Análise Preditiva do Nível de Água no Canal São Gonçalo Utilizando Modelos de Aprendizado de Máquina: uma Abordagem Integrativa para a Gestão Hídrica
Resumo
No âmbito da hidrologia, modelos de inteligência artificial têm-se destacado
como ferramentas eficazes em diversas pesquisas. A previsão precisa do nível da
água em bacias hidrográficas e rios desempenha um papel crucial nas estratégias de
prevenção de inundações, gestão da navegação interior e garantia do abastecimento
doméstico de água. Contudo, uma análise abrangente da aplicabilidade desses
modelos, especialmente no contexto da previsão do nível de água em conjuntos de
dados vastos, tem sido escassamente explorada. Este estudo investiga e compara o
desempenho de diferentes modelos de inteligência artificial, incluindo redes neurais
densas, redes neurais recorrentes, floresta aleatória e regressão de vetor de suporte,
na previsão do nível de água. Além disso, são propostas arquiteturas híbridas
visando otimizar a precisão preditiva. A avaliação prática desses modelos é realizada
por meio de um estudo de caso no Canal São Gonçalo. O estudo abrange quatro
análises distintas, cada uma baseada em conjuntos de dados elaborados com a
colaboração de Engenheiros Hídricos especializados. Além da avaliação comparativa
de modelos de inteligência artificial na previsão do nível de água, este trabalho
apresenta uma contribuição inovadora ao introduzir arquiteturas híbridas que unem
o potencial do modelo ARIMA com abordagens tradicionais de aprendizagem de
máquina. A integração desses métodos busca capitalizar as vantagens intrínsecas
de ambos, promovendo uma abordagem combinatória para otimizar a precisão e
robustez das previsões hidrológicas. Este enfoque híbrido reflete uma perspectiva
pouco explorada no desenvolvimento de estratégias avançadas para antecipação
do nível de água, sugerindo novas possibilidades para aprimorar a eficiência dos
sistemas de gestão hídrica. O estudo destaca, assim, uma dimensão inovadora no
campo, contribuindo para o avanço do conhecimento e práticas na área de previsão
hidrológica. Outra contribuição significativa desta tese foi a meticulosa coleta e
análise dos dados climatológicos e de nível de água, que serviram como base
para a elaboração de quatro conjuntos de dados distintos, cada um caracterizado
por suas particularidades. Esse esforço não apenas ampliou a compreensão do
cenário climatológico abordado, mas também proporcionou a criação de conjuntos de
dados representativos e diversificados. A cuidadosa seleção e manipulação desses
conjuntos de dados permitiram uma abordagem mais abrangente e aprofundada na
modelagem preditiva, enriquecendo a pesquisa com percepções valiosas sobre a
dinâmica complexa entre os fatores climáticos e os níveis de água. Essa metodologia
multidimensional fortalece a fundamentação teórica e prática da tese, contribuindo
para a robustez e relevância dos resultados obtidos. Os resultados obtidos revelam
que os modelos híbridos demonstram uma performace preditiva superior em comparação com abordagens isoladas. Esta constatação reforça a viabilidade e eficácia das
técnicas de aprendizado de máquina na esfera hidrológica, destacando seu potencial
como ferramentas de suporte à tomada de decisões em contextos relacionados à
gestão de recursos hídricos.