Regionalização de vazões mínimas de referência e média de longa duração da bacia hidrográfica Tocantins-Araguaia

Abstract

Um dos grandes desafios para a gestão dos recursos hídricos é o conhecimento da disponibilidade hídrica em regiões, onde não se tem disponibilidade de dados hidrológicos. Diante disso, uma alternativa utilizada pelos órgãos gestores brasileiros afim de se obter informações hidrológicas, é a técnica de regionalização de vazões. Uma metodologia muito utilizada em estudos e trabalhos hidrológicos, é o método tradicional proposto pela Eletrobrás em 1985, o qual consiste na identificação de regiões hidrologicamente homogêneas e na geração de equações de regressão. Por outro lado, como uma nova proposta metodológica para a regionalização de vazões, a aprendizagem de máquina vem ganhando cada vez mais espaço nos estudos hidrológicos. Desta forma, objetivou-se com o presente trabalho regionalizar as vazões mínimas de permanência em 90% e 95% do tempo (Q 90 e Q 95 ) e médias de longa duração na bacia hidrográfica Tocantins-Araguaia utilizando o método tradicional e a modelagem de aprendizagem de máquina. Na metodologia tradicional, foi utilizada a regressão linear simples, considerando três variáveis independentes: a Peq, Peq 750 e área de drenagem. Já na aprendizagem de máquina, foram utilizados seis algoritmos: Randon Forest, Support Vector Machine, K-nearest neightbor, Earth, Modelo linear e Cubist, e três parâmetros de performance: LCCC, NSE e MAE. Para cada algoritmo, foram utilizadas 203 covariáveis (morfométricas, climáticas e de superfície) sendo estas inseridas nos modelos como o valor médio e o desvio padrão em cada área de drenagem, as quais passaram por um processo de seleção. Foram identificadas na bacia, 75 estações fluviométricas distribuídas em 5 regiões hidrologicamente homogêneas. Avaliando a sazonalidade das vazões, verifica-se que a adoção da mesma como fator de otimização dos recursos hídricos, proporciona um aumento na disponibilidade hídrica na bacia do Tocantins-Araguaia. A regionalização de vazões pelo método tradicional, apresentou ótimos ajustes estatísticos, sendo a Peq e a Peq 750 as variáveis que apresentaram maior poder explicativo da variação da Q 90 , Q 95 e Q mld . No processo de seleção das covariáveis para a modelagem de aprendizado de máquina, a Peq foi a variável que se mostrou com maior importância no processo de predição das vazões para a maioria dos modelos. Dentre os modelos de aprendizagem de máquina, os algoritmos linear e Earth não apresentaram desempenhos satisfatórios. O modelo cubist foi aquele que mostrou maior habilidade no processo de predição das vazões, podendo ser uma alternativa promissora para a técnica de regionalização de vazões. No entanto, mesmo sendo um modelo menos complexo, requerendo uma menor quantidade de variáveis, a regressão linear simples pelo método tradicional, apresentou desempenho similar ao apresentado pelo cubist. Palavras-chave: Disponibilidade hídrica. Regionalização de vazões. Aprendizagem de máquina.

One of the greatest challenges for water resources management is the knowledge of water availability in several Brazilian regions, where there is no availability of hydrological data. In view of this, an alternative method used by Brazilian management bodies in order to obtain hydrological information is the flow regionalization technique. A methodology already widely used in hydrological studies, known as traditional, was proposed by Eletrobrás in 1985, and consists of identifying hydrologically homogeneous regions and generating regression equations. On the other hand, as a new methodological proposal for the flow regionalization, machine learning has been gaining more and more space in hydrological studies. In view of this, this study aimed to regionalize the minimum reference flows (Q90 and Q95) and long-term averages in the Tocantins-Araguaia watershed using the traditional method and machine learning modelling. In the traditional method, simple linear regression was used, considering three independent variables: Peq, Peq 750 and drainage area. For machine learning, six algorithms were used: Randon Forest, Support Vector Machine, K-nearest Neightbor, Earth, Linear and Cubist Model and three performance parameters: LCCC, NSE and MAE. For each algorithm, 203 covariates were used, which were inserted into the models as the mean value and standard deviation in each drainage area, which went through a selection process. 75 fluviometric stations were identified in the basin, arranged in 5 hydrologically homogeneous regions. Evaluating the seasonality of the flows, it appears that its adoption as a factor for optimizing water resources, provides an increase in water availability in the Tocantins-Araguaia basin. Flow regionalization by the traditional method presented excellent statistical adjustments, being Peq and Peq 750 the variables that presented greater explanatory power for the variation of Q90, Q95 and Q mld . In the process of covariates selection for machine learning modelling, Peq was the variable that proved to be most important in the flow prediction process for most models. By the selection of covariates, Peq was the variable that proved to be most important in the flow prediction process for most models. Among the machine learning models, linear and Earth did not present satisfactory performances. The Cubist model was the one that showed the greatest ability in the flow prediction process, and may be a promising alternative for the flow regionalization technique. However, even being a less complex model and using a smaller number of variables, the simple linear regression by the traditional method presented similar performance to Cubist. Keywords: Water availability. Flow regionalization. Machine learning.