PREVISÃO DE VAZÃO NO RIO SOLIMÕES COM MODELO DE REDES NEURAIS DO TIPO LONG SHORT-TERM MEMORY (LSTM)

Código

V-END_II-EBHE0199

Autores

Emily Chaves Amâncio, Pedro Luiz Borges Chaffe, Vinícius Bogo Portal Chagas

Tema

01 - Metodologias de previsão de eventos geo-hidrológicos

Resumo

A previsão de vazões no rio Solimões é fundamental para comunidades que dependem do sistema fluvial para transporte e desenvolvimento econômico. Processos como armazenamento em planícies inundáveis, efeitos de jusante e relações não unívocas entre cota e vazão dificultam sua representação por modelos físicos. Este estudo avaliou a capacidade de um modelo Long Short-Term Memory (LSTM) com arquitetura encoder?decoder para a previsão de vazões no rio Solimões. Também foi investigada a contribuição de atributos derivados fisicamente interpretáveis para representar o estado hidrológico da bacia e as condições antecedentes de umidade. Foram avaliadas a capacidade de generalização do modelo em eventos extremos não observados durante o treinamento, a utilização de anomalias hidrológicas como variável-alvo e as incertezas associadas às curvas-chave. Os resultados mostraram que o modelo foi capaz de representar parte da variabilidade hidrológica além da componente sazonal. Os atributos relacionados ao estado hidrológico da bacia apresentaram maior relevância para as previsões e estiveram presentes nas configurações de melhor desempenho. O modelo manteve desempenho semelhante quando avaliado em eventos extremos excluídos do treinamento, indicando adequada capacidade de generalização. A utilização de anomalias hidrológicas como variável-alvo não resultou em ganhos de desempenho em relação à previsão direta das vazões. Embora a modelagem direta em cota reduza as incertezas associadas às curvas-chave, os melhores resultados operacionais foram obtidos com a utilização da vazão como variável principal. Os resultados evidenciam o potencial de modelos LSTM para a previsão de vazões em grandes rios amazônicos.