A Hybrid Feature-Engineered XGBoost Framework for Rainfall-Runoff Based Inflow Prediction of Ukai Dam, India

Resumo Técnico: Um Framework Híbrido de XGBoost com Engenharia de Atributos para a Predição de Afluência Baseada em Chuva-Escoamento da Represa de Ukai, Índia

Declaração do Problema
A previsão precisa da afluência de reservatórios é crítica para a gestão de recursos hídricos, controle de inundações, otimização de hidrelétricas e planejamento de irrigação, particularmente para sistemas estrategicamente importantes como a Represa de Ukai em Gujarat, Índia. Embora os modelos hidrológicos tradicionais baseados em processos físicos ofereçam interpretabilidade, eles frequentemente exigem calibração extensa e dados detalhados da bacia hidrográfica. Por outro lado, modelos de aprendizado de máquina puramente orientados a dados podem capturar relações não lineares complexas, mas podem falhar em explorar plenamente o conhecimento hidrológico físico. Este estudo aborda a necessidade de um sistema de previsão robusto que integre a estimativa física de escoamento com aprendizado de máquina avançado para lidar com os processos hidrológicos não lineares e a alta variabilidade da bacia de Ukai, que experimenta períodos distintos de pico e de vazão baixa impulsionados pelas chuvas de monção.

Metodologia
O estudo propõe um framework híbrido de XGBoost com engenharia de atributos adaptado aos atributos hidrológicos e meteorológicos da Represa de Ukai. A metodologia segue um fluxo de trabalho estruturado:

1. Coleta e Pré-processamento de Dados:

   • Fontes: Os dados foram agregados da estação da Represa de Ukai (1985–2025) e de 52 estações meteorológicas a montante, cobrindo variáveis hidrológicas, meteorológicas e espaciais.
   • Variáveis: As entradas incluem atributos do reservatório (capacidade de abertura, descarga, volume, capacidade de balanço, afluência) e dados meteorológicos (temperatura, chuva, umidade, velocidade do vento, evaporação). Dados espaciais (elevação, declividade, Uso e Cobertura da Terra/LULC) foram derivados do Google Earth/Maps e Bhuvan (NRSC).
   • Processamento: Os dados brutos (aproximadamente 200 mil registros de reservatório e 278 mil de escoamento) foram limpos, agregados temporalmente em médias diárias e os valores ausentes foram imputados usando valores médios. Os outliers foram limitados no percentil 99,5.

2. Estimativa de Escorrendo Híbrida (Componente Físico):

   • Um método aprimorado do Serviço de Conservação do Solo-Número de Curva (SCS-CN) foi empregado para estimar o escoamento.
   • O Número de Curva (CN) foi atribuído com base no Uso e Cobertura da Terra (LULC) e geomorfologia.
   • Um fator de ajuste baseado na declividade foi introduzido para considerar a variabilidade da bacia: declividades >10% aumentaram a geração de escoamento (fator 1,2), enquanto declividades <3% aumentaram a infiltração (fator 0,8).
   • Isso gerou uma variável de "Escoamento Ajustado" utilizada como uma entrada primária para o modelo de aprendizado de máquina.

3. Engenharia de Atributos (Feature Engineering):

   • Atributos de Lag (Atraso): Lags de afluência de 1, 2, 3, 5 e 7 dias foram incluídos para capturar a persistência temporal e relações autorregressivas.
   • Estatísticas Móveis: Médias móveis de 7 dias para chuva e escoamento foram calculadas para representar a resposta cumulativa da bacia e reduzir o ruído.
   • Indicadores Sazonais: Um atributo de "mês" foi extraído para capturar a variabilidade sazonal.
   • Transformação do Alvo: Para estabilizar a variância e reduzir a assimetria, a variável alvo (afluência) foi transformada usando uma função logarítmica de baixa potência: $y_t = \log(1 + \text{Afluência}^{0,7})$.

4. Treinamento e Otimização do Modelo:

   • Algoritmo: O Extreme Gradient Boosting (XGBoost) foi utilizado com 800 árvores de decisão, uma profundidade máxima de 5 e uma taxa de aprendizado de 0,025.
   • Pesagem de Pico de Vazão: Para melhorar a previsão de eventos extremos, observações que excederam o percentil 90 das afluências históricas receberam o dobro do peso de treinamento ($w_i = 2$) em comparação com vazões normais.
   • Validação: Uma estratégia de validação cruzada 5-fold TimeSeriesSplit foi empregada para evitar o vazamento de dados (data leakage) e preservar a ordenação temporal.

5. Análise Comparativa:

   • O framework proposto foi comparado com modelos de Árvore de Decisão (DT), Floresta Aleatória (RF), Regressor de Gradient Boosting (GBR) e redes de Long Short-Term Memory (LSTM) utilizando os mesmos atributos de entrada e protocolos de validação.

Principais Contribuições

• Integração de Física e ML: O estudo integra com sucesso a estimativa de escoamento baseada em processos físicos (SCS-CN aprimorado com ajustes de declividade) com o aprendizado de máquina, unindo a modelagem orientada a dados e a baseada em processos.
• Engenharia de Atributos Híbrida: Desenvolvimento de um conjunto abrangente de atributos combinando lag de afluência, estatísticas hidrológicas móveis, variáveis de estado do reservatório e sazonalidade.
• Aprendizado Sensível a Picos: Introdução de um mecanismo de pesagem específico para aumentar a sensibilidade do modelo a eventos de afluência extrema, que são críticos para a previsão de inundações.
• Benchmarking Abrangente: Uma comparação rigorosa demonstrando a superioridade da abordagem híbrida sobre ML clássico, métodos de ensemble e aprendizado profundo (LSTM) para este contexto específico de reservatório.

Resultados
O modelo Híbrido XGBoost proposto demonstrou uma precisão preditiva excepcional, superando significativamente todos os modelos de comparação:

• Métricas de Desempenho: O modelo alcançou um $R^2$ de 0,992 e uma Eficiência de Nash-Sutcliffe (NSE) de 0,992. O Erro Quadrático Médio (RMSE) foi de 7,415 e o Erro Absoluto Médio (MAE) foi de 0,977.
• Comparação:
  • vs. Modelo sem Lag: A remoção dos atributos de lag causou o colapso do desempenho (RMSE aumentou para 5409,4, $R^2$ caiu para -17602), destacando a importância crítica das dependências temporais.
  • vs. Outros Modelos ML/DL: O modelo Híbrido XGBoost superou vastamente o DT ($R^2=0,18$), RF ($R^2=0,11$), GBR ($R^2=0,08$) e LSTM ($R^2=0,15$).
  • Eficiência: Enquanto a Floresta Aleatória exigiu o maior tempo computacional (67,94 minutos), o modelo proposto foi treinado em aproximadamente 4,05 minutos, oferecendo um equilíbrio entre alta precisão e eficiência computacional.
• Importância dos Atributos: A análise revelou que as variáveis de lag de afluência foram os preditores mais influentes, seguidas pelas estimativas de escoamento e parâmetros de operação do reservatório (balanço/capacidade de abertura).

Significância e Alegações
Os autores afirmam que o framework proposto serve como uma ferramenta confiável para previsão de inundações, operação de reservatórios e gestão sustentável da água. Ao alcançar alta precisão na previsão tanto de condições de baixa vazão quanto de pico, o modelo apoia decisões críticas para:

• Previsão de inundações em tempo real.
• Otimização da operação de reservatórios.
• Planejamento de alocação de água.
• Programação de hidrelétricas.
• Avaliação de resiliência climática.

O estudo conclui que abordagens híbridas, que combinam a estimativa física de escoamento com engenharia de atributos avançada, superam significativamente os modelos convencionais de aprendizado de máquina e aprendizado profundo para a predição de afluência em sistemas de reservatórios complexos como a Represa de Ukai. Os autores sugerem que trabalhos futuros possam incorporar produtos de chuva de radar, observações de satélite e arquiteturas baseadas em transformers para aumentar ainda mais o desempenho.