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: Ferreira, Renan Gon
• Orientador(a): Silva, Demetrius David da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Palavras-chave em Inglês: Hydrology; Streamflow regionalization; Water resources management
• Área do conhecimento CNPq: Engenharia de Água e Solo
• Link de acesso: https://locus.ufv.br//handle/123456789/28178

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.