MODELOS CHUVA-VAZÃO: USO DE TÉCNICAS DE APRENDIZAGEM DE MÁQUINAS PARA CALIBRAÇÃO DE MODELOS EM UMA PEQUENA BACIA HIDROGRÁFICA

Estimativas de vazões em bacias hidrográficas baseadas em dados de precipitação pluviométrica são extremamente importantes para atividades relacionadas à gestão dos recursos hídricos. A elaboração de cenários de disponibilidade hídrica com boa precisão pode contribuir com os processos de planejamento dos recursos ambientais e evitar possíveis conflitos pelo uso da água. Este trabalho utilizou estruturas baseadas em aprendizagem de máquinas (Machine Learning) para calibrar dois modelos de chuva-vazão em escala diária na Bacia Hidrográfica do Arroio Grande no leste do Rio Grande do Sul. Foram empregados métodos de Redes Neurais Artificiais (RNA) e Gradient Boosting Machine (GBM) com a técnica bootstrap de reamostragem. O objetivo deste trabalho foi avaliar a capacidade dessas técnicas para modelar a série histórica de vazão, considerando-se a influência de dois pluviômetros localizados próximos à estação fluviométrica.  A performance das técnicas utilizadas foi verificada por meio do coeficiente de determinação (R²), que atingiu 0,93 para o algoritmo de redes neurais e de 0,99 para o algoritmo de boosting, bem como pelos baixos valores do desvio absoluto. Através dos gráficos de resíduos foi possível observar o bom desempenho de calibração alcançado na aplicação dessas técnicas, onde a técnica GBM apresentou-se levemente superior à de RNA.