Simulação de vazão em bacias sem medições usando modelos de rede neural LSTM (Long Short-Term Memory) regionalizados no Brasil

Código

XXVI-SBRH0842

Autores

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

Tema

F - Processos Hidrológicos e Monitoramento Integrado de Recursos Hídricos

Resumo

A previsão de vazão em bacias hidrográficas não monitoradas representa um dos principais desafios da hidrologia, especialmente em países tropicais como o Brasil, onde há escassez de estações de medição de vazão e precipitação. Este estudo avalia o desempenho de modelos baseados em redes neurais do tipo Long Short-Term Memory (LSTM) na simulação de vazões em bacias tropicais e subtropicais, utilizando uma base de dados de 200 bacias e classificação hidroclimática baseada no índice de aridez. O modelo foi treinado com dados de forçantes climáticas diárias e atributos fisiográficos das bacias e testado para 40 bacias não monitoradas. As análises mostram que o LSTM obteve melhor desempenho em bacias úmidas e muito úmidas, com destaque para regiões do Sudeste e Sul do Brasil, onde foi observado desempenho de KGE > 0,4 em 95% das bacias hidrográficas. Cerca de 40% das bacias analisadas apresentaram valores de KGE > 0,6 na região semiárida. Mesmo em bacias semiáridas, marcadas por alta intermitência e baixa densidade de monitoramento, o modelo foi capaz de reproduzir eventos de cheia e estiagem em alguns casos. Os resultados indicam que a utilização de LSTM é uma alternativa promissora para ampliar a capacidade de previsão hidrológica em regiões com deficiência de dados, oferecendo suporte à gestão de recursos hídricos, operação de reservatórios e mitigação de desastres naturais.