Modelagem de vazões sazonais no semiárido brasileiro utilizando inteligência artificial e dados climáticos gradeados

Resumo

A integração de dados climáticos gradeados na modelagem hidrológica tem se consolidado como uma alternativa eficaz em regiões com rede escassa de monitoramento hidrometeorológico, como ocorre em grande parte do semiárido nordestino. Essa abordagem pode fortalecer a gestão dos recursos hídricos, promovendo maior segurança no planejamento dos usos múltiplos da água. Neste contexto, os modelos baseados em dados, ou Data-Driven Models (DDMs), têm ganhado destaque por dispensarem a complexidade estrutural dos modelos baseados em processos físicos, utilizando algoritmos numéricos para capturar padrões a partir de dados históricos. No entanto, a seleção de variáveis de entrada adequadas permanece como um desafio, especialmente devido à heterogeneidade espacial e temporal dos processos hidrológicos. Este trabalho visa avaliar a aplicação de diferentes métodos de DDM, como regressão linear múltipla (RLM), redes neurais artificiais (RNA) e o algoritmo dos k-vizinhos mais próximos (KNN), na modelagem da relação chuva-vazão na bacia hidrográfica do rio Vaza-Barris, empregando dados climáticos espaciais como variáveis explicativas. Os resultados indicam que, apesar das dificuldades na simulação precisa das vazões máximas, os modelos foram capazes de representar satisfatoriamente as vazões mínimas e a sazonalidade hidrológica local. O desempenho global foi classificado como apenas moderado, com valores do coeficiente de eficiência de Nash-Sutcliffe (NSE) variando entre os algoritmos testados, sugerindo a necessidade de refinamento na seleção de variáveis e parametrização dos modelos.