Estimativa futura de variáveis hidrológicas utilizando técnicas de aprendizagem de máquina: uma abordagem comparativa.

Abstract

A previsão e estimativa de variáveis hidrológicas desempenham um papel crucial na gestão sustentável dos recursos hídricos, sendo essenciais para o planejamento e tomada de decisões em diversas áreas, como agricultura, engenharia civil, controle de enchentes e geração de energia. No entanto, os processos hidrológicos apresentam características complexas e não lineares, o que representa um desafio para a modelagem e previsão precisa dessas variáveis. Diante desse desafio, as técnicas de aprendizagem de máquina têm se destacado como uma abordagem promissora para a estimativa futura da vazão de rios e outras variáveis hidrológicas. Neste trabalho, foi proposta uma abordagem comparativa de técnicas de aprendizagem de máquina aplicadas a conjuntos de dados hidrológicos. O objetivo principal foi analisar e comparar diferentes modelos de aprendizagem de máquina para identificar qual técnica ou combinação de técnicas apresenta o melhor desempenho na previsão de variáveis hidrológicas. Utilizou-se técnicas de aprendizagem de máquina, como máquinas de suporte vetorial, árvore de decisão, florestas aleatórias, redes neurais artificiais e gradiente boosting, selecionadas por sua capacidade de lidar com a complexidade e não linearidade dos processos hidrológicos. Os resultados obtidos apresentaram uma capacidade de previsibilidade boa, variando de 50 a 70% sua eficiência tendo como base o conjunto de métricas selecionadas, sendo o modelo SVM com o pior desempenho de todos, pois variou de 30 a 40% de eficácia nas combinações de valores de entrada e saída que tiveram uma boa média dos resultados para os outros algoritmos. A análise comparativa dos resultados permitiu identificar padrões e relações entre variáveis e configurações iniciais dos algoritmos, contribuindo para uma melhor compreensão dos processos hidrológicos e sua previsibilidade.