PREDIÇÃO DE VAZÃO AFLUENTE DA BARRAGEM DE JUCAZINHO UTILIZANDO TÉCNICAS DE APRENDIZADO DE MÁQUINA
máquina de vetores de suporte; florestas aleatórias; redes neurais; modelagem hidrológica; chuva; vazão; previsão
A história secular da construção de barragens, desde a Barragem Saad el-Kafara até a expansão global nas décadas de 1950, destaca a importância dessas estruturas. A Barragem Jucazinho, erguida em 1998 em Surubim, Pernambuco, surgiu como resposta à escassez de água no agreste pernambucano. Embora tenha enfrentado um colapso em 2016, a barragem se recuperou em 2020 após intervenções da COMPESA. A confiabilidade dos modelos de predição de vazão afluente torna-se crucial para a gestão do abastecimento de água. Este estudo propôs um modelo hidrológico baseado em inteligência artificial objetivando gerar séries de vazões e avaliar a adaptabilidade desses modelos na operação da Barragem Jucazinho. A metodologia adotada utilizou Python 3.7.13 no ambiente Jupyter Notebook 6.4.12, aproveitando a clareza, simplicidade e extensa biblioteca da linguagem. A normalização dos dados entre 0 e 1 foi aplicada para evitar predominância de variáveis com valores elevados. O modelo, fundamentado em aprendizado de máquina, empregou regressão de vetores de suporte (SVR), florestas aleatórias (RandomForestRegressor) e redes neurais (MLPRegressor) fornecidos pela biblioteca Sklearn. A seleção das estações de monitoramento ocorreu via portal HIDROWEB da ANA, usando a correlação de Spearman para identificar a relação entre precipitação e vazão. A avaliação do desempenho dos modelos envolveu análise gráfica e critérios estatísticos como NSE, PBIAS, R² e RSR, seguindo a classificação de Moriasi et al. (2007). Os resultados dos coeficientes estatísticos para dados de teste indicaram um desempenho insatisfatório para predições de longo prazo (8, 16 e 32 dias), revelando uma tendência de decréscimo na qualidade do ajuste com o aumento do horizonte de previsão. O modelo de Rede Neural (RNA) destacou-se, obtendo os melhores índices de NSE e R². Os resultados gráficos dos modelos de Máquinas de Vetores de Suporte (MVS) evidenciaram uma subestimação dos valores de vazão com o aumento do horizonte de previsão, devido à sensibilidade do MVS a padrões complexos nas séries temporais. Já os modelos de Floresta Aleatória (FA) e RNA apresentaram uma hiperestimação dos valores de vazão à medida que o número de dias de previsão aumentava, atribuída principalmente ao overfitting. Em resumo, este estudo destaca a relevância da inteligência artificial na predição de vazão para a gestão eficiente de barragens, especialmente em cenários de escassez de água. A escolha adequada dos modelos e a garantia de dados de entrada confiáveis são cruciais para obter previsões precisas, contribuindo para a segurança hídrica e operação eficaz de barragens como a de Jucazinho.