Performance comparison between genetic programming and sediment rating curve for suspended sediment prediction

Jaiyeola, Adesoji T.; Adeyemo, Josiah

doi:10.1080/20421338.2019.1587908

Cited by 7 publications

(2 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This approach eliminates the complex nonlinearity of the series and provides better results (e.g. Araujo et al, 2012;De Girolamo et al, 2015;Jaiyeola and Adeyemo, 2019). Improvement of SRCs can also be performed using flood ranks and SS concentration stages (Zeng et al, 2018).…”

Section: Sediment Rating Curvesmentioning

confidence: 99%

A brief review of recent global trends in suspended sediment estimation studies

Hefzul Bari,

Yokoo,

Leong

2024

Hydrological Research Letters

View full text Add to dashboard Cite

Sediment has the potential to influence the landscape, economy and way of life. If the estimation is accurate and the distribution characteristics are known, sediment can be used as a resource. In this brief review, we evaluated recent advances in suspended sediment estimation techniques between 2011 and 2022. The three most popular techniques are Sediment Rating Curves, Machine Learning Models and Physical and/or Numerical Models. Their potential and limitations are briefly explored. Our findings indicate that Machine Learning Models perform better, whereas Sediment Rating Curves offer flexibility in field applications. On the other hand, the paucity of necessary highresolution data for model calibration and validation hinders the performance of Physical and/or Numerical Models. The sampling frequency of input sediment data emerges as a pivotal factor influencing the performance of all methods. To overcome this issue, a semi-automatic surrogate method might be useful. Also, particle size could be included in the rating curves to obtain additional information. This is especially valuable for understanding sediment dynamics and the process of delta formation.

show abstract

Section: Sediment Rating Curvesmentioning

confidence: 99%

A brief review of recent global trends in suspended sediment estimation studies

Hefzul Bari,

Yokoo,

Leong

2024

Hydrological Research Letters

View full text Add to dashboard Cite

show abstract

“…A maneira mais comum de monitorar a concentração superficial de sedimentos é por meio da obtenção da curva chave de sedimentos que, em geral, relaciona a vazão diária com a concentração de sedimentos (ZHENG, 2018;JAIYEOLA;ADEYEMO, 2019;KEOGH et al, 2019;BENISI GHADIM et al, 2020). Portanto, esperava-se que a vazão diária apresentasse boa relação com a CSS na área de estudos.…”

Section: Seleção Das Variáveis Utilizadas Nos Modelos De Aprendizado ...unclassified

Modelagem temporal e espacial da concentração superficial de sedimentos utilizando sensoriamento remoto orbital e aprendizado de máquina

Aires¹

View full text Add to dashboard Cite

Entender a dinâmica da produção, transporte e deposição de sedimentos é de interesse em diversas áreas do conhecimento, pois a concentração de sedimentos em corpos hídricos é a principal causa de problemas relacionados com a qualidade da água, assoreamento de rios e reservatórios. No entanto, a medição em campo desta informação é bastante trabalhosa, o que dificulta a obtenção de bases de dados detalhadas e contínuas. Desta forma, o objetivo deste trabalho é modelar a variação temporal e espacial da concentração superficial de sedimentos (CSS) na bacia hidrográfica do rio Doce utilizando sensoriamento remoto orbital e modelos de aprendizado de máquina. A modelagem da CSS foi realizada a partir de duas metodologias distintas. A primeira abordou a utilização de sensoriamento remoto, em que foram utilizadas imagens orbitais dos sensores da contestação MultiSpectral Instrument (MSI)/Sentinel 2 e Operational Land Imager/(OLI) Landsat 8. Estabeleceu-se relação entre a refletância estimada pelos satélites com a CSS observada em campo medidas pela Agência Nacional de Águas e Saneamento (ANA) e pela Fundação Renova, por meio dos modelos regressão linear simples e múltipla (RLS e RLM), least absolute shrinkage and selection operator (LASSO) e elastic net. A segunda metodologia abordou a aplicação de modelos baseados em aprendizado de máquina, em que se utilizou dados históricos da medição da CSS realizada pela ANA em sete estações sedimentométricas instaladas ao longo da calha do rio Doce. Para a predição CSS foram utilizadas 62 variáveis preditoras derivadas das informações de declividade, pedologia, uso e cobertura da terra, precipitação, vazão fluvial, velocidade fluvial, evapotranspiração real, escoamento superficial, umidade do solo, temperatura e normalized difference vegetation index. Os seguintes algoritmos de aprendizado de máquina foram utilizados: random forest (RF), cubist, support vector machines (SVMs), extreme gradient boosting machine (XGboost) e regressão LASSO. Nas duas metodologias foram utilizadas a validação cruzada leave-one-out para o treinamento e testes dos modelos. As métricas adotadas para avaliação de desempenho foram erro médio absoluto (MAE), raiz do erro médio quadrático (RMSE), porcentagem do viés (PBIAS), coeficiente de Nash–Sutcliffe (NSE), índice de concordância de Willmot (d), coeficiente de determinação (R²), coeficiente de Kling-Gupta (KGE) e índice de eficiência (c). A banda do infravermelho próximo apresentou forte relação linear com a CSS, tanto utilizando o satélite MSI/Sentinel 2, quanto o OLI/Landsat 8. Dentre os modelos de regressão linear que utilizam múltiplas variáveis, a regressão linear múltipla, as regressões LASSO e Elastic Net apresentaram bom desempenho para a predição da CSS. Entretanto, a regressão LASSO e Elastitic Net facilitam na definição do conjunto ótimo de variáveis. Os mapas de fluxos de sedimentos indicam redução da CSS na calha do rio Doce em anos mais recentes, o que pode ser indicativo de que parte do material oriundo do rompimento da barragem de rejeitos de Fundão, em 2015, pode ter sido carreado pelos processos de ressuspensão e transporte de sedimentos. Bons resultados foram obtidos com a utilização de algoritmos de aprendizado de máquina para a predição da CSS na bacia hidrográfica do rio Doce, com destaque para os modelos cubist e XGBoost, que apresentaram o menor erro de predição e métricas de eficiência mais elevadas. As variáveis mais importantes para os modelos de predição se configuraram nas vazões fluviais diárias da data da coleta dos sedimentos e as vazões defasadas no tempo. A precipitação média diária acumulada também foi importante na modelagem dos sedimentos. A utilização dos modelos de aprendizado de máquina pode ser de grande auxílio para o monitoramento dos sedimentos, e servir como ferramenta para entender a dinâmica da produção de sedimentos na bacia hidrográfica do rio do Doce ao longo do tempo. Palavras-chave: Sentinel 2 e Landsat 8. Modelagem hidrossedimentológica. Aprendizado supervisionado. Barragem de rejeitos de Fundão.

show abstract