PREVISÃO DE VAZÕES BASEADA NO PROCESSAMENTO PARALELO GPGPU DE REDE LSTM

Abstract

Previsão de vazões é um procedimento essencial no gerenciamento de bacias hidrográficas para redução de danos causados por inundações. Na previsão, modelos baseados em dados podem ser aplicados.
As redes neurais artificiais (ANNs) são um tipo de modelo baseado em dados e possuem a habilidade de aprender com os dados em grande quantidade e de capturar complexidades e não linearidades. Seu uso em hidrologia tem se tornado cada vez mais frequente. Uma categoria de ANNs são as redes neurais artificiais recorrentes (RNNs – Recurrent Neural Networks), que retem informações por mais tempo. No entanto, não possui bom desempenho em períodos longos de tempo. Para tanto surgiu uma nova variação das RNNs, as redes de memória longa de curto prazo (LSTM – Long Short-Term Memory). Esta nova arquitetura de rede tem alcançado sucesso em tarefas complexas na área de modelagem de linguagem e recentemente na área da hidrologia na previsão de precipitação, vazões e sedimentos em suspensão em bacias hidrográficas. A aplicação de uma rede LSTM envolve as etapas de treinamento, validação e teste, nas quais a eficiência da rede é comparada com os dados observados. Neste contexto, este projeto de pesquisa teve como objetivo geral implementar a rede LSTM para previsão de vazões na exutória de uma bacia hidrográfica. A metodologia foi estruturada nas etapas de 1) aquisição de dados hidrológicos para a Bacia do Apuaê, RS; 2) implementação da rede LSTM; e 3) previsão de vazões. A rede LSTM treinada para previsão de vazões diárias na bacia de estudo teve bons resultados, contudo, ressalta-se a importância da realização de estudos posteriores para implementar maiores quantidades de séries temporais na entrada da rede.