Estudos recentes

Além dos estudos atrás mencionados e uma vez que a exploração de modelos estatísticos tem sido uma constante no que respeita à hidrologia, neste ponto serão analisados alguns estudos mais recentes que englobam estes modelos.

São diversas as técnicas e métodos estatísticos utilizadas para estudar a qualidade da água. Em, Zhang, Chen, Recknagel, & Li (2014), recorreu-se a modelos de previsão para acompanhar o desenvolvimento de cianobactérias. Os métodos estatísticos utilizados, como a análise do coeficiente de correlação de Pearson, permitiram identificar correlações e desfasamentos de dados com relação linear. A metodologia Wavelets usada possibilitou não só examinar as correlações e desfasamentos entre o crescimento de cianobactérias mas também as condições de qualidade da água em diferentes escalas de tempo. Este estudo debruçou-se sobre um lago, situado na China, e foi efetuado entre 2010 e 2011. Teve como objetivo compreender melhor os desfasamentos entre as condições de qualidade da água e o crescimento de cianobactérias nesse lago. Os modelos utilizados revelaram-se bastante fiáveis.

Num outro estudo, foram adotadas cinco estratégias de modelação para analisar as sucessões cronológicas do nível de água de seis lagos com diferentes características, tais como a forma, o tamanho, a altitude e a gama de variações. Os modelos incluíram a teoria do caos, modelos ARIMA, SARIMA, redes neuronais artificiais, entre outros. Cada caso foi formulado com uma premissa diferente, ou seja, com diferentes pressupostos subjacentes. A teoria do caos foi elaborada com maior detalhe, sendo que esta é bastante usual para identificar a existência de sinais caóticos por uma série de técnicas. As previsões foram efetuadas usando uma técnica não-linear. Este estudo concluiu que as cinco estratégias de modelação para alguns casos se revelaram boas, no entanto noutros casos possuíam menor

ESTADO DA ARTE

37

qualidade. Daí muitas vezes ser necessária uma reflexão crítica sobre qual o melhor método estatístico a utilizar para estudar determinadas séries de dados, (Khatibi, Ghorbani, Naghipour, Jothiprakash, Fathima, & Fazelifard, 2014).

Atualmente as técnicas de computação têm sido muito utilizadas na modelação hidrológica e também para efetuar previsões. Em Lohani & Rakesh Kumar (2012), o potencial de redes neuronais artificiais e sistemas neuro-fuzzy foram usados, juntamente com modelos auto regressivos, para estudar a periodicidade mensal do caudal que entrava num reservatório. Trabalhando as séries temporais dos dados recolhidos, foram ajustados várias redes neuronais artificiais e modelos neuro-fuzzy, com diferentes vetores de entrada. Para avaliar o desempenho destes modelos foi ainda feita uma comparação com modelos auto-regressivos. Neste estudo concluiu-se que as redes neuronais artificiais revelavam melhor precisão nas previsões, em comparação com os modelos auto regressivos.

Voltando ao contexto da modelação ARIMA, é de notar que os dados das séries temporais muitas vezes contêm padrões lineares e não lineares. Desta forma, nem os modelos ARIMA nem as redes neuronais podem ser totalmente adequados para a modelação e previsão de dados de séries temporais. O modelo ARIMA não pode lidar com relações não lineares, enquanto o modelo de rede neuronal por si só não é capaz de lidar com ambos os padrões lineares e não lineares, igualmente bem. Em Faruk (2009), utilizou-se um modelo de rede neuronal e um modelo ARIMA, efetuando a comparação entre os dois. A rede neuronal para a previsão de séries temporais foi testada usando observações de dados de qualidade da água de 108 meses, incluindo a temperatura da água, boro e oxigénio dissolvido, desde 1996 até 2004, de um rio situado na Turquia. Os resultados revelaram que as redes neuronais devido à sua capacidade em reconhecer padrões de séries temporais e características não lineares, proporcionam muito mais precisão do que o modelo ARIMA, no que toca a previsões de qualidade da água.

Em Valipour, Banihabib, & Behbahani (2012), o objetivo consistiu em prever a entrada de caudal na barragem do rio Dez, usando modelos ARMA, ARIMA e redes neuronais artificiais. A fim de aumentar a precisão da previsão, foram-se aumentando o número de parâmetros dos modelos. Posteriormente fez-se uma comparação com as redes neuronais artificiais estáticas e dinâmicas. Para este trabalho, foram utilizadas as descargas mensais entre 1960 e 2007. Os primeiros 42 anos foram usados para calibrar os modelos, enquanto os cinco últimos anos foram usados para efetuar previsões. Nos modelos ARMA e

ESTADO DA ARTE

38

ARIMA, o polinómio foi derivado respetivamente com quatro e seis parâmetros para prever o caudal de entrada. Na rede neuronal artificial, recorreu-se a várias funções e diferentes neurónios nas camadas escondidas. Ao comparar os erros dos modelos, o modelo de rede neuronal artificial dinâmica foi escolhido como o melhor modelo para efetuar a previsão de caudal a entrar nesta barragem. Já entre o modelo ARMA e ARIMA, o modelo ARIMA foi o que revelou um menor erro.

Em jeito de conclusão, salienta-se mais uma vez a clara importância e utilidade dos trabalhos desenvolvidos no âmbito da modelação estatística. Os vários estudos revelam que os modelos estatísticos são bastante credíveis, no que diz respeito à realização de previsões bem como à caracterização da qualidade do meio hídrico. No entanto, tal como atrás mencionado, não deve nunca dispensar-se a possibilidade de utilizar outras técnicas, dependendo do tipo de dados que se pretende tratar.

METODOLOGIA

39