Sistema hibrido para previsão hidrológica com Deep Learning e Algoritmos Genéticos

Onofre Aparecido Candido

Unifesp – Universidade Federal de São Paulo
Disciplina de Inteligência Computacional

Introdução
O Brasil é um país com grande risco da ocorrência de desastres socioambientais. Um
dos grandes desafios das entidades é monitoramento e alerta precoce desses eventos
extremos de modo que seja possível mitigar as perdas causadas por esses fenômenos.
Em virtude disso, tem se buscado a implementação de modelos e programas de
computador que sejam capazes de realizar uma previsão para um dado evento natural,
com boa qualidade e confiabilidade com um horizonte de previsão que permita a
realização de ações que minimizem as perdas.
A área apresentada no estudo compreende a bacia a montante da estação
hidrológica de Banquete, Região de Bom Jardim, estado do Rio de Janeiro. Essa área
tem um histórico de desastres socioambientais, com alto índice de perdas (CEPED-SC,
2011).
Por ser uma região de grande suscetibilidade a desastres socioambientais,
torna-se extremamente importante a implementação de modelos computacionais que
permitem fazer previsões em tempo hábil para se tomar as medidas emergenciais
cabíveis.
Como em Lima et al. (2016), pode-se observar que modelos computacionais de
previsão usando redes neurais, tem demostrado bons resultados nessa região.
Diversas iniciativas encontram-se em testes para essa região, dentre as quais
pode-se destacar um MLP (Multilayer Perceptron) (Lima et al., 2016) e um modelo de
previsão físico de vazão (ANA, 2013).

Objetivos
Criar uma rede usando Keras e Tensorflow implementado em GPU (Graphics
Processing Unit, ou Unidade de Processamento Gráfico) para previsão hidrológica que
possa ser treinada automaticamente através de uma meta-heurística, a saber
algoritmos genéticos.
Os algoritmos genéticos serão responsáveis por definir o “melhor conjunto”
possível de valores para formar a estrutura da rede, como: número de neurônios,
camadas ocultas, função de ativação etc.
 Obter uma boa acurácia nas previsões tendo em vista o conjunto obtido pelos
algoritmos genéticos para um horizonte de 120 minutos no futuro do nível do rio no
exutório da bacia.

Metodologia
A rede será treinada com as informações provenientes de oito estações hidrológicas
distribuídos dentro da bacia hidrográfica. Os dados utilizados correspondem as leituras
de precipitação e nível das estações a montante da estação hidrológica Banquete, na
bacia do Rio Grande, região Serrana do Rio de Janeiro. Os dados possuem frequência
temporal de 15 minutos de intervalo.
Além dos valores das leituras, novos valores serão gerados, como a média dos
dados, variância e desvio padrão, bem como a médio dos valores observados
anteriores.
Será implementado um Algoritmo Genético que seja capaz de fornecer o melhor
conjunto de dados para estrutura da rede. Esse algoritmo testará um conjunto dentro
de um universo de valores que serão apresentados a ele, para procurar a tupla que
retorne o menor valor de erro de treinamento a rede.
A rede criada com Tensorflow e Keras será testado em uma GPU GTX 1070 da
Nvidia, que possui 1920 CUDA Cores (Compute Unified Device Architecture).

Resultados Esperados
Obter um sistema de previsão hidrológico baseado em Deep Learning que possa ser
treinado com parâmetros (número de neurônios, camadas ocultas, funções de
ativação) fornecidos por um meta-heurística (algoritmos genéticos). Esse sistema
deverá fornecer boas previsões considerando o nível no exutório em 120 minutos
futuros.
Serão entregues os dados pré-processados, os códigos dos Algoritmos Genéticos
e da rede escritos em Python, bem como os gráficos com as curvas de erro de
treinamento, e ativação da rede.

Referências
ANA. Agência Nacional de Águas, Nota Técnica nº 41/2013/SUM. Desenvolvimento de
Ferramenta de Modelagem Rápida para Cheias Rápidas e Graduais. 04 de nov de 2013.

CEPED-SC. 2011 – Inundações e Deslizamento na Região Serrana do Rio de Janeiro.

Disponível em: <http://www.ceped.ufsc.br/2011-inundacoes-e-deslizamento-na-
regiao-serrana-do-rio-de-janeiro/>. Acesso em 14 de agosto de 2018.
Lima , G. R. T.; Santos, L. B. L.; Carvalho, T. J.; Carvalho, A. R.; Cortivo, F. D., Scoefield,
G. B.; Negri, R. G.. An operational dynamical neuro-forecasting model for hydrological
disasters. In Modeling Earth Systems and Environment, Brazil, 2016.