REDES NEURAIS PROFUNDAS NA PREVISÃO DE VAZÃO: ESTADO DA ARTE, ARQUITETURAS E DESAFIOS ATUAIS

Código

XXVI-SBRH0327

Autores

Vinícius de Azevedo Silva, Hugo de Oliveira Fagundes

Tema

F - Processos Hidrológicos e Monitoramento Integrado de Recursos Hídricos

Resumo

A previsão de vazão desempenha papel fundamental na gestão de recursos hídricos, o que contribui para decisões estratégicas em abastecimento, geração de energia e mitigação de eventos extremos. Tradicionalmente, essa tarefa era realizada por modelos físicos e estatísticos, enfrentando limitações na representação de processos hidrológicos não lineares e em cenários com escassez de dados. Neste contexto, o uso de técnicas de Deep Learning (DL) tem se destacado por sua capacidade de modelar padrões complexos em séries temporais hidrometeorológicas. Nesse sentido, este artigo apresenta uma revisão sistemática sobre o uso de arquiteturas como LSTM, GRU e Transformers na previsão de vazão, destacando seus fundamentos, aplicações, desempenho e limitações. Também são discutidos desafios persistentes relacionados à necessidade de grandes volumes de dados, à alta demanda computacional e à baixa interpretabilidade dos modelos. Os resultados da análise apontam para o potencial dos modelos baseados em aprendizado profundo na hidrologia, ao mesmo tempo que ressaltam a importância de avanços em técnicas híbridas e inteligência artificial explicável.