Previsão de dados de níveis de água subterrânea utilizando modelos baseados em aprendizado de máquina
Visualizar/ Abrir
Data
2022-02-16Primeiro coorientador
Mancuso, Malva Andrea
Primeiro membro da banca
Kirchheim, Roberto Eduardo
Segundo membro da banca
Manzione, Rodrigo Lilla
Terceiro membro da banca
Seidel, Enio Júnior
Quarto membro da banca
Pereira, Joao Eduardo da Silva
Metadata
Mostrar registro completoResumo
Registros históricos de níveis de água subterrânea em poços perfurados são importantes para estudos ambientais no âmbito dos recursos hídricos. O monitoramento do nível de mananciais subterrâneos é fundamental para sua gestão pois fornece o subsídio necessário para estimar sua quantidade e identificar possíveis alterações de fluxo. No estado do Rio Grande do Sul, no sul do Brasil, a água subterrânea constitui-se como uma das principais fontes de água em diversas localidades, sendo majoritariamente utilizada para abastecimento público e atividades agrícolas. A previsão dos níveis das águas subterrâneas é assunto de interesse para órgãos públicos e privados, uma vez que fornecem dados para a construção de cenários sobre as águas subterrâneas, necessários à gestão integrada dos recursos hídricos. Metodologias estruturadas em dados monitorados e utilizando inteligência artificial no contexto de aprendizado de máquina (machine learning) foram implementadas para realizar a previsão de níveis da água subterrânea. O objetivo foi obter modelos para produzir a predição de dados diários de níveis de água subterrânea em poços de monitoramento à luz de técnicas alicerçadas em programação e aprendizagem computacional. A partir de uma arquitetura composta por modelos empíricos guiados por dados climatológicos, aplicaram-se técnicas de aprendizagem para simular o comportamento dos níveis de água subterrânea em diferentes poços de monitoramento. Foram construídos modelos a partir de técnicas de Redes Neurais Artificiais, Máquinas de Vetores de Suporte, Florestas Aleatórias e Gradient Boosting Machine. Os resultados alcançados evidenciaram a boa performance na utilização de métodos baseados em aprendizado de máquina, sendo abordagens que apresentam grandes vantagens tendo em vista a sua elevada acuracidade e atributos preditivos. As técnicas de aprendizagem e a estruturação de modelos orientados por dados climatológicos demonstraram altas taxas de aprendizado, o que foi demonstrado pelos estimadores de erro empregados. Dessa forma, este trabalho propõe metodologias suporte para a análise, o desenvolvimento e a implementação de metodologias para a modelagem de séries temporais de níveis das águas subterrâneas em redes de monitoramento.
Coleções
Os arquivos de licença a seguir estão associados a este item: