COMPARAÇÃO DE MODELOS DE APRENDIZADO DE MÁQUINA COM O MODELO SMAP NA PREVISÃO DE VAZÕES NO RIO MADEIRA EM PORTO VELHO

Código

XXVI-SBRH0571

Autores

Bruna Gomes Amancio, MARCUS SUASSUNA SANTOS, Dirceu Silveira Reis Junior

Tema

STE151 - Previsão Hidrológica

Resumo

A previsão de vazões em grandes bacias hidrográficas, como a amazônica, é um desafio devido à grande variabilidade de forçantes hidrológicas e contribuições de múltiplos afluentes. Este estudo compara o desempenho de modelos de aprendizado de máquina (Regressão Linear Múltipla, Random Forest, Gradient Boosting e Redes Neurais) com o modelo conceitual SMAP na previsão de vazões na estação fluviométrica de Porto Velho, considerando horizontes de 1 a 15 dias. Foram testadas duas abordagens: (i) modelagem direta com dados locais e (ii) combinação das previsões dos rios Beni e Mamoré, principais contribuintes da bacia. As previsões foram avaliadas por meio das métricas MAE e RMSE. Os resultados indicam que o Gradient Boosting apresenta melhor desempenho nos períodos de vazante, enquanto o SMAP se destaca em cenários de cheia. Os gráficos mensais de erro revelaram padrões sazonais, sugerindo que o desempenho dos modelos é sensível ao ciclo hidrológico, com maiores desvios nos meses de cheia (novembro a janeiro) e menores erros na seca (setembro). A abordagem com dados da união dos tributários proporcionou menor dispersão dos erros em meses secos, embora tenha acumulado erro em eventos extremos. A análise reforça o potencial de estratégias híbridas e adaptativas que combinem diferentes algoritmos conforme o regime hidrológico. Recomenda-se, para aplicações práticas em gestão de recursos hídricos e sistemas de alerta, o uso combinado de modelos, com alternância conforme a época do ano e o horizonte de previsão.