REGIONALIZAÇÃO DE VAZÃO EM BACIAS SEMIÁRIDAS USANDO REDE NEURAL DE LONG SHORT-TERM MEMORY (LSTM)

Código

XVII-SRHNE0273

Autores

JOÃO MARIA DE ANDRADE, ALFREDO RIBEIRO NETO, RODOLFO LUIZ BEZERRA NÓBREGA, Suzana Maria Gico Lima Montenegro

Tema

24. Uso da inteligência artificial em recursos hídricos

Resumo

Regiões semiáridas enfrentam chuvas escassas e secas severas, prejudicando o desenvolvimento econômico e ambiental. Os modelos chuva-vazão, que simulam processos hidrológicos, são recomendados para auxiliar a gestão dos recursos hídricos. A regionalização, que extrapola informações hidrológicas entre áreas, é fundamental quando faltam dados específicos. Os modelos orientados a dados, como redes neurais Long Short-Term Memory (LSTM), mostram-se promissores na previsão de vazões, mas são pouco avaliados em regiões semiáridas. O objetivo deste estudo é analisar a regionalização com redes neurais do tipo LSTM nas bacias semiáridas brasileiras. Para isso foram utilizadas 54 bacias hidrográficas com 30 anos de dados para treinamento de um modelo regional de LSTM. Os resultados indicam que cerca de 67% e 56% das bacias, apresentaram valores de KGE>0.4 no modelo regional de LSTM na fase de treino e teste, respectivamente. Além disso, as características climáticas como precipitação, temperatura, índice de aridez apresentam maior correlação com o desempenho do modelo. A utilização de inteligência artificial (LSTM) pode auxiliar na estimativa de vazão em regiões semiáridas e auxiliar a gestão e o gerenciamento dos recursos hídricos.