INTEGRAÇÃO DE PSO E REDES NEURAIS MLP PARA MODELAGEM HIDROLÓGICA E PREVISÃO DE VAZÕES EM MICROBACIA DO RIO PIRANGA (MG)

Código

XXVI-SBRH0479

Autores

Marina Marcela de Paula Kolanski, Taís Fonte Boa de Campos Maia, André Ferreira Rodrigues, Bruno Melo Brentan, GUSTAVO MEIRELLES LIMA

Tema

F - Processos Hidrológicos e Monitoramento Integrado de Recursos Hídricos

Resumo

Eventos climáticos extremos desafiam a gestão de recursos hídricos, especialmente em regiões que dependem do transporte fluvial. Este estudo propõe uma abordagem híbrida para previsão de vazões na microbacia do Rio Piranga (Bacia do Rio Doce ? MG), integrando Otimização por Enxame de Partículas (PSO) com Redes Neurais Artificiais do tipo Perceptron de Múltiplas Camadas (MLP). Lacunas nas séries temporais são preenchidas via k-vizinhos mais próximos (KNN), e o PSO calibra parâmetros hidrológicos essenciais (gamma, alpha, m, ks e nu), usados como entradas complementares para treinar a MLP. A rede, com camadas ocultas e funções de ativação não lineares (ReLU ou sigmoide), modela relações complexas nos dados. Embora arquiteturas como RNN e LSTM sejam indicadas para séries temporais, a MLP foi escolhida por sua eficiência em modelos híbridos e menor custo computacional. Os resultados mostram que a combinação PSO-MLP melhora significativamente a previsão de vazões, especialmente em eventos extremos e estiagens, destacando seu potencial para a modelagem hidrológica sob incertezas climáticas.