{
  "abstract": "Este estudo comparou modelagens de vazões de uma sub-bacia hidrográfica do rio Guamá na Amazônia. O modelo de aprendizado de máquina desenvolvido foi uma Rede Neural Recorrente Autorregressiva Não Linear com Entradas Exógenas (RNN-NARX) e o modelo físico considerado foi o HEC-HMS. Dados diários de precipitação, vazão e temperatura foram utilizados para entrada, calibração e validação dos modelos. O desempenho dos modelos foi de “Bom” a “Excelente”, conforme classificação disponível na literatura. Entretanto, as simulações de vazão performaram melhor com as RNN-NARX, pois os valores de NSE e KGE aproximaram-se de 1,0. As simulações com o HEC-HMS, apesar de terem menor desempenho, foram importantes no estabelecimento da comparação entre um modelo físico e um modelo de aprendizagem de máquina. Assim, o modelo das RNN-NARX mostrou-se mais adequado para simular com maior precisão as vazões da sub-bacia hidrográfica do rio Guamá. Outro destaque, no melhor desempenho das redes neurais, é a menor quantidade de dados necessários para a modelagem, comparada ao volume de dados necessários para a modelagem com o HEC-HMS. Fato importante, em se tratando de Amazônia, onde a logística para coleta de dados, às vezes, torna-se impraticável devido às condições morfoclimáticas da região.",
  "abstract_shown": true,
  "affiliations": [
    "UFPA"
  ],
  "article_type": null,
  "arxiv": null,
  "author_total": 6,
  "authors": [
    {
      "affs": [
        0
      ],
      "name": "Kauê Feio Costa Raiol"
    },
    {
      "affs": [
        0
      ],
      "name": "Josias da Silva Cruz"
    },
    {
      "affs": [
        0
      ],
      "name": "Amanda de Cássia Lobato Soares"
    },
    {
      "affs": [
        0
      ],
      "name": "Leonardo Melo de Mendonça"
    },
    {
      "affs": [
        0
      ],
      "name": "Radijha Jennifer Nunes da Silva"
    },
    {
      "affs": [
        0
      ],
      "name": "Claudio Blanco"
    }
  ],
  "bibtex": "https://research.draconitic.com/paper/ab3v4g4c20r78.bib",
  "cited_by": 0,
  "doi": null,
  "fulltext_url": "https://www.abrh.org.br/OJS/index.php/REGA/article/view/1117",
  "id": "ab3v4g4c20r78",
  "issns": [
    "2359-1919"
  ],
  "landing_url": "https://www.abrh.org.br/OJS/index.php/REGA/article/view/1117",
  "language": "en",
  "licence": "CC-BY",
  "licence_label": "CC BY",
  "licence_source": "journal",
  "licence_url": "https://creativecommons.org/licenses/by/4.0/",
  "metadata_licence": null,
  "native_subjects": [
    [
      "lcc",
      "TC1-978"
    ],
    [
      "lcc",
      "TD1-1066"
    ]
  ],
  "openalex": null,
  "pdf_url": null,
  "pmcid": null,
  "pmid": null,
  "published": "2026-11-04",
  "publisher": "Associação Brasileira de Recursos Hídricos – ABRHidro",
  "ris": "https://research.draconitic.com/paper/ab3v4g4c20r78.ris",
  "sources": [
    {
      "first_seen": "2026-11-04T14:20:44Z",
      "native_id": "134e847e06d74ad194d0f517b9c28dab",
      "source": "doaj",
      "url": "https://www.abrh.org.br/OJS/index.php/REGA/article/view/1117"
    }
  ],
  "subjects": [
    {
      "field": "earth",
      "origin": "lcc:TD1-1066",
      "subfield": "environmental-science"
    }
  ],
  "title": "Modelo de Aprendizado de Máquina e de Base Física para Simulações de Vazões de uma Bacia Hidrográfica da Amazônia",
  "title_text": "Modelo de Aprendizado de Máquina e de Base Física para Simulações de Vazões de uma Bacia Hidrográfica da Amazônia",
  "type": "peer-reviewed",
  "updated_at": "2026-11-06T14:20:08Z",
  "url": "https://research.draconitic.com/paper/ab3v4g4c20r78",
  "venue": "Revista de Gestão de Água da América Latina",
  "versions": []
}