O trabalho teve como objetivo apresentar uma proposta de metodologia para estimativa da curva de retenção de água, para solos do Estado do Rio Grande do Sul, a partir do uso de redes neurais artificiais. Para o desenvolvimento do trabalho, foi montado um banco de dados com informações disponíveis na literatura, de textura e estrutura dos solos do Estado do Rio Grande do Sul. Para o desenvolvimento das redes, utilizou-se o software Matlab, no qual foram treinadas diferentes arquiteturas, variando os números de neurônios na camada de entrada e camada intermediária. A eficiência das redes foi analisada graficamente pela relação 1:1, entre os dados estimados versus os observados, por meio de indicadores estatísticos. Observou-se, a partir dos resultados, que a arquitetura com melhor capacidade preditiva foi: 4-24-7, com classificação do índice de desempenho "ótimo". Assim, pode-se inferir que o uso de redes neurais, para estimativa da curva de retenção de água no solo, é uma ferramenta com alta capacidade preditiva e que trará grande contribuição ao setor agrícola.

Studies on the dynamics of water in the soil-plant-atmosphere such as water availability cultures infiltration drainage and movement of solutes into the soil, require knowledge of the relation between the water content in soil matric potential and represented by retention curve water. However, its implementation is laborious, requires considerable time and cost. An alternative is your estimate through statistical equations called pedotransfer functions (PTFs). The aim of this study was to generate PTFs for the different soil classes in the state of Rio Grande do Sul, through prediction methodologies. To develop the work we used data available in the literature, with values of hydro-physical characteristics and mineralogical characteristics of soils of the State, to estimate values of soil unit under different stresses. In possession of the database was conducted subdivision thereof, in different textural classes identified in the state in an attempt to improve the predictive ability of pedofunctions, forming more homogeneous subsets. The development of PTFs was from two modeling methods: (i) multiple linear regression (MLR) and (ii) artificial neural networks (ANNs). For the development of PTFs first methodology was used the "stepwise" (SAS, 1997). The PTFs generated from ANNs were implemented through the multilayer perceptron with backpropagation algorithm and Levenberg-Marquardt optimization. Each network is trained by varying the number of neurons in the input layer and the number of neurons in the hidden layer. The output variable was water content in soil matric potentials of 0, -6, -10, -33, -100, -500 and -1500 kPa. For each architecture, the network was trained several times, picking up training at the end of the architecture with lower mean relative error and lower variance in relation to the validation data. The efficiency of PTFs were analyzed graphically by the ratio 1:1 between data versus the observed and estimated by means of the following statistical indicators: correlation coefficient (r); concordance index Wilmont (c); coefficient of determination (R2) and performance index (id). The results showed that the more homogeneous is the data of the variables that compose the PTFs, the greater the precision in estimating the water retention in the soil, for the same. The network architecture consists of 4 inputs, showed high accuracy in the estimation of variables. The PTFs developed by ANNs outperformed the predictive ability of the standard method (MLR). Thus, the estimate of the retention curve of soil water by means of ANNs trained by classes textures, presents itself as a subsidy techniques adopted in irrigated agriculture. | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | Estudos que envolvem a dinâmica da água no sistema solo-planta-atmosfera tais como disponibilidade de água as culturas, infiltração, drenagem e movimento de solutos no solo, necessitam do conhecimento da relação entre o conteúdo de água no solo e o potencial matricial, representada pela curva de retenção de água. No entanto, sua execução é laboriosa, demanda considerável tempo e custos. Uma alternativa é sua estimativa através de equações estatísticas denominadas Funções de Pedotransferência (FPTs). O objetivo deste estudo foi gerar FPTs para as diferentes classes de solos do Estado do Rio Grande do Sul, por meio de metodologias de predição. Para desenvolver o trabalho foram utilizados dados, disponíveis na literatura, com valores de características físico-hídricas e mineralógicas, de solos do Estado, para estimar valores de umidade de solo, sob diferentes tensões. De posse do banco de dados foi realizado a subdivisão do mesmo, nas diferentes classes texturais identificada no Estado, na tentativa de melhorar a capacidade preditiva das pedofunções, formando subconjuntos mais homogêneos. O desenvolvimento das FPTs foi a partir de dois métodos de modelagem: (i) regressão linear múltipla (RLM) e (ii) redes neurais artificiais (RNAs). Para o desenvolvimento das FPTs pela primeira metodologia, foi utilizada a opção stepwise (SAS, 1997). As FPTs geradas a partir de RNAs, foram implementadas através do perceptron multicamadas com algoritmo backpropagation e otimização Levenberg-Marquardt. As redes foram treinadas variando-se o número de neurônios na camada de entrada e número de neurônios na camada escondida. A variável de saída foi conteúdo de água no solo nos potenciais matriciais de 0, -6, -10, -33, -100, -500 e -1500 kPa. Para cada arquitetura, a rede foi treinada diversas vezes, escolhendo-se no final do treinamento a arquitetura com menor erro relativo médio e menor variância em relação aos dados de validação. A eficiência das FPTs foram analisadas graficamente pela relação 1:1, entre os dados estimados versus os observados e, por meio dos seguintes indicadores estatísticos: coeficiente de correlação (r); índice de concordância de Wilmont (c); coeficiente de determinação (R2) e índice de desempenho (id). Os resultados mostraram que quanto mais homogêneos são os dados das variáveis que compõem as FPTs, maior é a precisão na estimativa da retenção de água no solo, pelas mesmas. As redes de arquitetura formada por 4 entradas, apresentaram elevada precisão na estimativa das variáveis. As FPTs desenvolvidas por RNAs superaram a capacidade preditiva do método padrão (RLM). Deste modo, a estimativa da curva de retenção de água no solo, por meio das RNAs treinadas por classes texturais, apresenta-se como um subsídio as técnicas adotadas na agricultura irrigada. Palavras-chave: Pedofunções. Umidade do solo. Potencial matricial. Inteligência artificial

Water treatment plants (WTP) have a fundamental and strategic role in the control of waterborne diseases through the potabilization of water, in order to meet the needs of the population that is supplied by it. In this context, evaluating the performance of these stations is paramount, particularly for the entities responsible for the water quality control stage, since WTP must present and operate with minimum conditions necessary to achieve its objective. As a way of anticipating adverse situations, as well as in the search to help decision makers and managers responsible for such operations, several models of WTPs performance prediction were proposed, making use of a series of tools, notably computational modeling, an important area of Artificial Intelligence (AI). As a contribution to this, this PhD thesis aimed to propose performance prediction models of conventional water treatment stations using Artificial Neural Network (ANN), with turbidity and apparent color of the treated water as control parameters. For its development (five ANN models were developed, two for small WTPs, two for medium-sized WTPs and one for large WTPs), data on raw and treated water quality were used. and hydraulic parameters of 12 water treatment plants, four with flows of up to 50 L.s-1, three with flows between 50 L.s-1 - 500 L.s-1 and five with flows above 500 L.s-1. The models were developed using RStudio®, from the artificial neural network multilayer backpropagation, with logistic activation function. The models presented determination coefficients of 0.66 and 0.67 for the turbidity and the apparent color of the treated water of small stations, respectively. The R² values were 0.21, 0.33 and 0.60, respectively, for the medium (Models 3 and 4) and large (Models 5). In the comparison of the results, models were also developed in multiple linear regression, being found that the models in ANN presented better performance. The results corroborate the application of AI techniques, particularly ANN, in WTPs, in order to optimize the process, reduce consumption of chemicals and generate waste, as well as to make the operation more efficient and safer by offering a product more reliable to the population supplied. | As estações de tratamento de água (ETA) possuem papel fundamental e estratégico no controle de doenças de veiculação hídrica por meio da potabilização da água, com vistas ao atendimento dos anseios da população que por elas é abastecida. Nesse contexto, avaliar o desempenho dessas estações é primordial, particularmente para os entes responsáveis pela etapa de controle da qualidade da água, tendo em vista que a ETA deve apresentar e operar com condições mínimas necessárias que atendam aos padrões de potabilidade. Como forma de antever situações adversas, bem como na busca de auxiliar os tomadores de decisão e gestores responsáveis por tais operações, foram propostos diversos modelos de predição de desempenho de ETAs, fazendo uso de uma série de ferramentas, notadamente da modelagem computacional, importante área da Inteligência Artificial (IA). Nesse contexto, essa pesquisa teve por objetivo propor modelos de predição de desempenho de estações convencionais de tratamento de água utilizando Redes Neurais Artificiais (RNA), tendo como parâmetros de controle a turbidez e a cor aparente da água tratada. Para o seu desenvolvimento foram elaborados cinco modelos em RNA, dois para ETAs de pequeno porte, dois para ETAs de médio porte e um para ETAs de grande porte. Os dados utilizados referem-se à qualidade da água bruta e tratada, aspectos operacionais e parâmetros hidráulicos de 12 estações de tratamento de água, quatro com vazões de até 50 L.s-1, três com vazões entre 50 L.s-1 a 500 L.s-1 e cinco com vazões acima de 500 L.s-1. Os modelos foram desenvolvidos utilizando o RStudio®, a partir da rede neural artificial multilayer backpropagation, com função de ativação logistic. Os modelos apresentaram coeficientes de determinação (R²) de 0,66 e 0,67 para a turbidez e a cor aparente da água tratada de estações de pequeno porte, respectivamente. Já para as ETAs de médio (Modelos 3 e 4) e grande (Modelos 5) porte os valores de R² foram 0,21, 0,33 e 0,60, respectivamente. Na comparação dos resultados, também foram desenvolvidos modelos em regressão linear múltipla, sendo constatado que os modelos em RNA apresentaram melhor desempenho. Os resultados corroboram para a aplicação de técnicas de IA, particularmente RNA, em ETAs, com vista à otimização de processo, menor consumo de produtos químicos e geração de resíduos, bem como para possibilitar operação mais eficiente e segura.

A modelagem hidrológica tem-se tornado ferramenta expressiva para a Engenharia de Recursos Hídricos – por ser utilizada na gestão de reservatórios, elaboração do programa de operação de usinas hidrelétricas, elaboração de cenários de planejamento e gestão dos recursos hídricos – e para a previsão e mitigação de eventos hidrológicos extremos. Devido a essa importância, objetivou-se neste trabalho modelar o regime diário de vazões em uma bacia hidrográfica por meio de modelos conceituais chuva- vazão e por método de inteligência artificial. O trabalho foi dividido em três artigos, em que no Artigo I o objetivou foi avaliar o desempenho dos modelos conceituais chuva-vazão Soil Moisture Accounting (SAC-SMA) e IPH II para a estimativa das vazões diárias na Bacia Hidrográfica do Rio Piracicaba, MG. O estudo foi realizado em três seções de monitoramento de vazão da bacia hidrográfica, sendo a calibração do modelo realizada com o algoritmo Shuffled Complex Evolution (SCE-UA), em que se utilizou como função objetivo o índice de eficiência de Nash-Sutcliffe (ENS). Com a análise estatística dos resíduos, foi possível constatar, de maneira geral, concordância entre os valores de vazões estimados pelos modelos SAC- SMA e IPH II e os observados nas seções de medição, destacando-se que em ambos os modelos houve dificuldade na simulação de valores de pico. Concluiu-se, portanto, que os modelos SAC-SMA e IPH II são adequados para a estimativa das vazões diárias de cursos de água da Bacia do Rio Piracicaba, demonstrando potencial para serem utilizados em estudos relacionados com simulação hidrológica e gestão de recursos hídricos em bacias hidrográficas brasileiras. No artigo II, o objetivo foi utilizar métodos de análise de sensibilidade global (ASG) para verificar a sensibilidade dos parâmetros do modelo hidrológico SAC-SMA e identificar quais parâmetros são responsáveis pelas maiores variações nas vazões simuladas pelo modelo. Para análise de sensibilidade global, utilizaram-se os métodos de Morris e de Sobol. O método de Morris requer pequeno esforço computacional, é simples de ser implementado e de fácil interpretação. Devido a essas características e por permitir avaliação qualitativa da sensibilidade dos parâmetros, esse método pode ser utilizado como análise preliminar dos métodos ASG baseados em variância, como é o caso do método de Sobol. Este método é considerado mais robusto que o de Morris e permite quantificar os efeitos dos parâmetros e de suas interações, de forma individual, nos dados de saída do modelo. Os parâmetros do modelo SAC-SMA que apresentaram alta sensibilidade foram LZPK, LZSK, LZFPM, LZFSM, UZFWM e ADIMP. O parâmetro UZFWM representa a lâmina de água livre na zona superior do solo e interfere no escoamento subsuperficial e na recarga do aquífero freático. Já o parâmetro ADIMP representa a área impermeável adicional da bacia e interfere na geração do escoamento superficial direto. Os demais parâmetros citados estão relacionados ao escoamento de base da bacia. Com base nos resultados, concluiu-se que a maior parte dos parâmetros do modelo SAC-SMA não proporciona variações expressivas nas vazões estimadas e os métodos de Morris e Sobol possibilitam a potencial simplificação do modelo hidrológico SAC-SMA, visto que viabilizaram a identificação dos parâmetros que não possuem sensibilidade. Por fim, no Artigo III foram desenvolvidas Redes Neurais Artificiais (RNAs) para estimar vazões diárias da Bacia Hidrográfica do Rio Piracicaba. Além disso, foi avaliada a utilização das RNAs associadas aos modelos hidrológicos conceituais IPH II e SAC-SMA, de forma a obter um modelo híbrido para estimativa de vazões que representem, ao mesmo tempo, os processos conceituais e não lineares relacionados ao escoamento. No desenvolvimento das redes neurais para estimativa da vazão diária, foram adotados os seguintes passos: coleta e seleção de dados; definição da arquitetura da rede; treinamento; e validação dos resultados. Assim, concluiu-se que as RNAs são adequadas para a estimativa das vazões diárias na Bacia do Rio Piracicaba; que as variáveis de entrada das RNAs que proporcionam os melhores resultados para estimava das vazões são precipitação, evapotranspiração de referência e vazões do próprio curso de água defasadas no tempo; que para o bom desempenho das RNAs para estimativa das vazões é preciso considerar como variável de entrada a vazão do curso de água defasada no tempo; e que a associação das RNAs com o modelo hidrológico IPH II, caracterizando uma conformação híbrida, permite melhorar as estimativas das vazões diárias. | Hydrologic modeling has become a significant tool for water resources engineering since it can be used in reservoir management, scheduling of hydroelectric plant operation, water resources planning and management, and forecasting and mitigation of extreme hydrologic events. Given this importance, this study aimed to model the daily flow regime of a river basin by means of rainfall-flow conceptual models and the application of artificial intelligence. The research results were divided into three papers. The first one showed the performance of two conceptual models, the Sacramento - Soil Moisture Accounting (SAC-SMA) and the IPH II, in estimating the daily flows of the Piracicaba river basin (MG). Three sections were outlined to monitor the river basin flow. The model calibration was carried out by Shuffled Complex Evolution (SCE-UA) algorithm, whose objective function was the Nash-Sutcliffe (ENS) efficiency index. By the statistical analysis of the residues, we could broadly observe that the flows estimated by SAC- SMA and by IPH II correlated with the values measured in the monitoring sections. It is noteworthy mention that peak values were hard to identify in both models. Therefore, we concluded that the SAC-SMA and IPH II models are suitable to estimate daily flows of watercourses in the Piracicaba river basin. Thus, these models can be used in studies of hydrological simulation and management of water resources for Brazilian river basins. In the second paper, we tested the methods of global sensitivity analysis (ASG) for the sensitivity of parameters from the SAC-SMA hydrological model. In addition, we identified the parameters providing the largest variations in flows simulated by the model. For global sensitivity analysis, we use the methods of Morris and Sobol. The Morris method requires little computational effort, being of easy implementation and interpretation. Added to this, it allows a qualitative evaluation of parameter sensitivity; therefore, this method can be used as a preliminary analysis to the ASG methods based on variance, such as the Sobol one. This is considered method stronger than the Morris' one, enabling the quantification of the effects of parameters and their interactions, individually, in the model output data. The parameters of the SAC-SMA model showing high sensibility were LZPK, LZSK, LZFPM, LZFSM, UZFWM, and ADIMP. UZFWM is the parameter representing the free water depth in the upper soil, which interferes with subsurface runoff and groundwater recharge. Yet ADIMP stands for an additional waterproof area in the river basin that interferes with direct surface runoff. The other above-mentioned parameters are related to the river basin baseflow. Based on the results, we concluded that most of the parameters from SAC-SMA model had no significant variations in estimated flows; and the Morris and Sobol methods were able to simplify the SAC-SMA hydrological model since non-sensitive parameters were identified. Lastly, the third paper shows the development of artificial neural networks (ANNs) to estimate daily flows in the studied river basin. Likewise, we evaluated the application of these RNAs together with the conceptual hydrological models IPH II and SAC-SMA, with the purpose of generating a hybrid model for flow estimation, which would represent, at the same time, runoff conceptual and non-linear processes. We followed a set of steps while developing the ANNs, which were data collection and selection, network architecture definition, training, and validation of results. Based on the results, we concluded that the ANNs are adequate to estimate daily flows in the Piracicaba river basin. Also, the input variables with the best results were rainfall, reference evapotranspiration, and time-lagged stream flows. Interestingly, a good performance of the ANNs was reached by taking into account these time-lagged flows as input variables. Furthermore, we may infer that the hybrid model, generated from ANN association to the IPH II hydrological model, improved the estimates of daily flows. | Fundação de Amparo à Pesquisa do Estado de Minas Gerais