Uncertainty propagation analysis for hydrological nowcasting using artificial intelligence

Hydrological disasters have become more frequent and intense in recent decades due to transformations in land use, hydraulic interventions, and the effects of climate change. Among these disasters, floods cause significant economic impacts and numerous fatalities every year. Flash floods, in particular, are sudden floods that can rise within minutes to a few hours, causing severe damage and leaving little time for effective emergency response. In order to provide fast responses and accurate forecasts, artificial intelligence (AI)-based models, such as those based on machine learning, have been increasingly used for hydrological nowcasting. These models are able to learn complex relationships between input features and output responses. However, the influence of uncertainty on AI-based flood predictions remains underexplored. In this context, uncertainty can stem from different sources, such as input data, model structure, and hyperparameters. As a first step toward addressing this issue, this thesis presents a systematic literature review on uncertainty analysis for hydrological nowcasting using AI-based models. The review identified significant research gaps, specifically related to studies that: (i) explicitly address input-data perturbations (0%); (ii) use as study area a watershed located in Brazil (0%); (iii) consider sub-hourly time scales (except for 2.7%); (iv) directly include remote sensing data (except for 5.4%); or (v) employ ensemble approaches to hydrological forecasting (except for 37.83%). This doctoral research addresses these gaps by proposing a methodological foundation for analyzing and quantifying the propagation of uncertainty in AI-based hydrological models intended for nowcasting. Given the diverse sources of uncertainty, the research primarily focuses on uncertainties related to input data, but also addresses uncertainties related to other sources, such as model structure and hyperparameters. It concentrates on basins that are highly prone to flash floods, which typically occur in the steepest regions and are small enough to be considered watersheds. In this case, for instance, input data uncertainties may be related to the misestimation of the rainfall due to its high spatiotemporal variability. Specifically, as a case study, this research uses hydrometeorological data such as weather radar to nowcast water levels in one of the most critical flash flood-prone watersheds in Brazil, the Bengalas River watershed, which is situated in the mountainous region of Rio de Janeiro. The research is organized into three interrelated studies, each one presented as a chapter in this thesis. These studies introduce novel approaches, techniques, frameworks, and metrics to enhance the reliability and robustness of AI-based flood forecasting models, providing valuable information for future research and practical applications in flood risk management. RESUMO: Desastres hidrológicos têm se tornado mais frequentes e intensos nas últimas décadas devido às mudanças no uso do solo, intervenções hidráulicas e efeitos das mudanças climáticas. Dentre esses desastres, as inundações geram impactos econômicos significativos e inúmeras fatalidades todos os anos. As inundações repentinas, especificamente, são um tipo de inundação rápida, com o nível da água subindo em questão de minutos até algumas horas, causando graves danos e deixando pouco tempo para uma resposta emergencial eficaz. Para garantir respostas rápidas e previsões precisas, modelos baseados em inteligência artificial (IA), como os baseados em aprendizado de máquina, têm sido cada vez mais utilizados na previsão hidrológica de curto prazo. Esses modelos são capazes de aprender relações complexas entre as variáveis de entrada e as respostas de saída. No entanto, a influência das incertezas nas previsões de inundações feitas por modelos baseados em IA ainda é pouco explorada. Nesse contexto, incertezas podem estar relacionadas a diferentes fontes, como aos dados de entrada, à estrutura do modelo e aos hiperparâmetros utilizados. Como primeiro passo para abordar esta questão, esta tese apresenta uma revisão sistemática da literatura sobre a análise de incertezas na previsão hidrológica de curto prazo utilizando modelos baseados em IA. A revisão identificou lacunas significativas, especificamente relacionadas a estudos que: (i) abordam explicitamente perturbações nos dados de entrada (0%); (ii) utilizam como área de estudo uma bacia hidrográfica localizada no Brasil (0%); (iii) consideram escalas de tempo sub-horárias (exceto por 2,7%); (iv) incluem diretamente dados de sensoriamento remoto (exceto por 5,4%); ou (v) empregam ensemble para previsão hidrológica (exceto por cerca de 37.83%). Esta pesquisa de doutorado aborda essas lacunas ao propor uma base metodológica para análise e quantificação da propagação da incerteza em modelos hidrológicos baseados em IA voltados para previsão de curto prazo. Considerando as diversas fontes de incerteza, a pesquisa foca principalmente nas incertezas associadas aos dados de entrada, mas também aborda incertezas relacionadas a outras fontes tais como à estrutura do modelo e aos hiperparâmetros. O estudo se concentra em bacias altamente suscetíveis a inundações rápidas, que tipicamente estão localizadas em regiões íngremes e são pequenas o suficiente para serem consideradas microbacias. Nessas regiões, por exemplo, as incertezas nos dados de entrada podem estar relacionadas à má estimativa da chuva, devido à sua alta variabilidade espaçotemporal. Especificamente, como estudo de caso, essa pesquisa utiliza dados hidrometeorológicos, tais como os de radar meteorológico, para realizar previsões de nível de água em uma das bacias brasileiras mais críticas quanto à ocorrência de inundações rápidas, a bacia do Rio Bengalas, que está situada na região serrana do Rio de Janeiro. A pesquisa está organizada em três estudos inter-relacionados, apresentados como capítulos desta tese. Esses estudos introduzem novas abordagens, técnicas, frameworks e métricas que aprimoram a confiabilidade e a robustez dos modelos de previsão de inundações baseados em IA, fornecendo informações valiosas para pesquisas futuras e aplicações práticas no gerenciamento do risco de inundações.