Combinando modelos hidrológicos tradicionais e aprendizado de máquina para previsão de vazão

RESUMO

Os modelos hidrológicos tradicionais têm sido amplamente utilizados em estudos hidrológicos, fornecendo representações credíveis da realidade. Este artigo introduz um modelo híbrido que combina o modelo hidrológico tradicional Soil Moisture Accounting Procedure (SMAP) com o algoritmo de aprendizado de máquina XGBoost. Aplicado à bacia de Sobradinho no Brasil, o modelo híbrido tem como objetivo produzir previsões de vazão mais precisas em um horizonte de três meses. Este estudo utiliza previsões de chuvas do North America Multi Model Ensemble (NMME) como entradas do SMAP para produzir previsões de vazão. O estudo avalia as previsões do NMME, corrige viés usando mapeamento de quantis e calibra o modelo SMAP para a região de estudo de 1984 a 2010 usando a Otimização por Enxame de Partículas (PSO). A avaliação do modelo abrange o período de 2011 a 2022. Um modelo XGBoost prevê os resíduos do SMAP com base nos últimos 12 meses, e o modelo híbrido combina a previsão de vazão do SMAP com os resíduos do XGBoost. Notavelmente, o modelo híbrido supera o SMAP sozinho, mostrando melhor correlação e valores do índice Nash-Sutcliffe, especialmente durante períodos de menor vazão. Esta pesquisa destaca o potencial da integração de modelos hidrológicos tradicionais com aprendizado de máquina para previsões de vazão mais precisas.

Palavras-chave:
Modelos hidrológicos; Aprendizado de máquina; Previsão de vazão; SMAP; XGBoost; Previsão de chuvas