INTEGRAÇÃO DE VARIÁVEIS ESPACIAIS HIDROLÓGICAS EM MODELOS DE DEEP LEARNING PARA PREVISÃO DE VAZÃO: UMA REVISÃO E PERSPECTIVA METODOLÓGICA

Código

XXVI-SBRH0331

Autores

Vinícius de Azevedo Silva, Hugo de Oliveira Fagundes

Tema

F - Processos Hidrológicos e Monitoramento Integrado de Recursos Hídricos

Resumo

A aplicação de redes neurais profundas, na previsão de vazão, tem evoluído consideravelmente com avanços importantes na incorporação de variáveis espaciais derivadas de sensoriamento remoto. Modelos como Convolutional Neural Networks (CNNs), CNN-LSTM e Graph Neural Networks (GNNs) vêm sendo utilizados para integrar dados como uso e cobertura do solo, além de NDVI e modelos digitais de elevação (DEM), aos processos de treinamento. No entanto, a integração de variáveis hidrológicas derivadas ? como mapas de tempo de concentração, direção de fluxo, declividade e acumulação de fluxo ? ainda representa uma lacuna metodológica pouco explorada na literatura. Este artigo apresenta uma revisão sistemática sobre o uso de variáveis espaciais em modelos de Deep Learning aplicados à previsão de vazão, destacando os tipos de dados utilizados, as arquiteturas de rede recorrentes e os principais desafios observados. Por fim, propõe-se um direcionamento metodológico voltado à utilização de camadas espaciais com significado hidrológico explícito, em conjunto com dados de reanálise de precipitação, visando o aprimoramento de modelos preditivos em bacias com informações limitadas ou condições hidrológicas complexas.