Modelagem geoestatística e aprendizado de máquina como métodos alternativos às metodologias tradicionais de regionalização de vazões em bacias hidrográficas
Ano de defesa: | 2020 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Viçosa
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Inglês: | |
Área do conhecimento CNPq: | |
Link de acesso: | https://locus.ufv.br//handle/123456789/28178 |
Resumo: | 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. |
id |
UFV_f68e7f11556d039c8992bbc3d4408f6a |
---|---|
oai_identifier_str |
oai:locus.ufv.br:123456789/28178 |
network_acronym_str |
UFV |
network_name_str |
LOCUS Repositório Institucional da UFV |
repository_id_str |
|
spelling |
Elesbon, Abrahão Alexandre AldenSantos, Gérson Rodrigues dosFerreira, Renan Gonhttp://lattes.cnpq.br/6066555415102330Silva, Demetrius David da2021-09-02T15:34:41Z2021-09-02T15:34:41Z2020-07-21FERREIRA, 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.https://locus.ufv.br//handle/123456789/28178A 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.porUniversidade Federal de ViçosaHidrologiaRegionalização de vazõesGestão de recursos hídricosEngenharia de Água e SoloHydrologyStreamflow regionalizationWater resources managementModelagem geoestatística e aprendizado de máquina como métodos alternativos às metodologias tradicionais de regionalização de vazões em bacias hidrográficasGeostatistical modeling and machine learning as alternative methods to the traditional methodologies of streamflow regionalization in watershedsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal de ViçosaDepartamento de Engenharia AgrícolaMestre em Engenharia AgrícolaViçosa - MG2020-07-21Mestradoinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/28178/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALtexto completo.pdftexto completo.pdftexto completoapplication/pdf2992097https://locus.ufv.br//bitstream/123456789/28178/3/texto%20completo.pdfb40fb3872830788fb5c2ca9bc2d0e27eMD53123456789/281782022-06-28 14:17:27.498oai:locus.ufv.br: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Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452022-06-28T17:17:27LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false |
dc.title.pt-BR.fl_str_mv |
Modelagem geoestatística e aprendizado de máquina como métodos alternativos às metodologias tradicionais de regionalização de vazões em bacias hidrográficas |
dc.title.en.fl_str_mv |
Geostatistical modeling and machine learning as alternative methods to the traditional methodologies of streamflow regionalization in watersheds |
title |
Modelagem geoestatística e aprendizado de máquina como métodos alternativos às metodologias tradicionais de regionalização de vazões em bacias hidrográficas |
spellingShingle |
Modelagem geoestatística e aprendizado de máquina como métodos alternativos às metodologias tradicionais de regionalização de vazões em bacias hidrográficas Ferreira, Renan Gon Hidrologia Regionalização de vazões Gestão de recursos hídricos Engenharia de Água e Solo Hydrology Streamflow regionalization Water resources management |
title_short |
Modelagem geoestatística e aprendizado de máquina como métodos alternativos às metodologias tradicionais de regionalização de vazões em bacias hidrográficas |
title_full |
Modelagem geoestatística e aprendizado de máquina como métodos alternativos às metodologias tradicionais de regionalização de vazões em bacias hidrográficas |
title_fullStr |
Modelagem geoestatística e aprendizado de máquina como métodos alternativos às metodologias tradicionais de regionalização de vazões em bacias hidrográficas |
title_full_unstemmed |
Modelagem geoestatística e aprendizado de máquina como métodos alternativos às metodologias tradicionais de regionalização de vazões em bacias hidrográficas |
title_sort |
Modelagem geoestatística e aprendizado de máquina como métodos alternativos às metodologias tradicionais de regionalização de vazões em bacias hidrográficas |
author |
Ferreira, Renan Gon |
author_facet |
Ferreira, Renan Gon |
author_role |
author |
dc.contributor.authorLattes.pt-BR.fl_str_mv |
http://lattes.cnpq.br/6066555415102330 |
dc.contributor.none.fl_str_mv |
Elesbon, Abrahão Alexandre Alden Santos, Gérson Rodrigues dos |
dc.contributor.author.fl_str_mv |
Ferreira, Renan Gon |
dc.contributor.advisor1.fl_str_mv |
Silva, Demetrius David da |
contributor_str_mv |
Silva, Demetrius David da |
dc.subject.pt-BR.fl_str_mv |
Hidrologia Regionalização de vazões Gestão de recursos hídricos |
topic |
Hidrologia Regionalização de vazões Gestão de recursos hídricos Engenharia de Água e Solo Hydrology Streamflow regionalization Water resources management |
dc.subject.cnpq.fl_str_mv |
Engenharia de Água e Solo |
dc.subject.eng.fl_str_mv |
Hydrology Streamflow regionalization Water resources management |
description |
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. |
publishDate |
2020 |
dc.date.issued.fl_str_mv |
2020-07-21 |
dc.date.accessioned.fl_str_mv |
2021-09-02T15:34:41Z |
dc.date.available.fl_str_mv |
2021-09-02T15:34:41Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
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. |
dc.identifier.uri.fl_str_mv |
https://locus.ufv.br//handle/123456789/28178 |
identifier_str_mv |
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. |
url |
https://locus.ufv.br//handle/123456789/28178 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
dc.source.none.fl_str_mv |
reponame:LOCUS Repositório Institucional da UFV instname:Universidade Federal de Viçosa (UFV) instacron:UFV |
instname_str |
Universidade Federal de Viçosa (UFV) |
instacron_str |
UFV |
institution |
UFV |
reponame_str |
LOCUS Repositório Institucional da UFV |
collection |
LOCUS Repositório Institucional da UFV |
bitstream.url.fl_str_mv |
https://locus.ufv.br//bitstream/123456789/28178/2/license.txt https://locus.ufv.br//bitstream/123456789/28178/3/texto%20completo.pdf |
bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 b40fb3872830788fb5c2ca9bc2d0e27e |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV) |
repository.mail.fl_str_mv |
fabiojreis@ufv.br |
_version_ |
1794528673456455680 |