Avaliação de diferentes estratégias para treinamento de aprendizado de máquina aplicado à previsão de vazão com base no agrupamento de eventos de inundação

Aug 6, 2026

Carregar por Ivy

O artigo apresenta uma abordagem de modelagem hidrológica para predição de vazão baseada no agrupamento de cheias, integrando técnicas de Aprendizagem de Máquina para elevar a similaridade dos dados dentro de clusters. Utiliza séries de vazão média diária de 1964 a 2015 em União da Vitória (bacia do rio Iguaçu, Paraná, Brasil). O Fuzzy C-Means organiza os eventos em três grupos e treina cinco modelos com Support Vector Regression. Os modelos por cluster apresentam melhor desempenho na previsão para o grupo correspondente e eficiência semelhante à do modelo treinado na série completa para horizonte de 1 dia.

IdiomaPortuguese

CategoriaPesquisa e Relatórios

FormatoPDF

Páginas20

Tempo de leitura31 min

AcessoDownload gratuito

Índice

Introdução

Modelos tradicionais na modelagem hidrológica

Limitações dos modelos baseados em processos físicos

Modelos orientados a dados e avanços computacionais

Revista Brasileira de Recursos Hídricos Brazilian Journal of Water Resources Versão On-line ISSN 2318-0331 RBRH, Porto Alegre, v. 30, e23, 2025 Scientific/Technical Article [https://doi.org/10.1590/2318-0331.302520240087](https://doi.org/10.1590/2318-0331.302520240087) Evaluating different strategies for machine learning training applied to flow forecasting based on clustering of flood events Avaliação de diferentes estratégias para treinamento de aprendizado de máquina aplicado à previsão de vazão com base no agrupamento de eventos de inundação Patrícia Cristina Steffen1 􀀬 , Júlio Gomes2 􀀬 , Eloy Kaviski2 􀀬 & Daniel Henrique Marco Detzel2 􀀬 1Universidade Federal de Mato Grosso, Barra do Garças, MT, Brasil 2Universidade Federal do Paraná, Curitiba, PR, Brasil [E-mails: patricia.steffen@ufmt.br](E-mails: patricia.steffen@ufmt.br) (PCS), [jgomes.dhs@ufpr.br](jgomes.dhs@ufpr.br) (JG), [eloy.dhs@ufpr.br](eloy.dhs@ufpr.br) (EK), [detzel@ufpr.br](detzel@ufpr.br) (DHMD) Received: November 30, 2024-Revised: March 13, 2025-Accepted: March 15, 2025 ABSTRACT This paper presents a new hydrological modeling approach for discharge prediction based on flood clustering. Combined with Machine Learning techniques, river flow simulation is optimized through increased data similarity within clusters. Using daily mean discharge from 1964 to 2015 in União da Vitória (Iguaçu River basin, Paraná State, Brazil), the Fuzzy C-Means algorithm clustered flood events into three groups. So, five models were trained: one for the complete series, one for all flood events, and one for each cluster. The Support Vector Regression algorithm was used to develop Artificial Intelligence (AI) models, that had better performance in predicting discharge for each group they were trained and showed similar efficiency to the model trained for the entire series for a 1-day forecast time. The present paper discusses only the results from the training and testing phases. A future paper (in elaboration) will present the development and evaluation of the flow forecast models based on the proposed methodology. Keywords: Artificial Intelligence techniques; Data-driven intelligent models; Fuzzy C-Means algorithm; Hydrological modeling; Support Vector Regression algorithm. RESUMO O presente trabalho apresenta uma nova abordagem para a modelagem hidrológica, baseada no agrupamento de cheias. Combinada às técnicas de Aprendizagem de Máquina, a pesquisa visa otimizar a simulação de vazões, por meio do aumento da similaridade dos dados de cada grupo. Usando as vazões médias diárias de 1964 a 2015 em União da Vitória (bacia hidrográfica do rio Iguaçu, Paraná, Brasil), o algoritmo Fuzzy C-Means agrupou os eventos de cheia em três grupos. Assim, foram treinados cinco modelos: um para asérie completa, um para todas as cheias e um para cada grupo. O algoritmo de Regressão por Vetores de Suporte foi aplicado para obtenção dos modelos de Inteligência Artificial (IA), que apresentaram melhor desempenho ao prever vazões para os grupos em que foram treinados e apresentaram desempenho similar ao modelo treinado com a série completa para um horizonte de previsão de um dia. Este artigo discute somente os resultados obtidos nas fases de treinamento e teste. Um trabalho futuro (em elaboração) apresentará o desenvolvimento e a avaliação dos modelos de previsão, com base na metodologia proposta. Palavras-chave: Técnicas de Inteligência Artificial; Modelos inteligentes de análise de séries temporais. Algoritmo Fuzzy C-Means; Modelagem hidrológica; Algoritmo de Regressão por Vetores de Suporte. This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Evaluating different strategies for machine learning training applied to flow forecasting based on clustering of flood events INTRODUCTION Hydro

Perguntas frequentes

Como o agrupamento de cheias é usado para melhorar a previsão de vazão?

Os eventos de cheia são agrupados em clusters, elevando a similaridade dos dados dentro de cada grupo. Com isso, os modelos treinados por cluster tornam-se mais adequados à dinâmica daquele conjunto de eventos.

Qual algoritmo é empregado para agrupar os eventos de inundação e em quantos grupos?

O artigo utiliza o algoritmo Fuzzy C-Means para agrupar os eventos de inundação em três grupos.

Quais modelos são treinados e que algoritmo de IA é usado para a previsão?

São treinados cinco modelos: um para a série completa, um para todos os eventos de cheia e um para cada cluster. A previsão é desenvolvida com Support Vector Regression (Regressão por Vetores de Suporte).

Aug 6, 2026

Carregar por Ivy