Aprendizado de máquina na previsão de vazões mínimas a partir de índices de seca e produtos derivados de sensoriamento remoto em escala global

Abstract

A previsão de longo prazo de vazões mínimas é de grande relevância num cenário provocado mudanças nos padrões de precipitação, ocorrência de secas mais severas e prolongadas. Num cenário de mudanças de tendências, medidas regulatórias de controle baseadas em vazões de referência estáticas ou baseadas na climatologia das vazões serão ineficazes, podendo ser permissivas em períodos críticos e restritivas em períodos favoráveis. De um lado, é crescente a disponibilização de dados em escala global e produtos derivados de sensoriamento remoto com alta resolução temporal e espacial. De outro, os modelos gerados por algoritmos de aprendizado estatístico (machine learning) têm se mostrado cada vez mais acurados e robustos no processo de aprendizado e previsão. Entretanto, seu uso ainda é incipiente no campo das ciências hidrológicas. Neste trabalho foram utilizados três algoritmos de aprendizado de máquina: Support Vector Machine (SMV), Random Forest (RF) e Extreme Gradient Boosting (XGBoost) para realizar previsões de vazões mínimas com 6-9 meses de antecedência, em cinco bacias localizadas no Cerrado e Mata-Atlântica. Como preditores foram utilizados os índices Temperature Condition Index (TCI), Vegetation Condition Index (VCI), Palmer meteorológico (PDSI), vazões observadas (Q) e precipitação obtida pelo Climate hazards infrared precipitation with stations (CHIRPS). Foram investigadas as performances de aprendizado dos algoritmos no período de extrema seca não utilizada no treinamento, o grau de importância dada aos preditores, a influência da variabilidade espacial na performance e a capacidade de generalização. A habilidade do índice Palmer como substituto da vazão observada também foi investigada. Os modelos obtidos pelo algoritmo SVM apresentaram desempenho drasticamente superior aos demais, com grande poder de generalização, especialmente quando aplicados de forma cruzada em bacias localizadas em biomas, região climática, altura pluviométrica e capacidade de recarga distintas. Os resultados mostraram que a previsibilidade de vazões mínimas em locais com baixos índices pluviométricos e precipitação irregular é controlada fortemente por uma componente interanual. Através da vazão observada, associada a técnicas de suavização na escala temporal adequada e diferenciação do sinal, o algoritmo SVM conseguiu realizar o aprendizado sobre o balanço hidrológico, sendo essa variável fundamental no processo de previsão.