Use este identificador para citar ou linkar para este item: https://locus.ufv.br//handle/123456789/28178
Tipo: Dissertação
Título: Modelagem geoestatística e aprendizado de máquina como métodos alternativos às metodologias tradicionais de regionalização de vazões em bacias hidrográficas
Geostatistical modeling and machine learning as alternative methods to the traditional methodologies of streamflow regionalization in watersheds
Autor(es): Ferreira, Renan Gon
Abstract: A gestão e o planejamento integrado dos recursos hídricos em bacias hidrográficas de países emergentes enfrentam grandes desafios com a falta de informações hidrológicas e monitoramento deficiente. Dentre as suas ferramentas de apoio está a regionalização de vazões: um conjunto de procedimentos que exploram as informações de locais monitorados para estimar a variável de interesse em locais sem monitoramento. Ainda não existe um método universal de regionalização de vazões. Os esforços científicos sobre a adequabilidade de diferentes metodologias para contextos específicos de bacias hidrográficas visam melhorar ou possibilitar a gestão dos recursos hídricos em bacias com pouca ou nenhuma informação hidrológica, favorecendo a gestão dos recursos hídricos com alocação mais eficiente dos recursos humanos e financeiros. Assim, o presente trabalho foi dedicado à avaliação de diferentes métodos e abordagens de regionalização de vazões na bacia hidrográfica do rio Doce para fins de estimativa das vazões mínimas de referência (Q7,10, Q90 e Q95) e média de longa duração (Qmld). No primeiro artigo foram avaliados métodos de regionalização de vazões baseados em interpolação linear, regressões regionais e geoestatística. Objetivou-se comparar o desempenho e a viabilidade de implementação da geoestatística como alternativa às demais metodologias de regionalização de vazões. A geoestatística apresentou desempenho similar às outras abordagens, revelando-se uma alternativa promissora em situações que inviabilizam o emprego das outras metodologias, como em bacias menores e de monitoramento hidrológico precário ou inexistente. O segundo artigo explorou modelos de aprendizado de máquina para a regionalização de vazões. O objetivo foi avaliar o desempenho preditivo de um modelo linear e dos modelos não lineares Random Forest e Splines de regressões adaptativas multivariadas (Earth). O desempenho do modelo linear foi insatisfatório. A covariável mais importante aos modelos não lineares foi a vazão equivalente à precipitação com abstração de 750 mm (Peq750). Ambos os modelos não lineares revelaram grande habilidade preditiva, constituindo alternativas poderosas e promissoras à regionalização de vazões em suporte à gestão dos recursos hídricos na bacia do rio Doce.
The management and integrated planning of water resources in watersheds in developing countries face great challenges due to the lack of hydrological information and deficient monitoring. Among their support tools is the streamflow regionalization: a set of procedures that explore the information of monitored sites to estimate the interest variable in locations without monitoring. There is still no universal method of streamflow regionalization. Scientific efforts about the suitability of different methodologies for specific contexts of watersheds aim to improve or enable the water resources management in basins with little or no hydrological information, favoring the water resources management with more efficient allocation of human and financial resources. Thus, the present work was dedicated to the evaluation of different methods and approaches of streamflow regionalization in the Doce river basin for the purpose of estimating the minimum reference streamflows (Q7,10, Q90 and Q95) and long term streamflow (Qmld). In the first article, methods of streamflow regionalization based on linear interpolation, regional regressions and geostatistics were evaluated. The objective was to compare the performance and the feasibility of implementing geostatistics as an alternative to other streamflow regionalization methodologies. Geostatistics has performed similarly to other approaches, proving to be a promising alternative in situations that make the use of other methodologies unfeasible, such as in smaller basins with precarious or nonexistent hydrological monitoring. The second article explored machine learning models for streamflow regionalization. The objective was to evaluate the predictive performance of a linear model and the non-linear models Random Forest and Splines of multivariate adaptive regressions (Earth). The linear model performance it was unsatisfactory. The most important covariate for the non-linear models was the streamflow equivalent to the precipitated volume, considering the subtraction of the precipitation abstraction factor of 750 mm (Peq750). Both non-linear models Random Forest and Earth showed great predictive ability, constituting powerful and promising alternatives to the streamflow regionalization in support of the water resources management in the Doce River basin.
Palavras-chave: Hidrologia
Regionalização de vazões
Gestão de recursos hídricos
Hydrology
Streamflow regionalization
Water resources management
CNPq: Engenharia de Água e Solo
Editor: Universidade Federal de Viçosa
Titulação: Mestre em Engenharia Agrícola
Citação: FERREIRA, Renan Gon. Modelagem geoestatística e aprendizado de máquina como métodos alternativos às metodologias tradicionais de regionalização de vazões em bacias hidrográficas. 2020. 98 f. Dissertação (Mestrado em Engenharia Agrícola) - Universidade Federal de Viçosa, Viçosa. 2020.
Tipo de Acesso: Acesso Aberto
URI: https://locus.ufv.br//handle/123456789/28178
Data do documento: 21-Jul-2020
Aparece nas coleções:Engenharia Agrícola

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
texto completo.pdftexto completo2,92 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.