Modelo de Aprendizado de Máquina e de Base Física para Simulações de Vazões de uma Bacia Hidrográfica da Amazônia
- 1UFPA
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.
Related
- A further new species for the genus Ananteris Thorell, 1891 (Scorpiones: Ananteridae) from a poorly prospected region of Brazilian Amazonia
- Taphonomy and paleoenvironmental insights of Late Miocene Armadillo carapace (Xenarthra, Dasypodidae) in the Solimões Formation, Southwestern Amazonia, Brazil
- ENSO-driven climatic and vegetation changes in Amazonia by the end of the century
- Neogene palaeo-drainage divide in western Amazonia (Madre de Dios Basin, Peru): provenance evidence and implications
- Modelo GEO-TUR: avaliação integrada do potencial geoturístico na Bahia a partir de dados secundários
BibTeX
@article{raiol2026modelo,
title = {{Modelo de Aprendizado de Máquina e de Base Física para Simulações de Vazões de uma Bacia Hidrográfica da Amazônia}},
author = {Kauê Feio Costa Raiol and Josias da Silva Cruz and Amanda de Cássia Lobato Soares and Leonardo Melo de Mendonça and Radijha Jennifer Nunes da Silva and Claudio Blanco},
journal = {Revista de Gestão de Água da América Latina},
year = {2026},
month = nov,
url = {https://www.abrh.org.br/OJS/index.php/REGA/article/view/1117},
note = {CC BY},
}
RIS
TY - JOUR
TI - Modelo de Aprendizado de Máquina e de Base Física para Simulações de Vazões de uma Bacia Hidrográfica da Amazônia
AU - Kauê Feio Costa Raiol
AU - Josias da Silva Cruz
AU - Amanda de Cássia Lobato Soares
AU - Leonardo Melo de Mendonça
AU - Radijha Jennifer Nunes da Silva
AU - Claudio Blanco
PY - 2026
DA - 2026/11/04
JO - Revista de Gestão de Água da América Latina
UR - https://www.abrh.org.br/OJS/index.php/REGA/article/view/1117
AB - 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.
SN - 2359-1919
ER -