times up to 48 hours, at hourly intervals. Several forecast scenarios were simulated with the MGB-IPH model: (1) forecasting with data assimilation and "perfect" precipitation forecasts (in which observed precipitation was used as a forecast of precipitation); (2) forecasting with data assimilation and zero precipitation forecasts; and (3) forecasting without data assimilation and "perfect" precipitation forecasts. Forecasts from these three scenarios were compared to observed streamflows and to forecasts from a naïve model which assumes that the last recorded streamflow will be held constant up to the end of the forecast horizon. Several performance measures such as the Nash—Sutcliffe efficiency coefficient, the mean absolute error and the mean relative error were used to assess the relative performance of the models. Results show that the data assimilation method has positive impacts on real-time flood forecasting, increasing the forecast accuracy for all lead-times.