IMPLEMENTAÇÃO DE UM MODELO DE PREVISÃO DE VAZÃO EM TEMPO REAL COM REDES NEURAIS

Transcrição

1 IMPLEMENTAÇÃO DE UM MODELO DE PREVISÃO DE VAZÃO EM TEMPO REAL COM REDES NEURAIS Cristiane Pires Andrioli 1 e Mario Thadeu Leme de Barros 2 RESUMO Este trabalho trata de um novo esquema de previsão de vazões para o Sistema de Alerta a Inundações de São Paulo (SAISP), um importante sistema de suporte a decisão para operação de controle de cheias na Região Metropolitana de São Paulo (RMSP). São Paulo é a maior cidade do hemisfério sul, com 18 milhões de habitantes. A metodologia aplicada é a de redes neurais. A metodologia e o esquema de implantação do modelo são discutidos, assim como a sua inserção no conjunto de modelos atuais do SAISP. ABSTRAC This paper presents the methodology of a new flow forecasting model to SAISP São Paulo Flood Warning System. SAISP is a Decision Support System to support São Paulo flood control operations. São Paulo is one of the biggest cities in the world with 18 million people. The methodology is based on the neural network scheme. The methodology and the insertion of the new model in the set of present models are presented. PALAVRAS-CHAVES: controle de cheias, previsão de vazões e redes neurais. INTRODUÇÃO Todos os anos, durante o período de outubro a março, a Região Metropolitana de São Paulo (RMSP) sofre com o impacto das chuvas intensas, sendo que o principal problema causado é a inundação de diversas regiões da cidade. Na bacia do Alto Tietê, onde está localizada a RMSP, as inundações ocorrem devido ao grande número de bueiros e pontilhões com seção insuficiente para o escoamento pluvial, córregos assoreados e com entulho em diversos pontos, presença de construções muito próximas ao leito e muitas vezes avançando sobre os córregos e adoção de parâmetros técnicos, como rugosidade, bordas livres, período de retorno, inadequados para o projeto, com reflexos na capacidade das canalizações. 1 Bolsista de Mestrado CTHIDRO, Meteorologista do SAISP, Rua Dionísio da Costa, 166 São Paulo SP CEP: , , cristiane.andrioli@terra.com.br 2 Professor Titular da EPUSP, Av. Professor Almeida Prado, 83 trav. 2 PHD São Paulo SP CEP: , mtbarros@usp.br,

2 A convivência com as enchentes é possível a partir da implementação de medidas de controle de inundação que podem ser do tipo estruturais e não estruturais. De maneira geral, medidas estruturais são intervenções de engenharia que procuram reduzir o risco de ocorrência de enchentes e medidas não-estruturais têm por objetivo reduzir prejuízos através da melhor convivência da população com as cheias. Devido às dificuldades de obtenção de recursos para o desenvolvimento de medidas estruturais, destacam-se a adoção de medidas não estruturais como a implementação de um sistema de alerta. Na RMSP foi implementando um Sistema de Alerta a Inundações a partir de O SAISP (Sistema de Alerta às Inundações do Estado de São Paulo) realiza o monitoramento em tempo real de variáveis hidrometeorológicas e do nível em rios e reservatórios, previsão em tempo real de chuva e vazão e a disseminação das informações (dados e previsões), em tempo hábil para ação dos órgãos envolvidos. Este trabalho mostra de maneira resumida os modelos de previsão em tempo real de chuva e vazão em operação atualmente no SAISP e o processo de implementação de um novo modelo de previsão de vazão em tempo real utilizando a técnica de redes neurais. SISTEMA DE ALERTA A INUNDAÇÕES DO ESTADO DE SÃO PAULO O SAISP (Sistema de Alerta a Inundações do Estado de São Paulo) foi implementado no ano de 1977 após as fortes chuvas ocorridas no ano anterior que colocaram em risco a segurança do reservatório do Guarapiranga, localizado na cabeceira do rio Pinheiros, evidenciando a necessidade de um monitoramento hidrológico em tempo real. De maneira pioneira o DAEE iniciou a implantação do projeto de instalação de um sistema automático de medição de chuvas e dos níveis dos principais rios na bacia do Alto Tietê e que vem sendo expandida gradativamente, sendo que no ano de 1988, o SAISP passou a contar com o Radar Meteorológico, que foi instalado em São Paulo, na Barragem de Ponte Nova, cabeceira do rio Tietê, cobrindo a região do Estado de São Paulo, sul dos Estados do Rio de Janeiro e Minas Gerais. O radar meteorológico, monitora a chuva com grande precisão, tanto espacial como temporal. Comparativamente à rede hidrológica tradicional, o radar mede a chuva numa densidade de um pluviógrafo para cada 4 km 2 (em quadrículas de 2 x 2 km). Ou seja, considerando um círculo com 240 km de raio o radar equivale a ter na sua área de influência aproximadamente pluviógrafos. PRODUTOS DO RADAR DE SÃO PAULO O radar meteorológico de São Paulo é do tipo banda S e produz diversos produtos em forma de mapas que são utilizados em análises diagnosticas dos sistemas meteorológicos e como dados auxiliares no estudo de modelos hidrológicos para previsão de cheias e do próprio descolamento da chuva. Os principais produtos da radar meteorológico são:

3 CAPPI são mapas que mostram a taxa de precipitação em mm/h, a uma altitude igual a 3km, com raio de 240 km, em uma resolução de 2x2km, a cada 5 minutos, conforme pode ser observado na figura 1-a. ECHO-TOP são mapas muito semelhantes ao CAPPI, conforme pode ser observado na figura 1-b, sendo que a escala é em km. O ECHO-TOP é a medida da precipitação do topo das nuvens, sendo este produto muito útil para se avaliar o potencial de precipitação dos sistemas. CHUVA ACUMULADA são mapas, com as mesmas características do CAPPI, conforme pode ser observado na figura 1-c, em que o produto mostrado é acumulação de chuva, em mm, de1 hora, 12 horas e 24 horas; este último foi sempre gerado às 7 horas da manhã. Figura 1 Mapa CAPPI (a), o ECHO-TOP(b) e a chuva acumulada em 24horas (c) na área de cobertura do radar meteorológico de São Paulo. O SAISP possui em operação atualmente três modelos de previsão, sendo um de previsão de chuva e dois de previsão fluviométrica. O modelo SHARP (Short-Term Automatic Rainfall Prediction), proposto pot BELLAN et. Alli (1978), é o modelo de previsão de chuva utilizado no SAISP e é fundamentado na idéia da correlação espacial entre dois CAPPIS s, separados por um intervalo de tempo. A previsão de chuva é feita a cada 10 minutos (minuto 5, 15, 25, 35, 45, 55 de cada hora) e o horizonte de previsão cobre três horas à frente. Essa previsão é quantitativa, isto é, o modelo prevê para uma região o volume esperado de precipitação nos próximos 30, 60, 90, 120, 150, 180 minutos. Os modelos de previsão fluviométrica, em operação no SAISP são:modelo de Estados Hidrológicos e o MELRAD. O modelo de Estados Hidrológicos, descrito por Braga et al. (1982), foi desenvolvido para previsão de inundações que ocorrem por insuficiência de drenagem, sendo que a cada 10 minutos é produzida uma previsão em termos qualitativos com base em uma escala de estados: Observação, Atenção, Alerta e Emergência.

4 O modelo MELRAD (Modelo Estocástico Linear com base nos dados de Radar), proposto por Braga et. Al. (1982), utiliza a refletividade média diretamente sobre a bacia para previsão de vazão. A cada 10 minutos é produzida uma previsão de vazão para um determinado ponto. Atualmente no SAISP está em fase de desenvolvimento um modelo de previsão de vazão em tempo real utilizando-se a técnica de rede neural, que tem como principal vantagem, a modelação do processo chuva vazão, sem o conhecimento dos processos físicos que ocorrem na bacia hidrográfica como evaporação, infiltração, escoamento superficial e escoamento subterrâneo. REDES NEURAIS ARTIFICIAIS Uma Rede Neural Artificial pode ser definida como um sistema constituído por elementos de processamento interconectados, chamados de neurônios artificiais (figura 2-esquerda), os quais estão dispostos em camadas (uma camada de entrada, uma ou várias camadas intermediárias e uma de saída) e são responsáveis pela não linearidade e pela memória da rede (Valença, 2005). A arquitetura da rede neural, que tem estado em maior evidência na comunidade científica é a rede Perceptron Multicamadas (MLP), que é caracterizada pela existência de uma ou duas camadas escondidas, em que todos os neurônios de uma camada se ligam a todos da camada seguinte (figura 2-direita). Figura 2 Neurônio artificial e rede Perceptron Multicamadas. Segundo Sarle (1984), as MLPs são uma poderosa técnica de regressão, capaz de modelar funções não lineares e após ser treinada (calibrada), generaliza com precisão, isso quer dizer, possui a capacidade de fornecer respostas adequadas para dados de entrada que não foram usados na calibração. Uma importante similaridade das RNAs com o cérebro humano é a capacidade de aprender. As RNAs possuem regras de aprendizado que podem ser dividas em duas categorias básicas: aprendizado supervisionado e aprendizado não supervisionado. No caso das MLPs, a regra de aprendizado utilizada é a do aprendizado supervisionado, onde o aprendizado da rede é feito com o conhecimento prévio do resultado desejado. PROCESSO DE IMPLEMENTAÇÃO DA REDE NEURAL O fluxograma, apresentado na figura 3,indica os passos que estão sendo seguidos para implementação do modelo de redes neurais para previsão de vazão em tempo real.

5 Figura 3 Fluxograma para implementação do modelo de redes neurais. O primeiro e segundo passo correspondem respectivamente a coleta e separação dos dados. Estes dois primeiros passos são de extrema importância, pois a rede neural aprende por exemplos., devendo-se tomar cuidado para que os dados coletados sejam significativos e cubram amplamente o domínio do problema, que no caso é a previsão de vazão. Uma vez coletados os dados, os mesmos são divididos em duas categorias: dados de treinamento, que serão utilizados para o treinamento da rede e dados de teste, que serão utilizados para verificar a performance sob condições reais de utilização. O conjunto de treinamento também terá uma subdivisão criando um conjunto de validação, que é utilizado para verificar a eficiência da rede quanto a sua capacidade de generalização durante o treinamento, podendo ser empregado como critério de parada do treinamento. O terceiro passo é a definição da arquitetura da rede, que consiste na descrição de quantas camadas essa rede deve ter, o número de neurônios existentes em cada uma, a função de ativação escolhida para cada camada e como elas são conectadas umas a outras e com as entradas da rede. Definida a arquitetura da rede, dá-se início ao passo 4 que consiste no treinamento da rede que tem como objetivo o ajuste satisfatório entre dados observados e calculados pela rede. A diferença entre a resposta desejada e a fornecida pela rede é reduzida através do algoritmo de treinamento.

6 Ao se alcançar um ajuste satisfatório no treinamento, o passo seguinte é a validação da rede, onde será empregado o conjunto de dados até então não utilizado. A performance da rede, medida nesta fase, é uma boa indicação de sua performance real. Atingindo-se resultados satisfatórios também na validação, a RNA está pronta para ser utilizada, fornecendo respostas adequadas a dados de entrada que ainda não tenham sido utilizados. IMPLEMENTAÇÃO DO MODELO NO SAISP Para implementação do modelo de previsão de vazão em tempo real foi escolhida a bacia do rio Aricanduva, pois todo o ano, durante o período chuvoso, sofre com os problemas das inundações e possui um conjunto extenso de dados (monitoramento de superfície, desde 1993, e do radar meteorológico, desde 1998), para que se possa treinar, testar e validar o modelo proposto. Pretende-se futuramente estender o estudo feito para bacia do rio Aricanduva para outras sub-bacias críticas do Alto Tietê como a bacia do rio Pirajussara e Ribeirão dos Meninos. Foi desenvolvido um programa, em linguagem C, para a realização do treinamento e validação da MLP. O programa desenvolvido aplica o algoritmo de treinamento backpropagation e depois de treinar a rede, realiza a validação e pode ser utilizado para gerar a cada dez minutos previsão de vazões em tempo real. O próximo passo a ser realizado é o treinamento e validação da MLP, para vários cenários iniciais, afim de definir o número de neurônios da camada de entrada, intermediária e o valor dos pesos. BIBLIOGRAFIA BRAGA JR, B.P.F., BARROS, M.T.L, A Stochastich Conceptual Model for Real Time Flood Forecastings. IN: XIII 2nd International Symposium on Hydrological Applications of Weather Radar. University of Hannover, Germany, September, BRAGA JR, B.P.F., BARROS, M.T.L, São Paulo Flood Warning System: Integrating Different Levels of Data Quality and Availability. IN: XIII 2nd International Symposium on Hydrological Applications of Weather Radar. University of Hannover, Germany, September, PISANI, A., Avaliação dos dados do Radar Meteorológico de São Paulo para Aplicação em Hidrologia. Tese de Doutorado apresentada à Escola Politécnica da USP. São Paulo, 1989, 193p.. SARLE, W. S., Neural Networks and Statistical Models. IN: Nineteenh Annual SAS Users Group International Conference, Cary, NC: SAS Institute, SPERB, R. M., MODRO, N. R., MARCONDES, P., FOES, P. A., BARCIA, R. M., PACHECO, R. C. S., TAVARES, G., PREVENT: Protótipo de um Sistema de Previsão de Enchentes Baseado em Redes Neurais. IN: XIII Simpósio Brasileiro de Recursos Hídricos, Belo Horizonte, Minas Gerais, 28 de novembro à 02 de dezembro de VALENÇA, M., Aplicando Redes Neurais: Um Guia Completo. Olinda, Pernambuco, Ed. do Autor, 2005, 248 p.