Professional Documents
Culture Documents
DOI:10.5902/2179460X13421
Avaliao de Algoritmos de Otimizao e Funes Objetivo para Calibrao Automtica do Modelo Chuva-Vazo Tank Model
Evaluation of Optimization Algorithms and Objective Functions for Automatic
Calibration of the Rainfall-Runoff Tank Model
Alcigeimes B Celeste1, Vanessa Silva Chaves
Avaliao de Algoritmos
de Otimizao e Funes Objetivo para
Professor, Dep. Eng. Civil Universidade Federal de Sergipe, Brasil
Calibrao Automtica do Modelo Chuva-Vazo Tank Model
1
Resumo
Registros hidrolgicos apresentam, muitas vezes, falhas ou perodos curtos de medio. Uma vez que sries pluviomtricas so
tipicamente mais longas do que as fluviomtricas, modelos chuva-deflvio so frequentemente utilizados para preencher falhas
e alongar sries de vazo a partir de dados de precipitao. O Tank Model um modelo chuva-vazo simples, em que tanques
alinhados verticalmente representam os extratos do solo e necessita, apenas, de dados de chuva, vazo e evapotranspirao para
sua calibrao. Este trabalho aplica combinaes de sete algoritmos de otimizao matemtica e de oito funes objetivo (que
guiam a otimizao) para a calibrao automtica dos parmetros do Tank Model. A rea de estudo a bacia hidrogrfica do rio
Japaratuba, localizada no estado de Sergipe. Os resultados so comparados com os de pesquisa anterior que utilizou uma nica
combinao de otimizador e funo objetivo para calibrar o modelo. O desempenho do Tank Model confrontado tambm com
o do modelo conceitual MODHAC, aplicado nos estudos de elaborao do Plano Estadual de Recursos Hdricos do estado de
Sergipe. Os resultados encontrados indicam ajustes bastante satisfatrios entre vazes observadas e simuladas.
Palavras-chave: Modelagem chuva-vazo, Tank Model, otimizao.
Abstract
Hydrological records often have failures or short measurement periods. Since rainfall data are typically longer than streamflow
series, rainfall-runoff models are often used to fill gaps and lengthen streamflow records from rainfall series. The Tank Model
is a simple rainfall-runoff model in which vertically aligned tanks represent the extracts of soil. Only rainfall, runoff and
evapotranspiration data are needed for its calibration. This study applies combinations of seven mathematical optimization
algorithms and eight types of objective functions (which guide the optimization) for the automatic calibration of the Tank Model
parameters. The study area is the Japaratuba catchment, located in the state of Sergipe, Brazil. The results are compared
with those of a previous study that used a unique combination of optimizer and objective function to calibrate the model. The
performance of the Tank Model is also confronted with the one from conceptual model MODHAC used in studies for the Sergipe
State Water Resources Plan. The results indicate satisfactory fit between observed and simulated flows.
Keywords: Rainfall-runoff modeling, Tank Model, optimization.
Introduo
A disponibilidade de dados hidrolgicos, particularmente pluviomtricos e fluviomtricos, de fundamental importncia para o planejamento e manejo eficientes
e sustentveis de sistemas de recursos hdricos. Entretanto, em algumas regies, como no Nordeste brasileiro,
comum os registros histricos apresentarem perodos
curtos de medio e falhas, i.e., perodos sem informaes ou com dados incorretos ou duvidosos. Isso consequncia, por exemplo, de equipamentos danificados
ou por falta de monitoramento. Tipicamente, as sries de
vazes apresentam maiores problemas. Segundo Tucci
(1998), devido a facilidade de operao e custo, normal
existirem sries mais longas de precipitao do que de
vazo.
Uma das formas de preencher falhas e alongar sries
fluviomtricas curtas recorrer a mecanismos que relacionam os dados de vazo com os de precipitao, i.e.,
os chamados modelos chuva-vazo. Dois dos inmeros
modelos computacionais mais conhecidos so o pioneiro
stanford watershed model, desenvolvido na Universidade
de Stanford (EUA), e o SSARR (streamflow synthesis and
reservoir regulation), do Corpo de Engenheiros do Exrcito Americano (Beven, 2011). No Brasil, tambm j
foram concebidos vrios modelos com o mesmo propsito, como o SMAP (soil moisture accounting procedure)
(Lopes et al., 1982), o MOHTSAR (modelo hidrolgico
para o trpico semi-rido) (Filho e Lanna, 1986) e o
MODHAC (modelo hidrolgico auto-calibrvel) (Viegas
Filho et al., 1999).
Outro modelo bastante conhecido por sua simplicidade o japons Tank Model (Sugawara, 1995). Este
representa o sistema hidrolgico por uma sucesso de
tanques alinhados verticalmente, representando os diversos extratos do solo com as respectivas propriedades
de reteno e transferncia dgua (Silva, 1993). Uma
vantagem do Tank Model no precisar de informaes
mais elaboradas sobre a bacia em estudo tais como propriedades do solo, vegetao, etc. Os dados necessrios
so apenas precipitao, evapotranspirao e deflvio,
sendo, portanto, um modelo relativamente simples em
comparao com os demais. A calibrao dos parmetros do Tank Model geralmente conduzida atravs de
otimizao matemtica.
Este trabalho teve como objetivo principal a aplicao e comparao de vrias metodologias de otimizao
matemtica para a calibrao automtica do Tank Model a fim de modelar o processo chuva-vazo na bacia
hidrogrfica do rio Japaratuba, em Sergipe. A meta foi
analisar diferentes algoritmos otimizadores e funes objetivo (que guiam a calibrao) para o ajuste automtico
dos parmetros do modelo de forma a identificar a melhor combinao. Os resultados foram confrontados com
528
2
2
2.1
Metodologia
Descrio do Tank Model
O princpio do Tank Model substituir a bacia de drenagem por um conjunto de tanques alinhados verticalmente que possuem orifcios laterais e de fundo a partir
dos quais a gua descarregada. As descargas laterais
representam os escoamentos superficial, sub-superficial
e subterrneo. As descargas de fundo representam infiltrao e percolao (Figura 1).
A precipitao P adicionada ao tanque superior e
a evapotranpirao ET subtrada de todos os tanques.
A vazo lateral q de cada um dos tanques assumida
proporcional altura dgua a partir da posio h do
orifcio lateral em relao ao fundo do tanque:
q = ( X h)
onde X o nvel de gua em relao ao fundo e a
constante de proporcionalidade.
A percolao z tambm proporcional ao nvel X,
sendo a constante de proporcionalidade:
z = X
Este trabalho utilizou a configurao final da Figura 1, com quatro tanques em srie, em que o tanque
superior possui dois orifcios laterais, os dois tanques
seguintes possuem apenas um orifcio lateral, e o tanque
inferior no apresenta orifcio de fundo (i.e., percolao profunda) nem seu orifcio lateral possui altura em
relao ao fundo.
A soma das vazes de todos os orifcios laterais dos
tanques equivale descarga Q a ser calculada que, neste
caso, :
Q=
qi
i =1
2.2
529
ET
2
X1
h2
q 2 = 2 ( X1 h2 )
q1 = 1 ( X1 h1 )
h1
1
z1 = 1 X1
X2
q 3 = 3 ( X 2 h3 )
h3
2
z2 = 2 X 2
X3
Funes Objetivo
h4
E = 1
q4
= 4 ( X 3 h4 )
3
z3 = 3 X3
(1)
X4
SSE =
t =1
q5 = 5X4
1
T
t =1
t =1
530
4
t =1
531
5
2.3
rea de Estudo
2.4
Procedimento Metodolgico
532
6
O desempenho das calibraes foi medido pelo coeficiente de correlao de Pearson (Naghettini e Pinto,
2007) e pelo coeficiente de eficincia de Nash-Sutcliffe,
este ltimo dado por (1).
Como sada, o RRL fornece a srie de vazes simuladas, os coeficientes de correlao e eficincia, os valores
dos parmetros encontrados, os grficos de disperso
das vazes dirias e mensais e os grficos de comparao
entre os valores de vazo observados e simulados.
Resultados e Discusso
A Tabela 1 apresenta os ndices de desempenho (correlaco de Pearson e eficincia de Nash-Sutcliffe) para todas
as simulaces realizadas. Como pode ser observado,
alguns otimizadores e funes objetivo, por serem muito
simples, apresentaram resultados muito distantes do
ideal, ou seja, forneceram coeficiente de eficincia muito
longe de 1 e podem ter a maioria dos seus resultados
desprezados, como o caso do otimizador busca aleatria uniforme e as funes objetivos erro mdio (bias) e
soma dos valores absolutos das diferenas logartmicas.
Dentre todas as simulaes, as menores eficincias
de calibrao e validao mensais ocorreram no arranjo
com a busca aleatria uniforme e a soma das razes
quadradas (-29,45 e -13,27 de eficincias mensais na
calibrao e validao, respectivamente).
Com exceo da busca aleatria uniforme, todos os
otimizadores apresentaram bons resultados para determinadas funes, com destaque para a combinao entre
o mtodo de Rosenbrock e a soma dos quadrados dos
erros (0,86 e 0,75 de eficincias mensais na calibrao e
validao, respectivamente).
As funes objetivo critrio de Nash-Sutcliffe, soma
dos quadrados dos erros e raiz do erro quadrtico mdio
mostraram bons resultados para todos os otimizadores,
exceto para a busca aleatria uniforme.
O melhor ajuste aconteceu com a combinao entre
o mtodo de Rosenbrock com multi-start e o critrio
de Nash-Sutcliffe. Nesta combinao, foram encontrados os valores de 75% e 86% de eficincia na calibrao
diria e mensal, respectivamente. Para o perodo de
validao, os resultados encontrados foram de 65% e
75% de eficincia diria e mensal, respectivamente. Para
a correlao, esta combinao tambm apresentou bons
resultados: 86% para a correlao da calibrao diria
e 87% para a correlao da validao diria. Os parmetros ajustados por essa combinao so mostrados na
Tabela 2. A Figura 4 apresenta, para esta combinao, o
grfico comparativo entre vazes dirias observadas e
calculadas para todo o horizonte de simulao.
Com o intuito de avaliar o desempenho do Tank
Model calibrado pelo RRL, do Tank Model calibrado
no trabalho de Menezes (2013), e do modelo MODHAC
533
7
Figura 3: Captura de tela do software RRL mostrando escolha dos perodos de calibrao e validao.
obs.
sim.
0
500
1000
1500
2000
Tempo (dias)
2500
3000
3500
4000
Figura 4: Comparao entre vazes dirias utilizando a melhor combinao entre otimizador (mtodo de Rosenbrock
com multi-start) e funo objetivo (critrio de Nash-Sutcliffe).
Cincia e Natura
534
Tabela 1: ndices de desempenho para cada combinao entre otimizador e funo objetivo.
Funo Objetivo
Eficincia
Calibrao
Diria
Correlao
Calibrao
Diria
Eficincia
Validao
Diria
Correlao
Validao
Diria
Eficincia
Calibrao
Mensal
Eficincia
Validao
Mensal
Algoritmo
Gentico
Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas
0,73
0,72
0,72
0,66
-0,78
-68,90
0,68
-60,18
0,86
0,85
0,85
0,85
0,39
0,54
0,83
0,57
0,61
0,63
0,63
0,53
-0,18
-36,54
0,53
-32,85
0,86
0,86
0,85
0,82
0,49
0,55
0,81
0,58
0,84
0,86
0,86
0,80
0,12
-13,10
0,80
-13,80
0,69
0,73
0,73
0,56
0,34
-8,76
0,61
-9,04
Busca
Aleatria
Uniforme
Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas
-10,99
-10,87
-15,56
-15,13
-26,37
-29,45
-38,14
-71,33
0,73
0,77
0,47
0,65
0,55
0,44
0,32
0,37
-5,24
-4,19
-6,49
-6,32
-12,61
-13,27
-16,57
-34,20
0,76
0,79
0,53
0,70
0,59
0,49
0,38
0,41
-9,16
-12,68
-5,08
-18,63
-5,96
-29,45
-3,77
-6,12
-4,56
-5,79
-2,36
-8,21
-2,82
-13,27
-2,07
-4,16
Busca
Padro
Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas
0,63
0,70
0,51
-7,56
0,17
-141,99
-0,30
-158,02
0,79
0,85
0,82
0,81
0,70
0,37
0,17
0,37
0,54
0,56
0,64
-2,94
0,19
-66,14
-0,45
-72,64
0,81
0,83
0,81
0,77
0,64
0,41
0,01
0,41
0,73
0,80
0,60
-12,73
0,42
-16,29
-0,48
-21,42
0,57
0,61
0,74
-5,53
0,33
-9,77
-0,79
-12,38
Busca
Padro com
Multi-Start
Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas
0,14
0,59
0,65
-2,10
-0,30
0,67
0,69
-116,74
0,61
0,80
0,81
0,78
0,40
0,82
0,84
0,45
0,42
0,44
0,56
-0,49
0,07
0,56
0,54
-57,19
0,70
0,76
0,77
0,72
0,48
0,81
0,81
0,48
0,40
0,75
0,76
-3,70
0,18
0,79
0,82
-20,76
0,71
0,51
0,68
-1,12
0,29
0,64
0,64
-11,86
Mtodo de
Rosenbrock
Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas
0,74
0,74
0,74
-1,72
-0,23
-50,04
0,69
0,66
0,86
0,86
0,86
0,83
0,56
0,33
0,84
0,82
0,64
0,65
0,65
-0,21
-0,09
-24,32
0,52
0,55
0,87
0,87
0,87
0,78
0,51
0,39
0,81
0,80
0,86
0,86
0,86
-3,14
-0,09
-2,54
0,81
0,78
0,74
0,75
0,75
-0,73
-0,01
-2,29
0,60
0,60
Mtodo de
Rosenbrock
com
Multi-Start
Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas
0,75
0,74
0,74
-1,70
-3,03
0,11
0,69
0,63
0,86
0,86
0,86
0,83
0,64
0,64
0,84
0,79
0,65
0,65
0,65
-0,21
-2,01
-0,06
0,55
0,54
0,87
0,87
0,87
0,78
0,64
0,63
0,84
0,81
0,86
0,86
0,86
-3,11
-0,31
0,17
0,81
0,73
0,75
0,75
0,75
-0,72
-0,66
-0,12
0,62
0,57
SCE-UA
Critrio de Nash-Sutcliffe
Soma dos Quadrados dos Erros
Raiz do Erro Quadrtico Mdio (RMSE)
Raiz da Mdia da Diferena Quadrtica em Relao ao bias
Erro Mdio (bias)
Soma da Razes Quadradas
Soma dos Quadrados das Diferenas entre Razes Quadradas
Soma dos Valores Absolutos das Diferenas Logartmicas
0,61
0,71
0,67
-1,21
-15,13
0,36
0,58
-43,30
0,81
0,84
0,82
0,83
0,40
0,67
0,77
0,64
0,59
0,60
0,56
-0,02
-8,65
0,17
0,38
-23,94
0,77
0,83
0,80
0,77
0,46
0,63
0,67
0,64
0,70
0,84
0,82
-2,29
-0,95
0,46
0,82
-12,98
0,71
0,71
0,68
-0,37
-0,94
0,18
0,55
-8,37
Otimizador
535
9
Valor timo
1
2
3
4
5
1
2
3
h1
h2
h3
h4
0
0
0,0411
0,0056
0
0,3219
0,5
0,0155
6,7339
30,1916
2,4151
100
4 Concluso
O objetivo desta pesquisa foi aplicar e comparar vrias
metodologias de otimizao para a calibrao automtica do modelo chuva-vazo Tank Model na bacia do
1 Os dados simulados pelo MODHAC s esto disponveis em
escala mensal.
rio Japaratuba, Sergipe. Alm disso, buscou-se comparar os resultados obtidos com os da pesquisa de Menezes (2013) e com os ajustes realizados pelo MODHAC
(SEMARH-SE, 2010) para a elaborao do Plano Estadual de Recursos Hdricos de Sergipe. Corroborando
com os resultados de Menezes (2013), verificou-se o bom
desempenho do Tank Model na simulao do processo
chuva-vazo na bacia do rio Japaratuba.
Alguns resultados obtidos, como as combinaes que
envolviam o otimizador busca aleatria uniforme e as
funes objetivo erro mdio e soma dos valores absolutos das diferenas logartmicas, ficaram muito distantes
do ideal, ou seja, com coeficientes de eficincia muito
baixos, e mostram que certos otimizadores e funes
objetivo no so indicados para a calibrao dos parmetros do Tank Model.
Entretanto, pode-se afirmar que, com exceo dos
apontados acima, os parmetros do modelo podem ser
calibrados por vrios arranjos de otimizadores e funes objetivo, particularmente pela combinao entre o
mtodo de Rosenbrock com multi-start e o critrio de
Nash-Sutcliffe, que ofereceram o melhor ajuste nos testes
conduzidos.
Referncias
Beven, K. J., 2011. Rainfall-runoff modelling: the primer.
John Wiley & Sons.
Celeste, A. B., Suzuki, K., Watanabe, M., 2001. Genetic
algorithms for automatic calibration of Tank Model.
In: Proc. 7th JSCE Congress of Civil Engineering
Shikoku Division. Japan Society of Civil Engineers
(JSCE), Matsuyama, Japan, pp. 150151.
Cruz, M. A. S., 2010. Avaliao de sries histricas de
vazo monitoradas em duas sub-bacias do rio Japaratuba em Sergipe com auxlio de algoritmos genticos,
embrapa Tabuleiros Costeiros. Boletim de Pesquisa e
Desenvolvimento.
Duan, Q., Sorooshian, S., Gupta, V. K., 1994. Optimal
use of the SCE-UA global optimization method for
calibrating watershed models. Journal of Hydrology
158 (3), 26584.
Filho, P. M., Lanna, A. E. L., 1986. MOHTSAR: Um modelo hidrolgico para o trpico semi-rido. Caderno
de Recursos Hdricos da Revista Brasileira de Engenharia 4 (1), 95118.
Hallak, R., Pereira Filho, A. J., 2011. Metodologia para
anlise de desempenho de simulaes de sistemas
convectivos na regio metropolitana de So Paulo
com o modelo ARPS: sensibilidade a variaes com os
esquemas de adveco e assimilao de dados. Revista
Brasileira de Meteorologia 26, 591608.
536
Cincia e Natura
10
Tabela 3: Desempenho dos modelos (em escala mensal) para o perodo 19691979.
Tank Model
Menezes (2013)
RRL
SEMARH-SE (2010)
0,89
0,71
0,92
0,78
0,78
0,50
Correlao
Eficincia
120
MODHAC
obs.
sim.
100
80
60
40
20
0
20
40
60
Tempo (meses)
80
100
120
Figura 5: Comparao entre vazes mensais observadas e simuladas para o perodo 19691979 pelo Tank Model
calibrado por Menezes (2013).
Fonte: Grfico dos autores com base nos dados de Menezes (2013).
120
obs.
sim.
100
80
60
40
20
0
20
40
60
Tempo (meses)
80
100
120
Figura 6: Comparao entre vazes mensais observadas e simuladas para o perodo 19691979 pelo MODHAC
calibrado em SEMARH-SE (2010).
Fonte: Grfico dos autores com base nos dados de SEMARH-SE (2010).
537
11
120
obs.
sim.
100
80
60
40
20
0
20
40
60
Tempo (meses)
80
100
120
Figura 7: Comparao entre vazes mensais observadas e simuladas para o perodo 19691979 pelo RRL utilizando o
mtodo de Rosenbrock com multi-start e o critrio de Nash-Sutcliffe.
Lopes, J. E. G., Braga, B. P. F., Conejo, J. G. L., 1982.
SMAP a simplified hydrological model. In: Singh,
V. P. (Ed.), Applied Modelling in Catchment Hydrology. Proceedings of the International Symposium on
Rainfall-Runoff Modelling. Water Resources Publications.
Mateus, G., Luna, H., 1986. Programao No Linear. V
Escola de computacao. UFMG.
Menezes, T. L. A., 2013. Tank Model para modelagem do
processo chuva-vazo no estado de Sergipe, Trabalho
de Concluso de Curso (Graduao em Engenharia
Civil) Universidade Federal de Sergipe.
Naghettini, M., Pinto, E., 2007. Hidrologia Estatstica.
CPRM.
Nash, J. E., Sutcliffe, J. V., 1970. River flow forecasting
through conceptual models part 1 a discussion of
principles. Journal of Hydrology 10, 282290.
Podger, G., 2004. RRL Rainfall Runoff Library Users
Guide. Cooperative Research Centre for Catchment
Hydrology.
SEMARH-SE, 2010. Elaborao do plano estadual de
recursos hdricos: RE-6, Volume 1, Tomo I (bacia
hidrogrfica do Rio Japaratuba).
SEMARH-SE, 2012. Atlas digital sobre recursos hdricos
de sergipe. CD-ROM.
SEMARH-SE, 2013. As bacias hidrogrficas em Sergipe.
Acesso em set/2013.
URL
Silva, W. d. A., 1993. Avaliao de alguns modelos chuvadeflvio para o estado da Paraba. Dissertao de
Mestrado, Universidade Federal da Paraba.
Sugawara, M., 1995. Tank model. In: Singh, V. P. (Ed.),
Computer Models of Watershed Hydrology. Water
Resources Publications, Highlands Ranch, pp. 165
214.
Tucci, C. E. M., 1998. Modelos Hidrolgicos. UFRGS.
Viegas Filho, J. S., Lanna, A. E. L., Pereira, J. S., Troger,
F. H., Conceio, A., 1999. MODHAC modelo hidrolgico auto-calibrvel, verso 98 para Windows. In:
Anais do Congresso Brasileiro de Engenharia Agrcola.
Pelotas.