Integração de modelos hidrológicos baseados em processos físicos e técnicas de aprendizado de máquina
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Primeiro orientador
Membros da banca
André Ferreira Rodrigues
Cleiton da Silva Silveira
Cleiton da Silva Silveira
Resumo
Nos últimos anos, a incorporação de técnicas de Inteligência Artificial (IA) em diversas áreas da hidrologia tem crescido vertiginosamente. Modelos baseados em IA, especialmente redes neurais recorrentes do tipo Long Short-Term Memory (LSTM), têm demonstrado desempenho superior aos modelos conceituais tradicionais em diversos contextos aplicados. No entanto, pesquisadores enfrentam dificuldades em interpretar fisicamente as relações preditas por esses modelos, além de limitações na sua capacidade de extrapolação e na predição de variáveis não treinadas. Os modelos híbridos surgem como alternativa promissora, combinando a capacidade analítica dos modelos baseados em IA com as imposições físicas dos modelos conceituais. Este estudo investigou modelos híbridos com base em três aspectos: (i) a capacidade da parcela baseada em dados de abstrair a parcela conceitual em busca de melhores índices de ajuste, (ii) a resposta desses modelos em cenários de extrapolação espacial e temporal, e (iii) sua capacidade de simular estados hidrológicos não presentes nos dados de entrada. Para tanto, foram desenvolvidos e avaliados dois tipos de modelos híbridos baseados no modelo conceitual GR4J: um com parametrização dinâmica, onde uma rede LSTM estima parâmetros variáveis no tempo, e outro com substituição de fluxos internos por uma rede LSTM. Os resultados demonstraram que modelos híbridos podem priorizar a componente baseada em dados em detrimento da física visando elevar a capacidade preditiva caso não sejam adequadamente constritos ou possuam uma estrutura conceitual incoerente. Em cenários de extrapolação espacial, a rede LSTM demonstrou desempenho superior, seguida pelo modelo híbrido com parametrização dinâmica, enquanto na extrapolação temporal sob aparente baixa disponibilidade de dados, os modelos conceituais apresentaram desempenho superior às redes LSTM puras e aos modelos híbridos. Quanto à simulação de variáveis não treinadas, embora os modelos híbridos possuam essa capacidade, observou-se comprometimento da coerência física dos estados internos, com ambos os modelos híbridos apresentando correlações significativamente inferiores ao modelo conceitual GR4J quando comparados com estimativas de umidade do solo derivadas de sensoriamento remoto. Estes resultados indicam que o desenvolvimento de modelos híbridos requer atenção especial à implementação de restrições que preservem a coerência física dos processos representados, e que os ganhos em desempenho preditivo frequentemente ocorrem às custas da coerência hidrológica.
Abstract
In recent years, the incorporation of Artificial Intelligence (AI) techniques in various areas of hydrology has grown dramatically. AI-based models, especially recurrent neural networks such as Long Short-Term Memory (LSTM), have demonstrated superior performance compared to traditional conceptual models in various applied contexts. However, researchers face difficulties in physically interpreting the relationships predicted by these models, as well as limitations in their extrapolation capacity and prediction of untrained variables. Hybrid models emerge as a promising alternative, combining the analytical capacity of AI-based models with the physical constraints of conceptual models. This study investigated hybrid models based on three aspects: (i) the capacity of the data-driven component to abstract the conceptual component in search of better performance indices, (ii) the response of these models in spatial and temporal extrapolation scenarios, and (iii) their ability to simulate hydrological states not present in the input data. To this end, two types of hybrid models based on the GR4J conceptual model were developed and evaluated: one with dynamic parameterization, where an LSTM network estimates time-varying parameters, and another with internal flow substitution by an LSTM network. The results demonstrated that hybrid models may prioritize the data-driven component at the expense of physical representation to increase predictive capacity if they are not adequately constrained or have an incoherent conceptual structure. In spatial extrapolation scenarios, the LSTM network demonstrated superior performance, followed by the hybrid model with dynamic parameterization, while in temporal extrapolation under apparent low data availability, conceptual models outperformed pure LSTM networks and hybrid models. Regarding the simulation of untrained variables, although hybrid models possess this capability, a compromise in the physical coherence of internal states was observed, with both hybrid models showing significantly lower correlations than the GR4J conceptual model when compared with soil moisture estimates derived from remote sensing. These results indicate that the development of hybrid models requires special attention to implementing constraints that preserve the physical coherence of the represented processes, and that gains in predictive performance frequently occur at the expense of hydrological coherence.
Assunto
Engenharia sanitária, Recursos hídricos - Desenvolvimento, Aprendizado do computador, Hidrologia - Modelos, Inteligência artificial
Palavras-chave
Modelagem hidrológica, Aprendizado de máquina, Modelagem híbrida
Citação
Departamento
Endereço externo
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto