A ocorrência das cheias sazonais dos rios afeta, principalmente, a população ribeirinha. Identifica-se em bases de dados bibliográficas a realização de várias pesquisas no tema previsão de ocorrência de cheias. Os resultados dessas pesquisas constituem-se em importantes contribuições para políticas públicas, pois as ferramentas de previsão de cheias podem viabilizar ações preventivas, que minimizam os danos causados às populações ribeirinhas. Neste trabalho foram avaliados métodos capazes de prever o pico da cheia de rios. Os métodos desenvolvidos foram avaliados na previsão de cheias do rio Negro, o maior afluente da margem esquerda do rio Amazonas e o principal rio que passa às margens da cidade de Manaus. Os preditores implementados foram: Redes Neurais Artificiais (RNA) e métodos de Aprendizado baseados em Comitê. Foram utilizados os seguintes dados de entrada, relativos ao período de 1951-2017: índices climáticos e o nível do próprio rio. Esses dados foram, posteriormente, submetidos a um processo de seleção de características. Para o preditor usando RNA foram avaliadas três arquiteturas, diferenciadas pelo número de neurônios nas camadas ocultas, a saber: 6, 8 e 10, as quais foram treinadas utilizando os seguintes métodos de generalização: regularização L2 e parada antecipada. O período de realização da previsão foi variado de 1 até 4 meses de antecedência da ocorrência do pico máximo da cheia na região. Adicionalmente, foi proposto a previsão das cheias em quatro categorias: alta, média-alta, média-baixa e baixa. Para o preditor usando métodos de Aprendizado baseados em Comitê foram utilizados os algoritmos de bagging e boosting para criar o comitê de regressão. A eficiência dos preditores foi avaliada através do Coeficiente de Correlação de Pearson (CCP) e pela acurácia da categorização das cheias. O melhor resultado do coeficiente de Pearson para o preditor utilizando RNA com parada antecipada foi r_p=0,9592, ao passo que o melhor resultado com o comitê foi obtido usando o método de bagging, r_p=0,9374. A classificação de cheias em categorias apresentou uma acurácia de 85,07% para o preditor RNA (parada antecipada e bootstrap) e com o Método baseado em comitê foi de 82,09% (bagging).
|
