Uso de técnicas de machine learning para geração de séries históricas de vazões na bacia do Rio Doce

Abstract

O conhecimento do regime de vazões é fundamental para o planejamento e a gestão dos recursos hídricos em bacias hidrográficas, porém falhas nas séries fluviométricas podem limitar sua utilização em estudos hidrológicos. Com isso, este trabalho teve como objetivo avaliar a capacidade dos modelos Random Forest (RF), Extreme Gradient Boosting (XGB), Multilayer Perceptron (MLP) e Long Short-Term Memory (LSTM) de gerar séries diárias de vazão em sete sub-bacias do rio Doce com diferentes características fisiográficas e sob diferentes períodos consecutivos de falha. Foram utilizados dados diários de precipitação e vazão disponibilizados pela Agência Nacional de Águas e Saneamento Básico (ANA), considerando como variáveis de entrada a precipitação do dia corrente e dos cinco dias antecedentes, além da vazão do dia antecedente. Foram simulados blocos consecutivos de 10, 30, 60, 90 e 120 dias de falha. Os modelos foram avaliados a partir de duas estratégias de treinamento: sequencial, na qual o treinamento foi atualizado ao longo da série e os valores previamente estimados passaram a compor o processo de preenchimento das falhas; e tradicional, baseada em um único treinamento para posterior aplicação no período de teste. A LSTM foi aplicada apenas pela estratégia sequencial. O desempenho dos modelos foi avaliado com base em métricas estatísticas (RMSE, sMAPE, PBIAS, R² e KGE) e hidrológicas (curva de permanência, vazões de referência e vazões médias mensais), considerando a capacidade de reproduzir adequadamente os diferentes componentes do regime de vazões. Os modelos apresentaram melhor desempenho nos blocos de 10 dias, com redução da capacidade de reconstrução à medida que a duração das falhas aumentou, embora as diferenças entre os períodos tenham se tornado menos evidentes a partir de 60 dias. Os modelos baseados em árvores treinados pela metodologia tradicional apresentaram os melhores resultados, com destaque para o XGB2, seguido pelo RF2, enquanto a LSTM apresentou o melhor desempenho entre os modelos treinados pela metodologia sequencial. De modo geral, observou-se maior dificuldade na representação das condições extremas do regime hidrológico, principalmente dos picos de vazão e das condições mais críticas de baixa vazão. A importância das covariáveis variou entre os modelos, com maior contribuição da vazão do dia anterior e das precipitações ocorridas um e dois dias antes. Apesar das diferenças observadas entre as sub-bacias, os resultados apresentaram uma tendência semelhante em relação ao desempenho dos modelos. A estratégia de treinamento e a extensão das falhas tiveram influência na qualidade da reconstrução das séries, sendo observado um melhor desempenho dos modelos baseados em árvores quando utilizados na abordagem tradicional. Palavras-chave: Regime fluviométrico; Modelos não lineares; Análise comparativa

Knowledge of streamflow regimes is essential for water resources planning and management in river basins; however, gaps in streamflow time series may limit their use in hydrological studies. In this context, this study aimed to evaluate the ability of Random Forest (RF), Extreme Gradient Boosting (XGB), Multilayer Perceptron (MLP), and Long Short-Term Memory (LSTM) models to reconstruct daily streamflow time series in seven sub-basins of the Doce River with different physiographic characteristics and under different durations of consecutive data gaps. Daily precipitation and streamflow data provided by the Brazilian National Water and Basic Sanitation Agency (ANA) were used. The input variables included precipitation on the current day and the five preceding days, as well as streamflow from the previous day. Consecutive data gaps of 10, 30, 60, 90, and 120 days were simulated. The models were evaluated using two training strategies: a sequential approach, in which model training was updated throughout the time series and previously estimated values were incorporated into the gap-filling process; and a traditional approach, based on a single training procedure followed by application to the testing period. The LSTM model was applied only using the sequential strategy. Model performance was assessed using statistical metrics (RMSE, sMAPE, PBIAS, R², and KGE) and hydrological indicators (flow duration curves, reference streamflows, and mean monthly streamflows), considering the models’ ability to adequately reproduce different components of the streamflow regime. The models performed best for 10- day data gaps, with a decline in reconstruction performance as gap duration increased, although differences among gap durations became less pronounced from 60 days onward. Tree-based models trained using the traditional approach showed the best overall performance, particularly XGB2, followed by RF2, whereas LSTM achieved the best performance among the models trained using the sequential approach. Overall, the models showed greater difficulty in representing extreme hydrological conditions, particularly peak flows and the most critical low-flow conditions. Covariate importance varied among models, with the previous day’s streamflow and precipitation from one and two days earlier making the greatest contributions. Despite differences among the sub-basins, the results showed a similar pattern in terms of model performance. Both the training strategy and gap duration influenced the quality of time-series reconstruction, with tree-based models showing better performance when implemented using the traditional approach. Keywords: Streamflow regime; Nonlinear models; Comparative analysis