Previsão de correntes na boca do porto de Suape/PE por meio de rede neuronal artificial

Previsão de correntes na boca do porto de Suape/PE por meio de rede neuronal artificial. André L Marquez1 ,Yuri O. Prestes 2 ,Pedro Bandeira3 ,Gabriel Gomes4 1DIMNT,INPE, São José dos Campos, SP 2, 4 - UFPE, Pernambuco, PE 3 - COPPE/UFRJ, Rio de Janeiro, RJ Resumo Estimativas de correntes marinhas nas bocas de estuários e saídas de rios são cruciais para operações portuárias e para ingestão de dados de descarga de rios no ambiente marinho. Este trabalho visou estimar o comportamento de correntes na boca do porto de Suape/PE por meio de redes neuronais artificiais (ANN) de aprendizado de máquina (ML), em um cenário de previsão operacional com horizonte de 15 dias. O objetivo foi o de gerar dados prognósticos de correntes sem o custo computacional da implementação de todo um modelo numérico hidrodinâmico. Para tal, foram utilizados dados de mare astronômica reconstruída para a localidade em conjunto com dados de reanalise, também disponíveis nas previsões de tempo. Foram treinados 3 modelos de aprendizado de máquina (ML): eXtreme Gradient Boosting (XGBM), Random Forest (RFM) e Light Gradient Boosting Machine (LGBM). A geração de dados foi feita em 3 níveis ( superfície, 5m e 14m). Os resultados obtidos mostram que o sistema foi capaz de prever com relativa acurácia as intensidades de correntes ortogonais ao porto, sobretudo em meia agua. O erro quadrático médio (RMSE) variou de 0.008 a 0.12 entre os diferentes modelos e profundidades. A dificuldade de reprodução das correntes de fundo, foram creditadas a importante estratificação da coluna d’água neste estuário. O melhor desempenho foi obtido com o modelo XGBM. Esta metodologia proposta se mostra promissora. A inclusão de outras variáveis preditivas, tais como perfis de temperatura e salinidade, podem auxiliar na melhoria dos resultados. Por fim acredita-se que essa metodologia tem seu valor devido ao seu baixo custo computacional frente a abordagem clássica de modelagem numérica hidrodinâmica. 1 Introdução Estimativas de correntes em portos são de grande importância para manobras portuárias, assoreamento de canais de navegação e segurança portuária. Além disso valores de correntes em bocas de estuários e deltas de rios são informações importantes para a modelagem hidrodinâmica marinha, sobretudo em regiões costeiras. Para estimar as correntes na boca de um porto ou estuário, se faz necessária a utilização de modelagem numérica hidrodinâmica, entretanto ela esbarra em diversos limitantes, seja de custo computacional, falta de acurácia da batimetria do estuário, dados observados em diversos pontos para a validação, etc. As técnicas de aprendizado de máquina podem auxiliar nesta tarefa, tendo um baixo custo computacional, e grande confiabilidade. O objetivo deste trabalho foi o de estimar o comportamento de correntes na boca do porto de Suape/PE por meio de redes neuronais artificiais (ANN) de aprendizado de máquina (ML), em um cenário de previsão operacional com horizonte de 15 dias. 1[email protected] 2y[email protected] 3[email protected] 4[email protected] 2 2 Metodologia O estuário de Suape, é abastecido pelo rio Ipojuca, sendo um estuário regido por marés semi-diurnas e com leve dominância de maré vazante [5]. Desta forma foram utilizados os dados de maré da estação maregráfica do Porto de Suape, localizado na boca do Porto. Esses dados apresentam periodicidade horária e cobrem o período de 2017 até o presente. Utilizando a metodologia do Almirante Franco [2], foi aplicada uma transformada rápida de Fourier para se obter os 8 principais componentes harmônicos de maré, em amplitude e fase (figura 02), Foram obtidos os valores de fase e amplitude das 4 principais componentes diurnas e das 4 principais componentes semi-diurnas. Posteriormente foi feita a reconstrução da série temporal de maré para o período de 2017 a 2100 (figura 3). Figura 1. Decomposição harmônica dos dados de maré do porto de Suape/PE Figura 2. Reconstrução do nível de maré no porto de Suape/PE. Figura 3. Reconstrução da maré astronômicas para o porto de Suape/PE, para o período de 2017 a 2100. Além dos efeitos da maré astronômica, as correntes da boca do estuário podem se ver afetadas por fenômenos meteo-oceanográficos, tais como ventos, ondas incidentes, pressão ano nível do mar, precipitação e correntes marinhas ao largo da saída do canal de navegação. Foram utilizados dados de reanálise do Global Forecast System (GFS) [6] para as variáveis, intensidade e direção do vento a 10m (VelVent e DirVento), temperatura do ar (Tar), temperatura da superfície do mar (TSM), precipitação acumulada em 1h(PREC), Pressão ao nível do mar (SLP), altura significativa de ondas (Hs), período de pico de ondas (PP), direção média de ondas (DirOndas). Para o treinamento dos modelos, foram utilizados os dados coletados in situ, pela estação meteorológica, maregráfica e correntométrica do porto de Suape. Os dados de corrente foram medidos nos níveis de superfície, 2m, 5m, 8m, 11m e 14m, entretanto, neste trabalho foram utilizados somente os dados de 0m, 5m e 14m, para superfície, corrente de meia água e corrente de 3 fundo, respectivamente. Os dados do GFS de velocidade e direção do vento, temperatura do ar e pressão ao nível do mar foram calibrados com os dados da estação meteorológica, por meio de um ajuste linear da forma ax +b. (figura não mostrada) Os dados de maré, juntamente como os dados de reanálise calibrados serviram de preditores dos modelos de ML, já os dados de corrente foram os alvos. Neste trabalho foram testados 3 modelos de ML: eXtreme Gradient Boosting (XGBM) [3], Random Forest (RFM) [1] e Light Gradient Boosting Machine (LGBM)[4]. Os dados referentes aos anos de 2017 a 2022 foram utilizados como treinamento, e o sistema foi rodado na forma de avaliação para o ano de 2024. Foram utilizados 100 estimadores, com taxa de aprendizado de 0.1, profundidade de 6 níveis, sub-amostragem, de amostras e de features, de 0.8 e fator randômico de 42, para os modelos RFM e XGBM. Para o LGBM, foram utilizados 1000 estimadores e taxa de aprendizado de 0.05, os demais parâmetros foram mantidos iguais. A fim de melhorar a eficácia do treinamento a intensidade e direção das correntes foram transformadas em vetores u e v, paralelo e ortogonais a boca do porto respectivamente. 3 Resultados A seguir são apresentados os resultados obtidos neste trabalho. Os dados de corrente medidos foram tratados para a retirada de valores não realistas. Houve uma descontinuidade nos dados para o ano de 2023. Portanto o período de treinamento foi restringido ao período de 2017 a 2022, e o teste de acurácia feito para o ano de 2024. A figura 04, apresenta os histogramas direcionais para as 6 profundidades, referentes ao período de treinamento. Pode-se perceber que o comportamento das correntes de maré são distintos em suas diferentes profundidades. Os dados de altura significativa medidos pelo ondógrafo são apresentados na figura 05. Os dados revelam uma forte sazonalidade das alturas de ondas, com menores ondas durante os meses de janeiro a março e ondas maiores entre os meses de abril a outubro. A comparação dos dados de altura de ondas medidos pela bóia e obtidos da reanálise mostram que a reanálise subestima os valores de altura significativa, como pode ser observado no gráfico de dispersão (figura5c). Os dados de velocidade e direção do vento para o período é apresentado na figura 06. Apesar da existência de uma sazonalidade marcante, há um predomínio de ventos associados aos ventos alíseos, sendo esses também os de maiores intensidades como apresentado na figura 06b. Figura 4. Histogramas direcionais de correntes de a) superfície, b) 5m e c) 14m de profundidade. Com base nos dados de entrada foi possível treinar os modelos para a obtenção das correntes. Os resultados mostram que as previsões feitas pelos modelos subestimaram os valores de correntes, provavelmente devido a processos não representados através das variáveis preditivas. A tabela 01, mostra os erros quadráticos médios para os 3 modelos. Dentre os três modelos testados o XGBM foi o que obteve os melhores resultados, sendo seguido de perto pelo RFM. Já o modelo LGBM, apresentou os piores índices de erro quadrático médio. Os resultados mostram que foi possível reproduzir bem a intensidade das correntes em 5m de profundidade. Em superfície, apesar dos modelos conseguirem reproduzir bem as direções de correntes, as intensidades apresentavam uma maior variabilidade nos dados medidos em relação às previsões 4 Figura 5. a) Altura significativa de ondas medidos pelo ondógrafo do Porto de Suape/PE. B) Histograma com ajuste de função de Gumbell e dispersão dos dados do ondógrafo frente aos dados de re-analise. Figura 6. Dados de velocidade do vento e Histograma direcional para os dados da estação meteorológica do porto de Suape/PE. obtidas pelos modelos. Já para 14m de profundidade o modelo preditivo baseado em dados de maré, e forçantes meteo-oceanográficas de reanálise, não conseguiu reproduzir com grande fidelidade as correntes. Os modelos empregados apresentaram RMSE variando de 0.008 m/s (para o modelo XGBM na profundidade de 5m) a 0.1272 (para o modelo LGBM na profundidade de 14m). A tabela 01 apresenta os coeficientes de RMSE ( Root Mean Square Error), para os diferentes modelos para as diferentes profundidades. A figura 07, apresenta a série temporal de intensidade de correntes, componente u e componente v, para 15 dias de previsão utilizando os dados do GFS e a previsão astronômica de maré para o modelo RFM. Percebese claramente que a componente u, apresenta resultados subestimados e com menor variabilidade do que os presentes nos dados observados. Já a componente v, apresenta resultados bastante realistas quando as intensidades de correntes possuem uma amplitude maior (marés de sizígia). 4 Discussão O presente trabalho apresentou uma metodologia para a reprodução dos valores de correntes na boca do porto de Suape/PE por meio de dados de maré astronômica e variáveis meteo-oceanográficas. Os resultados demonstraram que foi possível reproduzir as correntes na bocado porto, sem modelos numéricos, baseando somente em modelos de ML. Entretanto, as maiores deficiências encontradas foram provavelmente devido a complexidade de processos hidrodinâmicos locais do estuário de Suape. A variabilidade vertical das correntes mostra que este estuário possui uma dinâmica complexa, onde as correntes de superfície, meia água e fundo apresentam comportamentos distintos. Por meio dos dados utilizados para o treinamento, pode-se reproduzir bem o comportamento das correntes em meia água. Em superfície e em 14m de profundidade, outros fatores parecem influenciar os dados, tais como circulação por densidade. Isso fica mais evidente quando olhamos os histogramas direcionais, as águas superficiais possuem uma direção predominante de entrada no porto e as águas de fundo de saída. Seria interessante perfis verticais de salinidade e temperatura da água, para que fosse possível mensurar a estratificação da água na boca do porto, e consequentemente 5 Figura 7. a) Intensidade de corrente b) Componente paralela ao porto (u) c) Componente ortogonal ao porto (v) para a profundidade de 5m. Medida(“real”) e Simulada (prevista) na boca do porto de Suape/PE. utilizar essa informação para o treinamento dos modelos. Apesar das limitações a metodologia proposta se mostra promissora, uma vez que requer um esforço computacional muito inferior ao que seria desprendido por meio de modelagem numérica. Além disso, a facilidade de obtenção dos dados de treinamento, bem como a disponibilidade destes dados nos conjuntos de previsão de tempo, permite que seja possível prever, com algum grau de confiança as correntes na boca do porto, dentro dos horizontes de previsão de tempo. Agradecimentos: Os autores deste trabalho agradecem a disponibilização dos dados obsevados pela diretoria de meio ambiente do Porto de Suape. Agradecimento a FACEPE (Projeto nº:0803-1.08/24) e ao CNPQ (Projeto nº: – 424753/2021-9). 5 Bibliografia Referências [1] L. Breiman. “Random Forests.” Em: Machine Learning 45 (2001). DOI:https://doi.org/ 10.1023/A:1010933404324. [2] S. M. Franco. “Componentes Harmônicas da Maré em Pequenos Fundos.” Tese de doutorado. Escola Politécnica/USP, 1975. [3] Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye e Tie-Yan Liu. “LightGBM: A Highly Efficient Gradient Boosting Decision Tree”. Em: Advances in Neural Information Processing Systems. Ed. por I. Guyon, U. Von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan e R. Garnett. Vol. 30. Curran Associates, Inc., 2017. URL:https : / / proceedings.neurips.cc/paper_files/paper/2017/file/6449f44a102fde848669bdd9eb6b76faPaper.pdf. [4] Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye e Tie-Yan Liu. “LightGBM: a highly efficient gradient boosting decision tree”. Em: Proceedings of the 31st International Conference on Neural Information Processing Systems. NIPS’17. Long Beach, California, USA: Curran Associates Inc., 2017, pp. 3149–3157. ISBN: 9781510860964. [5] A. M. Lins. “Hidrologia e hidrodinâmica do baixo estuário do rio Ipojuca, PE.” Dissertação de mestrado. Universidade Federal de Pernambuco, 2002.